Pengantar Kecerdasan Buatan
| Kecerdasan Alamiah | Kecerdasan Buatan |
|---|---|
| tugas tersebut dilakukan oleh manusia dengan menggunakan Kecerdasan | jika kita menambahkan kecerdasan alami manusia ini ke dalam sebuah mesin |
Kecerdasan Buatan adalah
Ilmu Pengetahuan dan Rekayasa untuk membuat Mesin Cerdas ~ John McCarthy
Peta Jalan Menuju Kecerdasan Buatan
1. Bahasa Pemrograman
- Python
- R
- Lisp
- Prolog
- Java
2. Pengetahuan Matematika
- Aljabar Linier
- Probabilitas dan Distribusi
- Statistika
- Kalkulus Vektor
- Dekomposisi Matriks
3. Algoritma Pembelajaran Mesin
Algoritma adalah metode langkah demi langkah untuk memecahkan masalah
| Klasifikasi | Algoritma | |
|---|---|---|
| Pembelajaran Terbimbing | Pohon Keputusan Klasifikasi Naif Bayes Regresi Kuadrat Terkecil Biasa Regresi Logistik Mesin Vektor Pendukung Metode Ensemble | |
| Pembelajaran Tanpa Pengawasan | Algoritma Pengelompokan Analisis Komponen Utama Dekomposisi Nilai Singular Algoritma Dijkstra |
4. Alat Pembelajaran Mesin
- TensorFlow Google
- Obor
- Microsoft Cognitive Toolkit
- IBM Watson
- Amazon Web Services
- Accord.NET Framework
- Caffe
- Eclipse Deeplearning4j
- Apache Mahout
- Theano
- H20
- PredictionlO
- ai-one
- Protégé
- DiffBlue
- Nervana Neon
- OpenNN
- Veles
- Scikit-learn
5. Studi Kasus AI
- Prediksi Harga Properti
- Sistem Pengenalan Gambar
- Prediksi Cuaca
- Mobil Self-Driving
- Komposisi Musik Otomatis
- Diagnosis Penyakit Medis
- Mengidentifikasi Berita Palsu
- Rekomendasi Buku
Pembelajaran Mesin
| Algoritma Pembelajaran Mandiri | Pembelajaran Mesin |
|---|---|
| Algoritma Pembelajaran Mandiri adalah algoritma yang akan belajar sendiri dan mengambil keputusan/prediksi sendiri | Pembelajaran mesin adalah bagian dari Kecerdasan Buatan. Yang bekerja berdasarkan algoritma pembelajaran mandiri menggunakan pengalaman masa lalu atau kumpulan data tanpa diprogram secara eksplisit. |
Pembelajaran mesin adalah ilmu untuk membuat komputer bertindak tanpa diprogram secara eksplisit ~ Stanford
Algoritma pembelajaran mesin dapat mengetahui cara melakukan tugas-tugas penting dengan melakukan generalisasi dari contoh-contoh. ~ Universitas Washington
Pembelajaran mesin didasarkan pada algoritma yang dapat belajar dari data tanpa bergantung pada pemrograman berbasis aturan. ~ McKinsey & Co.
| Pembelajaran Terbimbing | Pembelajaran Tanpa Pengawasan | Pembelajaran Penguatan |
|---|---|---|
| Ini menyimpulkan fungsi dari data berlabel dan menggunakan fungsi ini pada contoh baru/data yang belum pernah dilihat/data uji. | Ini adalah pelatihan algoritma kecerdasan buatan menggunakan informasi yang tidak diklasifikasikan atau diberi label dan memungkinkan algoritma untuk bertindak atas informasi tersebut tanpa panduan | Ini memungkinkan agen untuk belajar dalam lingkungan interaktif dengan coba-coba menggunakan umpan balik dari tindakan dan pengalamannya sendiri |
Pembelajaran Terbimbing
Keluaran Pembelajaran Terbimbing
| Klasifikasi | Regresi | |
|---|---|---|
| Definisi | Algoritma klasifikasi digunakan ketika keluaran yang diinginkan adalah label Diskrit. Disebut sebagai Klasifikasi Biner (Hanya dua kemungkinan hasil) | Algoritma regresi digunakan ketika keluaran yang diinginkan adalah nilai Riil atau Kontinu (Kuantitas) |
| Contoh | 1. saat memfilter email “spam” atau “bukan spam” 2. saat melihat data transaksi, “penipuan”, atau “resmi” | 1. Memprediksi harga rumah berdasarkan area 2. Memprediksi jumlah salinan album musik yang akan terjual bulan depan |
| Model | - Regresi Logistik - Pohon Keputusan - Pohon yang Didorong Gradien - Perseptron Multilapis - Satu-vs-yang-lain - Naive Bayes - Aproksimasi Kernel - K-Nearest Neighbors - Support Vector Machine - Random Forest | - Regresi Kuadrat Terkecil Biasa (OLSR) - Regresi Linier - Regresi Bertahap - Spline Regresi Adaptif Multivariat (MARS) - Pemulusan Plot Sebar yang Diperkirakan Secara Lokal (LOESS) - Hutan Acak |
Pembelajaran Tanpa Pengawasan
Hasil Pembelajaran Tanpa Pengawasan
| Pengelompokan | Pengurangan Dimensionalitas | |
|---|---|---|
| Contoh | - Sistem Rekomendasi - Pemasaran Bertarget - Segmentasi Pelanggan - Merekomendasikan produk kepada pelanggan berdasarkan pembelian sebelumnya | - Visualisasi Data Besar - Kompresi yang Bermakna - Penemuan Struktur - Penggalian Fitur |
Daftar Algoritma Tanpa Pengawasan
- K-Means, K-Medoids Fuzzy C-Means
- Hirarkis
- Campuran Gaussian
- Jaringan Syaraf Tiruan
- Model Markov Tersembunyi
Pembelajaran Penguatan
Jenis Tugas
| Tugas Episodik | Tugas Berkelanjutan | |
|---|---|---|
| Definisi | Memiliki titik awal dan titik akhir (keadaan terminal). Ini menciptakan episode - daftar Keadaan, Tindakan, Penghargaan, dan Keadaan Baru. | Tugas ini akan berlanjut selamanya (Tidak ada keadaan terminal). Agen harus mempelajari cara memilih tindakan terbaik dan secara bersamaan berinteraksi dengan lingkungan. |
| Contoh | Super Mario Begin: Episode dimulai saat peluncuran Ending: saat Anda terbunuh atau mencapai akhir level | Perdagangan saham otomatis |
Jenis Pembelajaran
| Pendekatan Monte Carlo | Pembelajaran Perbedaan Temporal |
|---|---|
| Mengumpulkan hadiah di akhir episode dan kemudian menghitung hadiah masa depan maksimum yang diharapkan | Ini akan memperbarui estimasi nilainya untuk status non-terminal yang terjadi pada pengalaman tersebut. |
| Kami memulai permainan baru dengan pengetahuan tambahan. Agen membuat keputusan yang lebih baik dengan setiap iterasi | Ini juga disebut TD(O) atau one step TD |
Daftar Algoritma Pembelajaran Penguatan
- Monte Carlo
- Q-Learning
- Q-Learning dengan Fungsi Keunggulan Ternormalisasi NAF
- State-Action-Reward-State-Action (SARSA)
- Deep Q Network (DQN)
- Deep Deterministic Policy Gradient (DDPG)