Pembelajaran mesin tanpa pengawasan
Pembelajaran mesin tanpa pengawasan adalah salah satu cabang dari pembelajaran mesin yang berfokus pada pemodelan struktur tersembunyi dalam data tanpa menggunakan label atau target yang telah ditentukan sebelumnya. Pendekatan ini digunakan untuk menemukan pola, kelompok, atau representasi tertentu dari data mentah, dan sering diaplikasikan dalam analisis eksploratif, pengelompokan, serta pengurangan dimensi. Berbeda dengan pembelajaran terawasi, metode ini mengandalkan algoritma untuk mengidentifikasi keteraturan atau korelasi dalam data berdasarkan kemiripan atau distribusi statistik.
1. Konsep dasar
- Pembelajaran mesin
- Pembelajaran tanpa pengawasan
- Data tak berlabel
- Model generatif
- Model diskriminatif
- Representasi fitur
- Distribusi probabilitas
2. Metode pengelompokan
- K-means
- Hierarchical clustering
- DBSCAN
- Gaussian mixture model
- Agglomerative clustering
- Mean shift
- Spectral clustering
3. Pengurangan dimensi
- Principal component analysis
- Singular value decomposition
- t-distributed stochastic neighbor embedding
- Isomap
- Locally linear embedding
- Autoencoder
- Factor analysis
4. Deteksi anomali
5. Model berbasis kepadatan
6. Representasi dan embedding
- Word embedding
- Node embedding
- Graph embedding
- Latent semantic analysis
- Non-negative matrix factorization
7. Evaluasi kinerja
- Silhouette score
- Davies–Bouldin index
- Calinski–Harabasz index
- Rand index
- Adjusted mutual information
- Fowlkes–Mallows index
8. Aplikasi
- Analisis pasar
- Sistem rekomendasi
- Pengelompokan dokumen
- Pengelompokan citra
- Deteksi penipuan
- Bioinformatika
- Pengelompokan pengguna
9. Algoritma lanjutan
- Self-organizing map
- Generative adversarial network
- Variational autoencoder
- Restricted Boltzmann machine
- Deep belief network
- Manifold learning