RESUME KULIAH TAMU "MACHINE LEARNING"

Tema: "From Perceptron to Deep Neural Network"

Pembicara: Adi Chris (Machine Learning Engineer) Traveloka

What is machine learning?

machine learning is learning from data.

the ability to learn without being explicitly programmed.

essence of machine learning:

• Data
• Pattern
• No Formulaic Expression exist to solve the pattern

Pola yang dimiliki haruslah teratur. Ketika terdapat 3 pola ini, maka kemungkinan besar dapat menggunakan machine learning, dan lebih baik pakai machine learning.

Kegunaan Machine Learning:

-          Predict Revenue, Supply, Demand etc

-          Nerual Network

-          Speech recognition, comp vision, etc.

Manual vs Automation vs Machine

Manual : shopkeeper decide what music to recommend for every customer.

Automation : computer decides what music to recommend for every customer, using rules created by the shopkeeper.

Machine : computer decides what music to recommend to every customer, using rules that it discovers itself.

Components of Learning

• Learning algorithm. Jika learning algorithm bagus di training data, boleh dibilang cukup bagus untuk memprediksi data di masa depan.
• Data minimum yang dibutuhkan untuk Machine Learning tidak tentu, tapi yang pasti semakin banyak data semakin bagus machine learning, karena mereka menggunakan data masa lalu.

kenapa bisa dipakai?

machine learning di traveloka: prediksi gambar, ada gambar-gambar hotel yang di tag. dikerjakan juga caranya mengurutkan data-data. menggunakan learning tourette. satu tips: dari bidang machine learning, mungkin ada banyak metode, tapi jadi ekspert di satu topik saja sudah cukup.

what is deep learning?

neural network with deeper layers. multilayer perceptron with deeper layers.

Kenapa dan kenapa sekarang?

Ada dua tipe problem yang ditemui, linear dan non-linear. Kenapa linear? Karena bisa memberi satu garis lurus antara satu objek dengan yang lain. Kalau non-linear, tidak bisa memberi garis lurus untuk membatasi objek itu. Non-linear problem sekalipun, tetap digambar garis lurus, karena datanya digambar dalam representasi yang berbeda, jadi deep learning diubah dalam representasi data yang berbeda dan tidak semua algoritma deep learning yang bisa mengubah data menjadi seperti itu, jadi biasanya dipakai neural network juga.

Neural network disamakan bentuknya oleh sistem saraf manusia. Ide yang sama dari sistem saraf manusia diaplikasikan ke neural network. Perceptron adalah algoritma yang paling elegan. karena algoritma ini banyak menjadi dasar algoritma machine learning lain. Perceptron terdiri dari 3 bobot. intinya, dia mencari bobot yang paling optimal, jadi jika dikali x dia bisa mengeluarkan 1 atau 0. Anggap dia menjadi decision maker untuk pergi ke beberapa tempat. x1 adalah cuaca, x2 adalah teman, x3 adalah makanan, disini x1 bobotnya besar, x2 bobotnya sedang, x3 lebih kecil, jika perkalian jumlah bobot lebih besar dari threshold, dia akan mengeluarkan 1.