Pembelajaran Dari Data

a.Konteks Pembelajaran
Lapisan kecerdasan kolaboratif "nilai tambah" dari arsitektur KM
Teknologi yang relevan adalah:
Kecerdasan buatan
Sistem Pakar
Penalaran Berbasis Kasus
Pergudangan Data
Agen cerdas
Jaringan Saraf Tiruan

b.Proses Pembelajaran
Suatu proses penyaringan dan mengubah data menjadi
pengetahuan yang valid dan bermanfaat.
Otomatis melalui alat teknologi:
memberikan lingkungan belajar yang kolaboratif bagi peserta
meningkatkan kemampuan mereka untuk memahami proses /
tugas yang mereka hadapi

c. Tujuan Pembelajaran
Tujuan akhir adalah untuk meningkatkan kualitas komunikasi
dan pengambilan keputusan
Cara untuk mencapai tujuan ini:
Verifikasi hipotesis (terbentuk dari akumulasi pengetahuan)
Temukan pola baru dalam data
Memprediksi tren dan perilaku masa depan

d.Pendekatan Pembelajaran
Belajar dari Data
Bangun model pembelajaran yang secara otomatis meningkat
dengan pengalaman.
Pendekatan top-down
Hasilkan ide
Kembangkan model
 Validasi model
Pendekatan dari bawah ke atas
Temukan pola baru (tidak dikenal)
Temukan hubungan kunci dalam data

Pendekatan top-down (Contoh)

Mulailah dengan hipotesis yang berasal dari observasi atau
pengetahuan sebelumnya
"Turis yang mengunjungi Mesir mendapat penghasilan tahunan
setidaknya $ 50.000"
Hipotesis diuji dengan query database diikuti dengan analisis
Jika tes tidak mendukung, hipotesis direvisi dan diuji lagi

Pendekatan bottom-up (Contoh)

Tidak ada hipotesis untuk diuji
“Temukan pola pembelian yang tidak diketahui dengan
menganalisis keranjang belanja”
“... menunjukkan laki-laki yang sudah menikah, usia 21 hingga
27 tahun, berbelanja popok juga membawa bir.
“Toko memutuskan untuk menumpuk bir di sebelah rak popok”

e.Visualisasi Data
Jelajahi secara visual untuk tren dalam data yang berguna
untuk membuat keputusan
Menjelajahi data meliputi:
Identifikasi atribut kunci dan distribusinya
Identifikasi pencilan
Ekstrak pengelompokan subset data yang menarik
Identifikasi hipotesis awal

f. Artificial Neural Network sebagai Model Pembelajaran

Dimodelkan setelah jaringan otak manusia
Mensimulasikan pemrosesan informasi biologis melalui jaringan
neuron yang saling berhubungan
Jaringan saraf adalah analog dan parallel
 Neuron - Elemen Dasar
Neuron menerima input, menentukan bobot (kekuatan),
menjumlahkan input gabungan, dan membandingkan total
dengan ambang batas (fungsi transfer)
Jika total lebih besar dari ambang, neuron menyala
(mengirimkan output)

Belajar di Jaringan Saraf Tiruan

Dibimbing
NN membutuhkan guru dengan serangkaian contoh input dan
output pelatihan
Tanpa pengawasan (atau diawasi sendiri)
Tidak butuh guru

g.Pengawasan Pembelajaran
Setiap elemen dalam set pelatihan dipasangkan dengan respons yang
dapat diterima
Jaringan membuat melewati berturut-turut melalui contoh-contoh
Bobot menyesuaikan ke arah tujuan.

Pembelajaran tanpa pengawasan

Tidak ada faktor eksternal yang dapat mempengaruhi penyesuaian bobot
input
Tidak ada indikasi lanjutan dari jawaban yang benar atau salah
Menyesuaikan melalui konfrontasi langsung dengan pengalaman baru

Aplikasi Bisnis (1)

Manajemen risiko
Menilai aplikasi pinjaman komersial
NN melatih ribuan aplikasi, setengah dari yang disetujui dan setengah
lainnya ditolak oleh petugas pinjaman bank
Melalui pembelajaran yang diawasi, NN belajar untuk mengambil risiko
yang merupakan pinjaman buruk
Identifikasi pemohon pinjaman yang kemungkinan gagal bayar atas
pembayaran mereka

Aplikasi Bisnis (2)

Memprediksi Fluktuasi Mata Uang Asing:
Serangkaian indikator yang relevan diidentifikasi, digunakan sebagai
input untuk NN
NN dilatih untuk nilai tukar dolar AS terhadap franc Swiss dan yen
Jepang, menggunakan data dari 6 bulan pertama tahun 1990. Kemudian
diuji selama periode 8 hingga 11 minggu.
Hasil mengungkapkan pengembalian modal sekitar 20%

Aplikasi Bisnis (3)

Penilaian Hipotek:
Jaringan saraf menggunakan data dalam aplikasi pinjaman hipotek
Ini memperkirakan nilai properti berdasarkan lingkungan terdekat, kota,
dan negara
Sistem datang dengan penilaian untuk properti dan analisis risiko untuk
pinjaman.

Aturan Asosiasi
Alat KB yang menghasilkan seperangkat aturan untuk membantu
memahami hubungan yang ada dalam data
Jenis:
Aturan Boolean
Aturan kuantitatif
Aturan multi-dimensi
Aturan asosiasi multi-level

Aturan Boolean (Contoh)

Aturan yang memeriksa ada tidaknya item
Misalnya, jika pelanggan membeli PC dan monitor 17 ”, maka ia akan
membeli printer. Keberadaan item (monitor PC dan 17 ”) menyiratkan
keberadaan printer dalam daftar pembelian pelanggan

Aturan Kuantitatif (Contoh)

Aturan yang mempertimbangkan nilai kuantitatif item
Misalnya, jika pelanggan menghasilkan antara $ 30.000 dan $ 50.000
dan memiliki apartemen bernilai antara $ 250.000 dan $ 500.000, ia
akan membeli mobil 4 pintu

Aturan Multidimensi
Aturan yang mengacu pada banyak dimensi
Jika seorang pelanggan tinggal di kota besar dan menghasilkan lebih
dari $ 35.000, maka ia akan membeli telepon seluler
Aturan ini melibatkan 3 atribut: hidup, penghasilan, dan membeli.
Karena itu, ini adalah aturan multi-dimensi