Pembelajaran Mesin Klasik

Selamat datang di Pelajaran 6 Konsep Kecerdasan Buatan (COMP5511). Sesi ini berfungsi sebagai jembatan dari landasan teoretis ke implementasi algoritmik yang praktis. Meskipun AI modern sering menekankan Deep Learning, Pembelajaran Mesin Klasik tetap menjadi landasan analitik data. Algoritma ini menawarkan kemampuan interpretasi dan efisiensi komputasi, menjadikannya pilihan utama untuk data terstruktur dan analitik standar industri.

1. Pembelajaran Terarah

Paradigma ini melibatkan pelatihan model pada dataset berlabel, di mana algoritma mempelajari hubungan antara fitur input dan output target tertentu. Hal ini memungkinkan model untuk memprediksi hasil untuk data baru yang belum pernah dilihat secara akurat.

Pohon Keputusan: Model yang membagi data menjadi cabang-cabang untuk mencapai klasifikasi atau keputusan numerik.
Mesin Vektor Pendukung (SVM): Algoritma yang menemukan hiperbidang optimal untuk memaksimalkan margin antara kelas data yang berbeda.

2. Pembelajaran Tanpa Terarah

Algoritma ini menganalisis data tanpa label untuk menemukan pola, struktur, atau pengelompokan tersembunyi tanpa panduan sebelumnya tentang apa outputnya. Teknik utama meliputi:

Klasterisasi K-rata-rata: Mengelompokkan titik data ke dalam K kelompok berbeda berdasarkan kesamaan fitur.
Analisis Komponen Utama (PCA): Sebuah teknik reduksi dimensi yang digunakan untuk menyederhanakan data kompleks sambil mempertahankan varians esensialnya.

Kemampuan Interpretasi vs. Kompleksitas

Keuntungan signifikan dari pembelajaran mesin klasik adalah transparansinya. Berbeda dengan model deep learning "kotak hitam", algoritma seperti Pohon Keputusan memungkinkan manusia untuk melacak logika pasti di balik prediksi, yang sangat penting untuk bidang berisiko tinggi seperti kedokteran atau keuangan.

Alur implementasi Scikit-learn