MENGUPAS MACHINE LEARNING : MEMAHAMI REINFORCEMENT

LEARNING DAN DEEP LEARNIG

Cikal Ryan Rawani1), [22262011126]

1
Fakultas Teknik , Universitas Teknologi Bandung(Cikal Ryan Rawani 1)
email: cikalryan74@gmail.com

Abstract

Machine learning has experienced rapid development in recent decades. Two prominent fields
within machine learning are Reinforcement Learning (RL) and Deep Learning (DL). In this article,
we explain the fundamental concepts and applications of both. Reinforcement Learning involves
learning from interactions with the environment. Intelligent agents take actions based on the
environmental state and receive feedback in the form of rewards or penalties. The goal is to develop
policies that maximize long-term cumulative rewards. RL is used in robotics, games, and
recommendation systems. Deep Learning, on the other hand, utilizes artificial neural networks with
multiple layers (deep) to process complex data. Architectures such as Convolutional Neural
Networks (CNNs) and Recurrent Neural Networks (RNNs) have made significant advancements in
image recognition, natural language processing, and other domains.

Keywords: Machine Learning, Reinforcement, Deep Learning

1. PENDAHULUAN - Hadiah: Umpan balik dari lingkungan

Machine Learning adalah cabang ilmu
komputer yang memberikan kemampuan
kepada mesin untuk belajar dari data dan
membuat keputusan dengan minim intervensi
manusia. Dua sub-bidang yang menarik
dalam Machine Learning adalah
Reinforcement Learning dan Deep Learning.
2. REINFORCEMENT LEARNING
Reinforcement Learning (RL) adalah tipe
pembelajaran mesin di mana agen belajar
untuk membuat keputusan dengan cara
mencoba dan mengalami kesalahan. Agen
diberi hadiah (reward) atau hukuman
(punishment) berdasarkan aksi yang
diambil, yang memotivasi agen untuk
mengembangkan strategi yang optimal
dalam jangka panjang¹.
Konsep Dasar
- Agen: Entitas yang melakukan aksi
dalam lingkungan.
- Lingkungan: Dunia di mana agen
beroperasi.
yang menilai aksi agen.
- Kebijakan: Strategi yang digunakan
agen untuk memilih aksi.
Aplikasi
RL telah berhasil diterapkan dalam
berbagai bidang seperti permainan
(misalnya AlphaGo), robotika, optimasi
jaringan, dan banyak lagi.
3. DEEP LEARNING
Deep Learning (DL) adalah subset dari
Machine Learning yang menggunakan
jaringan saraf tiruan dengan banyak lapisan
(deep neural networks) untuk memodelkan
abstraksi tingkat tinggi dalam data².
Konsep Dasar
- Jaringan Saraf Tiruan (Neural Networks):
Model yang terinspirasi dari otak manusia.
- Lapisan Tersembunyi (Hidden Layers):
Lapisan di antara input dan output yang
membantu dalam mempelajari representasi
data.
- Fungsi Aktivasi: Fungsi non-linear yang
membantu jaringan saraf untuk mempelajari
kompleksitas data.
https://medium.com/analytics-vidhya/mac
Aplikasi
DL telah digunakan secara luas dalam
pengenalan gambar, pemrosesan bahasa
alami, dan kendaraan otonom.
4. KESIMPULAN
Reinforcement Learning dan Deep Learning
adalah dua area yang sangat penting dalam
Machine Learning. Keduanya memiliki
potensi yang besar untuk mengubah berbagai
industri dan memajukan bidang kecerdasan
buatan.
5. REFERENSI
Machine learning Vs Deep learning Vs
Reinforcement learning.
hinelearning-deeplearning-
reinforcementlearning-ed7b217861c5.
Deep Learning vs Reinforcement
Learning – Unite.AI.
https://www.unite.ai/deep-learning-vs-
reinforcement-learning/.
A Beginner’s Guide to Deep
Reinforcement Learning.
https://www.geeksforgeeks.org/a-
beginners-guide-to-deep-reinforcement-
learning/.
[1811.12560] An Introduction to Deep
Reinforcement Learning – arXiv.org.
https://arxiv.org/abs/1811.12560.