Module 3: Introduction to Machine Learning (ML)
- Focus: Core concepts of ML. Supervised, Unsupervised, and Reinforcement Learning. The model training process (data, training, testing).
- Suggested Materials:
- Watch: Google’s “Machine Learning Foundations” series.
- Read: “The 3 Types of Machine Learning” on Towards Data Science.
- Explore: Google’s Teachable Machine to train a simple model in your browser.
- Checklist Questions:
- What is the key difference between supervised and unsupervised learning? Provide an example for each.
- What is “overfitting” in a machine learning model, and why is it a problem?
- Describe the three main components of reinforcement learning: agent, environment, and reward.
- How does a training dataset differ from a testing dataset, and why is this separation important?
Answer:
- 1. Supervised Learning (Pembelajaran Terarah): Model dilatih menggunakan data yang memiliki fitur masukan (X) dan label jawaban yang benar (y). Tujuannya adalah memetakan fungsi f(X) \rightarrow y agar dapat memprediksi label untuk data baru.
- Contoh: Deteksi Email Spam. Model diberikan data email yang sudah ditandai sebagai “Spam” atau “Bukan Spam” untuk mempelajari pola email yang tidak diinginkan.
- Unsupervised Learning (Pembelajaran Tak Terarah): Model menerima data tanpa label (X saja) dan bertugas menemukan struktur, pola, atau pengelompokan tersembunyi di dalam data secara mandiri.
- Contoh: Segmentasi Pelanggan. Model e-commerce mengelompokkan pelanggan ke dalam beberapa segmen berdasarkan riwayat pembelian tanpa mengetahui kategori kelompoknya terlebih dahulu
- Overfitting adalah kondisi ketika model machine learning mempelajari data pelatihan terlalu detail hingga menghafal bising (noise) dan pencilan (outliers), bukan mempelajari pola umumnya.
Mengapa menjadi masalah?
- Generalisasi Buruk: Model menghasilkan akurasi sangat tinggi pada data pelatihan, tetapi gagal memberikan prediksi yang tepat saat diberikan data baru.
- Variansi Tinggi (High Variance): Perubahan kecil pada data masukan dapat menyebabkan hasil prediksi sangat tidak stabil, sehingga model tidak dapat diandalkan saat diterapkan di dunia nyata.
- Tiga komponen utama dalam Reinforcement Learning adalah:Agent → sistem yang melakukan tindakan atau mengambil keputusan.
Contoh: Robot.
Environment → lingkungan tempat agent melakukan tindakan.
Contoh: Ruangan tempat robot bergerak.
Reward → nilai atau umpan balik yang diterima agent setelah melakukan tindakan.
Contoh: Robot berhasil mencapai tujuan → mendapatkan reward positif.
- Training dataset adalah data yang digunakan untuk melatih model agar dapat mempelajari pola.
Testing dataset adalah data yang digunakan untuk menguji kemampuan model setelah proses training.
Contoh: Dari 1.000 gambar:
800 gambar digunakan sebagai training dataset.
200 gambar digunakan sebagai testing dataset.
Pemisahan ini penting untuk mengetahui apakah model dapat bekerja dengan baik pada data baru, bukan hanya menghafal data