Agenda• Pengakraban peserta• Pembahasan program mentoring• Pembahasan konsep dasar Machine Learning• Diskusi
Artificial Intelligence Indonesia
Academy Surabaya Batch #1
Topik• Supervised Machine Learning untuk task klasifikasi
Tujuan• Mengerti, mampu menerapkan dan mampu mengevaluasi algoritma
untuk Supervised Machine Learning dalam task klasifikasi
Timeline• 12 Maret 2016 – Mengerti Konsep Dasar Machine Learning• 19 Maret 2016 – Menerapkan Konsep Dasar (Full Hands-on)• 02 April 2016 – Mengevaluasi Algoritma/Metode yang digunakan
Pertemuan 1Konsep Machine Learning
Machine Learning?• Teori, Definisi secara luas:
“A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.” (Mitchell, 1997, p. 2)• Peneliti:
Fokus studi (sub-studi dari Computer Science & Statistics)• Praktisi:
Salah satu cara yang digunakan untuk menyelesaikan masalah
Machine Learning• Supervised Machine Learning• Diberikan data sebagai contoh• Menentukan hasil berdasarkan contoh
• Unsupervised Machine Learning• Tidak diberikan data sebagai contoh• Menemukan pola dan hubungan antar data yang diberikan
Supervised Machine Learning dalam
Prakteknya
Input Output
Training Data
AlgoritmaMachine Learning Model
Input ?
Data Baru
Model Output
Training Data• Pasangan input dan output• Data di representasikan berupa vektor• Feature engineering
Training DataTask: Menentukan harga kontrakan yg optimal untuk mahasiswa di daerah Kampus C, Universitas AirlanggaData: Daftar data alamat, harga, ukuran dll kontrakan di kampus CContoh Training data: <(“jl. X”, 8m2), 600.000><(“jl. Y”, 5m2), 260.000>
Training Data Klasifikasi• Outputnya bukan hanya satu numerikal tapi beberapa
kelas/kelompok.• Contoh:• Klasifikasi penyakit kanker dari data pasien sebelumnya• Klasifikasi sentimen (positif, netral, negative)• Klasifikasi email spam (spam, bukan spam)• Klasifikasi bahasa pemograman (C, C++, Go, Rust, dll)
Algoritma Supervised Machine Learning• Bayesian• Decision Tree• Naive-bayes• Support Vector Machines (SVM)• Random Forests
Model • Dalam prakteknya model inilah yang digunakan sebagai core
teknologinya• Untuk dipadukan dengan teknologi lainnya • Web• Mobile• Car• Drone
Review
Input Output
Training Data
AlgoritmaMachine Learning Model
Input ?
Data Baru
Model Output
Pertemuan Kedua• Feature engineering• Pemahaman algoritma yang digunakan• Membuat teknologi berbasis Machine Learning
Sampai jumpa di pertemuan kedua!19 Maret 2016 Pukul 13.00-16.00