Pembahasan dari soal GSLC 2

1. Apa yang dimaksud Supervised Learning, Unsupervised Learning dan Reinforcement Learning ? Berikan contoh masing-masing.

2. Apa yang dimaksud dengan Decision Tree dan berikan contohnya.

Jawab :

1. Supervised Learning adalah suatu model pembelajaran dimana antara input yang diuji dan output yang diharapkan sudah saling berkaitan dengan pasti, berdasarkan data pengalaman yang sudah ada sebelumnya. Dengan kata lain, jika kita memaskukkan suatu input, maka sebelum dieksekusi untuk diuji, kita telah mengetahui output apa yang diharapkan berdasarkan pengalamana yang telah ada. Pengalaman yang dimaksud disini adalah kumpulan data percobaan dengan pola input dan output yang hampir atau bahkan sama dengan apa yang akan diujikan. Dalam Supervised Learning, antara input dan output bisa dikatakan berpasangan. .
Metode ini umumnya berjalan dengan cepat dan akurat, dan memiliki kemampuan “generalize“ yaitu kemampuan untuk menarik kesimpulan dengan tepat ketika suatu input yang berbeda diujikan ke sistem tanpa memiliki data output yang diharapkan, atau input yang dimasukkan belum pernah ditemui.
Contoh penggunaannya adalah pada hebbian (hebb rule), perceptron, adaline, boltzman, hapfield, dan backpropagation.

Unsupervised Learning merupakan metode pembelajaran dimana ketika kita menguji suatu input, kita belum memiliki data mengenai output yang diharapkan sama sekali. Dengan kata lain, kita meminta sistem untuk melakukan suatu hal yang sama sekali kita tidak ketahui hasilnya sebelumnya. Jika digambarkan dengan tree, model dari unsupervised learning, ukurannya akan lebih besar dan mendalam dibandingkan dengan supervised learning sebab supervised learning hanya mencoba mencari hubungan antara dua himpunan percobaan. Dalam unsupervised learning, tingkat kesulitan dari pembelajaran masalah meningkat secara eksponensial seiring dengan jumlah langkah antara 2 himpunan. Selain itu, unsupervised learning umum digunakan untuk mengelompokkan input ke dalam kelas-kelas berdasarkan properti/atribut dari inputan tersebut.
2 macam pendekatan pada unsupervised learning yaitu dengan mengajarkan sistem bukan dengan memberi klasifikasi secara eksplisit namun dengan sistem penilaian positif untuk mengindikasikan suatu keberhasilan, dan sebaliknya untuk suatu kegagalan. Seolah-olah mengajarkan anak kecil mana yang benar dan mana yang tidak tanpa memberi aturan yang eksplisit kepada si anak. Pendekatan ini lebih sukses pada penerapan di dunia nyata.Pendekatan lainnya dikenal sebagai clustering, yang bertujuan untuk menemukan persamaan yang ada dari data sebelumnya (input sebelumnya) dan dimasukkan ke dalam kelas-kelas. Contoh penggunaannya adalah pada metode competitive, hebbian, kohonen, Learning Vector Quantization, dan neocognitron.

Recognition Learning adalah metode pembelajaran dengan mempertimbangkan langkah mana yang akan diambil ketika suatu input diberi agar menghasilkan output yang lebih baik. Sistem tidak akan diberi tahu langkah apa yang harus diambil, namun lebih kepada aksi mana yang lebih menguntungkan. Hasil yang diperoleh sistem dengan pembelajaran ini akan mempengaruhi hasil yang akan diperoleh selanjutnya ketika suatu input diberikan. Pembelajaran ini memiliki sifat exploitation yaitu mempertimbangkan langkah terbaik berdasarkan pengalaman yang sudah ada, dan exploration yaitu mencoba langkah baru untuk mencari tahu apakah langkah tersebut mampu membawa hasil yang optimal.
Ada 4 sub-elemen dari Recognition Learning, yaitu :
– Policy (“Apa yang harus dilakukan sekarang ?”)
– Fungsi Reward (“Seberapa bagus aksi ini ?”)
– Fungsi Value (“Seberapa bagus tahap ini ?”)
– Dinamika Lingkungan (“Apa yang terjadi jika saya mengambil aksi ini ?”)

2. Decision Tree adalah representasi yang mudah dalam mengelompokkan contoh-contoh yang disediakan, dimana tiap node yang bukan leaf diberi tanda sebagai sebuah fitur inputan. Secara sederhana, tiap kali mencoba mengambil keputusan, sistem diarahkan pada data input yang tersedia dengan label yang spesifik, dan setelah mengambil aksi, sistem bisa saja sudah memperoleh hasil atau tiba pada cabang pemilihan lainnya dengan fitur spesifik yang berhubungan dengan aksi yang telah diambil.
Contohnya seperti pada gambar berikut :

Length, Thread, dan Author adalah fitur yang dimaksud, leaf adalah output yang diperoleh.

Referensi :
> www.astro.caltech.edu/~george/aybi199/Donalek_Classif.pdf
> users.ics.aalto.fi/harri/thesis/valpola_thesis/node34.html
> www.aihorizon.com/essays/generalai/supervised_unsupervised_machine_learning.htm
> ungkapkandengankata.wordpress.com/2011/06/19/supervised-dan-unsupervised-learning/
> lecturer.eepis-its.edu/~entin/Machine%20Learning/Minggu%2012/Minggu%2012%20Reinforcement%20Learning.pdf
> sonoku.com/education/lectures-education/reinforcement-learning-intro/
> artint.info/html/ArtInt_177.html#dt-example