MANCHINE LEARNING

Pemelajaran mesin atau machine learning , cabang dari kecerdasan buatan, adalah disiplin ilmu yang mencakup perancangan dan pengembangan algoritma machine learning yang memungkinkan komputer untuk mengembangkan perilaku yang didasarkan pada data empiris, seperti dari sensor data basis data. 

Sistem pembelajar dapat memanfaatkan contoh (data) untuk menangkap ciri yang diperlukan dari probabilitas yang mendasarinya (yang tidak diketahui). 

Data dapat dilihat sebagai contoh yang menggambarkan hubungan antara variabel yang diamati. Fokus besar penelitian pemelajaran mesin adalah bagaimana mengenali secara otomatis pola kompleks dan membuat keputusan cerdas berdasarkan data. Kesukarannya terjadi karena himpunan semua peri laku yang mungkin, dari semua masukan yang dimungkinkan, terlalu besar untuk diliput oleh himpunan contoh pengamatan (data pelatihan). Karena itu pembelajar harus merampatkan (generalisasi) perilaku dari contoh yang ada untuk menghasilkan keluaran yang berguna dalam kasus-kasus baru.

Mesin disini adalah mesin dalam pengertian lebih mendekati ‘sistem’ bukan mesin mekanik. Istilah pemelajaran pertama kali muncul dalam disiplin ilmu kecerdasan buatan. Pemelajaran berarti menambah pengetahuan, memahami dengan belajar, mengikuti perintah. Pemelajaran mesin merupakan salah satu cabang dari kecerdasan buatan yang membahas mengenai pembangunan sistem yang didapat berdasarkan pada pemelajaran data, atau sebuah studi yang mempelajari cara untuk memprogram sebuah komputer untuk belajar. Inti dari pemelajaran mesin adalah representasi dan generalisasi. 

Pada tahun 1959, Arthur Samuel mendefinisikan bahwa pemelajaran mesin adalah bidang studi yang memberikan kemampuan untuk belajar tanpa diprogram secara eksplisit. Kemampuan belajar yang menjadi dominan ditentukan oleh kemampuan perangkat lunak atau alogaritmanya. Implementasi kemampuan belajar dapat dicapai dengan berbagai teknik, ada yang menggunakan kaidah (rule), ada yang menggunakan statistika, ada yang menggunakan pendekatan fisiologi yaitu sistem saraf manusia atau disebut dengan ANN (Artificial Neural Network) atau jaringan saraf tiruan. 

Pemelajaran mesin dapat berfungsi untuk beradaptasi dengan suatu keadaan yang baru, serta untuk mendeteksi dan memperkirakan suatu pola. 

CONTOH IMPLEMENTASI MANCHINE LEARNING 

Pemelajaran mesin menjaganya agar tetap sederhana, sebuah algoritma machine learning dikembangkan untuk mencatat perubahan dalam data dan berevolusi dalam desain itu untuk mengakomodasi temuan baru.  Seperti diterapkan untuk analisis prediktif, fitur ini memiliki dampak luas mulai pada kegiatan yang biasanya dilakukan untuk mengembangkan, menguji, dan memperbaiki algoritma manchine learning untuk tujuan tertentu. 

Aplikasi untuk pemelajaran mesin termasuk: 

• manchine perception 

• Computer vision, including visual perception 

• Natural language processing 

• Syntactic pattern recognition 

• Machine learning 

• Medical diagnosis 

• Bioinformatics 

• Brain-machine interfaces 

• Cheminformatics 

• Detecting mastercard fraud 

• Stock marketing research 

• Classifying DNA sequences 

• Sequence mining 

• Speech and handwriting recognition 

• Games 

• Software engineering 

• Adaptive websites 

• Robot locomotion 

• Computational advertising 

• Computational finance 

• Structural health monitoring 

• Sentiment analysis (or opinion mining) 

• Affective computing 

• Menerima Informasi 

• Recommender systems 

Meskipun Machine Learning tidak dapat secara efektif memprediksi jengkel pengguna, kita masih percaya bahwa masih banyak yang bisa dilakukan untuk mencapai hasil yang lebih baik pada proyek ini. 

Pertama-tama, kumpulan data kami adalah kecil untuk metode pemelajaran mesin, kami ingin mengumpulkan lebih banyak data untuk melihat apakah meningkatkan hasil kami sama sekali.

Hal lain yang kita ingin mencoba adalah mengubah permainan yang memainkan pengguna .

Karena kita menggunakan jenis permainan penembak, banyak " menumbuk tombol " adalah terlibat. Sesuatu yang lebih seperti permainan balap dapat bekerja lebih baik untuk mendeteksi gangguan dengan sensor gaya, karena ada lebih banyak tombol memegang terlibat daripada dengan game jenis shooter. 

Sebuah permainan balap juga dapat memperkenalkan lebih terkait game stres dari sebuah permainan yang melibatkan menembak. 

Untuk kali ini kita akan belajar bagaimana manchin learning itu dibuat dan bagaimana kita mempelajari bahasa mesin sedangkan kita adlah manusia ciptaan Tuhan yang maha esa. pertama kita akan mempelajari bagaimana menegenal bahasa mesin atau manchine learning. 

Python adalah bahasa pemrograman multifungsi yang dibuat oleh Guido van Rossum dan dirilis pada tahun 1991. GvR, begitu ia biasa disebut di komunitas Python, menciptakan Python untuk menjadi interpreter yang memiliki kemampuan penanganan kesalahan (exception handling) dan mengutamakan sintaksis yang mudah dibaca serta dimengerti (readability). Didesain untuk memudahkan dalam prototyping, Python menjadi bahasa yang sangat mudah dipahami dan fleksibel. 

Python juga memilih untuk menggunakan indentasi untuk mengelompokkan blok kode, berbeda dengan beberapa bahasa lain yang menggunakan simbol tertentu, misalnya kurung kurawal, atau sintaksis begin-end. Sehingga secara visual pun, blok kode Python didesain untuk mudah dipahami. Salah satu yang paling dikenal adalah, penggunaan titik koma atau semicolon (;) tidak wajib di Python dan penggunaan semicolon cenderung dianggap bukan cara khas Python (non-pythonic way), meskipun ia tetap dapat digunakan, misalnya untuk memisahkan dua statement dalam baris yang sama. 

 

1. print("Hello World"); print("Welcome to Python") 

 Python juga memilih untuk mengadopsi dynamic typing secara opsional, yakni variabel yang dibuat tidak akan diketahui tipenya hingga ia dipanggil pertama kali atau dieksekusi, tidak perlu deklarasi variabel (meskipun dimungkinkan), dan memungkinkan tipe data berubah dalam proses eksekusi program. Sejak Python versi 3.6,sudah tersedia pilihan untuk static typing. 

 Python pun terus berkembang dalam penggunaannya, sehingga fitur-fitur baru dibutuhkan untuk dikembangkan. Versi 2.0 dirilis Oktober 2000 dengan beberapa pengembangan fitur termasuk garbage man dan Memory Management yang juga menjadi fitur pada beberapa bahasa pemrograman modern lainnya, di antaranya Java dan C#. 

Python 3.0 adalah versi perubahan mayor yang dirilis pada Desember 2008, yang didesain sebagai versi yang tidak backward-compatible dengan versi-versi sebelumnya. Beberapa sintaksis/statement yang sebelumnya berjalan di versi 2.x, kini tidak lagi berjalan. Semua hal ini didasarkan pada keinginan bahasa Python yang kembali ke “inti”, yakni readable, consistent & explicit. Contohnya, fungsi print yang sebelumnya adalah statement di python 2.x, menjadi function di python 3.x. 

Lebih jauh tentang Python 3.0 kunjungi tautan berikut: http://docs.python.org/release/3.0.1/whatsnew/3.0.html. 

Versi terbaru Python pada saat pembaruan modul ini adalah 3.8 yang dirilis pada 14 Oktober 2019.

Pada saat tulisan ini dibuat, Python 3.9 sedang dikembangkan dan berstatus 3.9.0 alpha 

 Sejarah / Overview 

Saat ini, Python dikelola oleh lembaga non-komersial Python Software Foundation (PSF). Namun sebelumnya, GvR dijuluki sebagai Benevolent dictator for all times (BDFL) karena hampir semua keputusan pengembangan Python diambil oleh GvR, berbeda dengan bahasa lain yang misalnya menggunakan voting dan semacamnya. Pasca tahun 2000, dibentuklah beberapa sistem yang memungkinkan Python menjadi lebih sustain, misalnya Python Enhancement Proposals (PEP) untuk pengembangan Python dan tentunya Python Software Foundation (PSF). 

Jika PSF menjadi lembaga yang mengelola dan mengadvokasi Python, PEP menjadi panduan dalam pengembangan Python. Beberapa PEP memuat misalnya bagaimana sintaksis dan bagaimana Bahasa Python akan berevolusi, bagaimana modul akan dinyatakan usang (deprecated), dan sebagainya. Setelah kurang lebih 30 tahun dalam pengembangan Python, GvR memutuskan untuk tidak lagi menjabat BDFL pada 12 Juli 2018. 

Salah satu patokan dalam pengembangan Python adalah PEP 20 yang berjudul Zen of Python. 

Zen of Python (www.python.org)

Beautiful is better than ugly.
Explicit is better than implicit.
Simple is better than complex.
Complex is better than complicated.
Flat is better than nested.
Sparse is better than dense.
Readability counts.
Special cases aren't special enough to break the rules.
Although practicality beats purity.
Errors should never pass silently.
Unless explicitly silenced.
In the face of ambiguity, refuse the temptation to guess.
There should be one-- and preferably only one --obvious way to do it.
Although that way may not be obvious at first unless you're Dutch.
Now is better than never.
Although never is often better than *right* now.
If the implementation is hard to explain, it's a bad idea.
If the implementation is easy to explain, it may be a good idea.
Namespaces are one honking great idea -- let's do more of those!

Jika ada pengembangan fitur Python, maka PEP 20 inilah yang menjadi dasar/akar dalam mengambil keputusan. 

Mengapa Python? 

Efektivitas Python cukup terbukti dengan banyaknya jumlah pengguna Bahasa Pemrograman ini. Berbagai survei memasukkan Python dalam top-3 sebagai bahasa dengan penggunaan terbanyak, bersaing dengan Java dan PHP. Python dapat digunakan dalam mengakomodasi berbagai gaya pemrograman, termasuk structured, prosedural, berorientasi-objek, maupun fungsional. Python juga dapat berjalan pada berbagai sistem operasi yang tersedia. Beberapa pemanfaatan bahasa Python di antaranya: 

1. Web development (server-side), 

2. Software development, 

3. Mathematics & data science, 

4. Machine learning, 

5. System scripting. 

6. Internet of Things (IoT) development. Dan lain-lain. 

Python Package Index 

Dengan dukungan komunitas, Python juga memiliki repository library dan modul yang memungkinkan siapa saja berkontribusi dan menggunakannya. Python menyediakan library yang meliputi regular expressions, documentation generation, unit testing, threading, databases, web browsers, koneksi ke berbagai protokol, cryptography, GUI (graphical user interfaces), dan lain-lain. 

Python Package Index (https://pypi.org/) menyediakan lebih dari 209.000 modul (*Desember 2019) dan skrip yang dapat diinstal dan digunakan secara mudah dalam proyek Python Anda. 

Saat ini, Python juga menjadi salah satu bahasa pilihan untuk masuk ke dunia Data Science. 

Tiga hal utama pada Data Science - machine learning, data analysis, dan data visualization banyak disediakan berbasis Python. Sejumlah pustaka paling banyak digunakan dalam machine learning berbasis Python, misalnya: Scikit-Learn, Tensorflow, dan PyTorch.