Pemelajaran terarah

Artikel ini membutuhkan rujukan tambahan agar kualitasnya dapat dipastikan. Mohon bantu kami mengembangkan artikel ini dengan cara menambahkan rujukan ke sumber tepercaya. Pernyataan tak bersumber bisa saja dipertentangkan dan dihapus. Cari sumber: "Pemelajaran terarah" – berita · surat kabar · buku · cendekiawan · JSTOR

Bagian dari seri
Pemelajaran mesin dan Penggalian Data
Paradigma Pemelajaran terawasi Pemelajaran tak terawasi Pemelajaran mesin daring Pemelajaran mesin luring Meta-learning Pemelajaran semi terawasi Pemelajaran terawasi mandiri Reinforcement learning Pemelajaran berbasis aturan Pemelajaran mesin kuantum
Masalah Klasifikasi Model generatif Regresi Kluster Reduksi dimensi Estimasi densitas Deteksi anomali Pembersihan data AutoML Aturan asosiasi Analisis semantik Rekayasa fitur Pemelajaran fitur
Pemelajaran diawasi (Klasifikasi • Regresi) Pohon keputusan Pemelajaran ensambel Bagging boosting Random forest k-NN Regresi linear Naive Bayes Jaringan saraf tiruan Regresi logistik Perseptron Support vector machine (SVM)
Klustering BIRCH CURE Hierarki k-means Fuzi
Reduksi dimensionalitas AKU
Jaringan saraf tiruan Pemelajaran dalam Jaringan saraf konvolusional
Diagnostik model Kurva belajar
l b s

Pembelajaran terarah (bahasa Inggris: supervised learning) adalah sebuah paradigma dalam pembelajaran mesin yang mana objek masukan (seperti vektor dari variabel prediktor) dan nilai keluaran yang diinginkan (disebut juga sebagai sinyal pengarah yang dilabeli manusia atau human-labeled supervisory signal) digunakan untuk melatih suatu model ^[1]. Data latih atau training data diolah sehingga memungkinkan untuk dapat membangun suatu fungsi yang dapat memetakan data baru ke nilai keluaran yang diharapkan. Situasi yang optimal akan memungkinkan algoritma yang digunakan untuk dengan tepat menentukan nilai keluaran pada contoh yang belum pernah dilihat sebelumnya. Untuk mencapai hal ini, diperlukan algoritma pembelajaran untuk dapat menggeneralisasi data latih ke situasi baru dengan cara yang "masuk akal" (lihat: kecenderungan induktif). Kualitas statistik dari suatu algoritma diukur melalui apa yang disebut sebagai kesalahan generalisasi (generalization error).

Pembelajaran terarah memungkinkan kita untuk mengumpulkan data atau menghasilkan keluaran data berdasarkan dari pengalaman sebelumnya. Hal ini dapat membantu mengoptimalkan kriteria kinerja berdasarkan pengalaman mesin. Pembelajaran terarah juga dapat membantu memecahkan berbagai jenis masalah komputasi dunia nyata.^[2]

Pada tahun 2006, Caruana, Rich ^[3] mempublikasikan hasil penelitiannya mengenai perbandingan secara empiris pemelajaran terarah dengan adanya Proyek Statlog di tahun 90-an. Mereka membandingakan beberapa pemelajaran terarah seperti Support Vector Machine (SVM), Jaringan Syaraf Tiruan (Neural Nets), regresi logistik, naive bayes, pemelajaran berbasis memori, Hutan Acak (Random Forest), Decision Tree (Pohon Keputusan), Bagged Trees, Boosted Trees dan Boosted Stumps. Mereka melakukan pengujian performa terhadap efek kalibrasi model melalui Platt Scaling dan Regresi Isotonik. Hal yang perlu diangkat dari kary mereka adalah penggunaan berbagai macam kriteria pengujian performa mesin pemelajar.

1. ^ Mohri, Mehryar; Rostamizadeh, Afshin; Talwalkar, Ameet (2012). Foundations of machine learning. Adaptive computation and machine learning. Cambridge, Mass. London: The MIT Press. ISBN 978-0-262-01825-8. 
2. ^ "Supervised vs Unsupervised Learning: Key Differences". www.guru99.com. Diakses tanggal 2020-11-19. 
3. ^ Caruana, Rich; Niculescu-Mizil, Alexandru (2006-06-25). "An empirical comparison of supervised learning algorithms". Proceedings of the 23rd international conference on Machine learning. ICML '06. Pittsburgh, Pennsylvania, USA: Association for Computing Machinery: 161–168. doi:10.1145/1143844.1143865. ISBN 978-1-59593-383-6.