Pembelajaran mesin terawasi

Pembelajaran mesin terawasi adalah salah satu cabang dari pembelajaran mesin di mana algoritme dilatih menggunakan dataset yang memiliki pasangan fitur dan label yang telah diketahui. Tujuannya adalah untuk mempelajari fungsi yang memetakan masukan ke keluaran secara akurat, sehingga model dapat memprediksi label untuk data baru yang belum pernah dilihat sebelumnya. Metode ini banyak digunakan dalam berbagai bidang seperti pengolahan citra, pengolahan bahasa alami, sistem rekomendasi, dan diagnosis medis karena kemampuannya untuk memberikan prediksi yang terukur dan dapat diuji.

1. Dasar-dasar Pembelajaran Mesin Terawasi

• Dataset berlabel
• Fitur (pembelajaran mesin)
• Label (pembelajaran mesin)
• Fungsi hipotesis
• Proses pelatihan
• Proses pengujian
• Generalisation (generalisasi)

2. Jenis Masalah

• Klasifikasi
• Regresi
• Deteksi anomali
• Peringkat (pembelajaran mesin)
• Segmentasi citra

3. Algoritme Klasifikasi

• K-nearest neighbors
• Support vector machine
• Naive Bayes
• Pohon keputusan
• Random forest
• Logistic regression

4. Algoritme Regresi

• Linear regression
• Polynomial regression
• Ridge regression
• Lasso regression
• Support vector regression

5. Teknik Evaluasi Model

• Confusion matrix
• Akurasi
• Presisi
• Recall
• F1-score
• Mean squared error
• Root mean squared error
• R-squared

6. Proses Pengolahan Data

• Normalisasi data
• Standarisasi
• Ekstraksi fitur
• Seleksi fitur
• Pengkodean label
• Penanganan data hilang

7. Overfitting dan Underfitting

• Overfitting
• Underfitting
• Regularisasi
• Cross-validation
• Early stopping

8. Optimisasi Model

• Gradient descent
• Stochastic gradient descent
• Batch gradient descent
• Momentum (optimisasi)
• Adaptive learning rate

9. Aplikasi Pembelajaran Mesin Terawasi

• Pengolahan citra
• Pengolahan bahasa alami
• Sistem rekomendasi
• Prediksi pasar saham
• Deteksi spam
• Diagnostik medis