TIPE MACHINE

LEARNING
ADA BEBERAPA TIPE YANG
MEMBEDAKAN ML ATAU
PEMBELAJARAN MESIN TIPE /
SATU DENGAN LAINNYA. JENIS
MACHINE
PERBEDAAN INI
LEARNING
DIBEDAKAN
BERDASARKAN DENGAN
ALGORITMANYA.
 1. SUPERVISED LEARNING

Supervised learning ini Selain itu, supervised

mempunyai algoritma dengan
menggunakan data yang sudah
terlabel. Seperti input yang
mana outputnya bisa lebih mudah
untuk diketahui.
learning pun mempunyai
algoritma yang mampu merubah
modelnya sendiri agar bisa
disesuaikan dengan hasil yang
diinginkan.
PENERAPAN ALGORITMA SUPERVISED
LEARNING
k-NEAREST NEIGHBORS (kNN)
SUPPORT VECTOR MACHINE
NEURAL NETWORK
LINEAR DAN LOGISTICS REGRESSION
RANDOM FORESTS
DECISION TREES
 2. SEMI SUPERVISED LEARNING
Metode ini berbeda dengan jenis
sebelumnya. Untuk jenis ini,
umumnya akan menggunakan
data yang berlabel dan tidak untuk
melatih algoritma untuk bisa
belajar sendiri.
Selain itu, aplikasi ini juga umumnya
digunakan untuk data dengan label jumlah
yang lebih sedikit dan juga data tanpa label
dalam jumlah yang lebih banyak. Untuk
jenis semi ini, biasanya digunakan untuk
memproses identifikasi wajah seseorang
dengan menggunakan teknologi kamera
webcam atau kamera smartphone.
 PENERAPAN ALGORITMA SEMI SUPERVISED
LEARNING
Algoritma ini merupakan kombinasi dari Supervised
Learning dan Unsupervised Learning
Contoh penerapan algoritma : DBNs (Deep Belief
Networks)
 3. UNSUPERVISED LEARNING

Jenis ini adalah kebalikan dari Tujuannya adalah agar bisa

jenis supervised learning. Dalam mengeksplorasi data dan juga
metode ini, data yang dimanfaatkan
menemukan struktur yang mana
atau dikelola tidak mempunyai label
tertentu. Sehingga, sistem tidak akan
di dalamnya sering digunakan
mengetahui jawaban ataupun output untuk data transaksional.
secara benar.
PENERAPAN ALGORITMA UNSUPERVISED
LEARNING
K-MEANS CLUSTERING
HIERARCHICAL CLUSTERING
PCA
ASSOCIATION RULE LEARNING
 4. REINFORCEMENT LEARNING
Jenis ini umumnya digunakan untuk
pembuatan game, teknologi navigasi,
sampai robotik. Algoritma di dalamnya
akan mampu menemukan aksi ataupun
perlakuan, sehingga akan mampu
menampilkan output terbaik dari sisi hasil
uji coba yang sudah dilakukan berulang
kali.
Didalamnya terdapat tiga komponen, yaitu
agen atau pembuat keputusan, lingkungan,
dan juga aksi. Fungsi dari adanya
jenis aplikasi ini adalah agar bisa
menentukan aksi apa saja yang mampu
memaksimalkan output dalam kurun waktu
tertentu yang memang sudah disepakati.
PENERAPAN ALGORITMA REINFORCEMENT
LEARNING
Q-LEARNING
STATE-ACTION-REWARD-STATE-ACTION (SARSA)
DEEP Q NETWORK (DQN)
DEEP DETERMINISTIC POLICY GRADIENT (DDPG)
ACTOR CRITIC
MONTE CARLO TREE SEARCH (MCTS)
 TUGAS :
CARI PENGERTIAN DARI MASING-MASING
PENERAPAN KE-4 ALGORITMA MACHINE
LEARNING
DAN TULIS SUMBER DATANYA
HTTPS://PADLET.COM/TRACYMARSELA10/
GX73RW8WX2T76Z70