Machine Learning Adalah : Jenis, Contoh, Hingga Tools Yang Bisa Digunakan

Machine learning adalah dimulai dengan pengumpulan dan persiapan data yang akan digunakan sebagai data pelatihan. Semakin banyak dan semakin beragam data yang tersedia, semakin akurat model machine learning yang dapat dibangun. Nah tahukah kamu apa itu ML? Apa saja jenis-jenisnya? Dan bagaimana contoh penggunaan dari ML sendiri? Yuk, langsung saja simak artikel di bawah ini ya!

Machine Learning Adalah

Machine Learning (ML) adalah cabang penting dari Artificial intelligence (AI) yang memungkinkan komputer untuk belajar dari pengalaman dan data tanpa perlu diprogram secara eksplisit.

Konsep ini berfokus pada pengembangan algoritma yang dapat meningkatkan kinerjanya secara otomatis melalui pengalaman, menjadikan komputer mampu membuat keputusan atau prediksi berdasarkan data yang diberikan.

Berbeda dengan pemrograman tradisional yang mengharuskan komputer mengikuti instruksi yang telah ditentukan, ML mengharuskan komputer belajar dari contoh dan menemukan cara sendiri untuk menyelesaikan tugas berdasarkan data tersebut.

Contoh aplikasi ML dalam kehidupan sehari-hari termasuk sistem rekomendasi seperti yang digunakan oleh Amazon untuk merekomendasikan produk, pengenalan wajah, asisten suara, mobil tanpa pengemudi, dan analisis prediktif.

Teknologi ini memanfaatkan algoritma untuk mengidentifikasi pola dan fitur dalam data, memungkinkan peningkatan kinerja seiring dengan pemrosesan lebih banyak data.

Misalnya, untuk mengenali gambar kucing, sistem ML tidak diberi instruksi spesifik tentang ciri-ciri kucing, melainkan diajarkan dengan ribuan gambar kucing untuk mengenali pola dan fitur umum yang mendefinisikan kucing.

ML dibagi menjadi dua kategori utama: Classic machine learning dan Deep learning.

Classic machine learning, yang sering disebut sebagai “non-deep machine learning”, bergantung pada intervensi manusia untuk memilih fitur yang akan dipelajari oleh sistem, biasanya membutuhkan data yang lebih terstruktur.

Sementara itu, deep learning, sub-domain dari ML, memungkinkan sistem untuk belajar fitur secara otomatis dari data, menawarkan performa yang lebih baik dalam banyak kasus.

Machine learning adalah dimulai dengan pengumpulan dan persiapan data yang akan digunakan sebagai data pelatihan. Semakin banyak dan semakin beragam data yang tersedia, semakin akurat model machine learning yang dapat dibangun.

Setelah data disiapkan, pemrogram memilih model ML yang tepat untuk tugas yang dihadapi dan membiarkan model tersebut belajar dari data. Model tersebut kemudian dapat diadaptasi dan disempurnakan seiring waktu untuk meningkatkan kinerjanya. 

Aplikasi ML telah berkembang pesat sejak konsep ini pertama kali didefinisikan pada tahun 1950-an.

Dengan kemajuan dalam teknologi komputasi dan ketersediaan data yang besar (big data), ML kini menjadi kunci dalam memecahkan masalah di berbagai bidang, termasuk keuangan, visi komputer, biologi komputasi, otomotif, dan natural language processing.

Machine learning adalah contoh utama dari AI yang mampu meniru perilaku cerdas manusia, memungkinkan mesin untuk melakukan tugas-tugas kompleks dengan cara yang mirip dengan pemecahan masalah manusia.

Tujuan utama AI, dan oleh perluasan ML, adalah untuk menciptakan model komputer yang menampilkan “perilaku cerdas” seperti kemampuan untuk memahami language processing, mengenali objek visual, dan mengambil tindakan di dunia fisik.

Jenis Machine Learning

Seiring dengan perkembangan teknologi, ML telah berkembang menjadi beberapa jenis, masing-masing dengan pendekatan, kegunaan, dan kompleksitas yang berbeda.

Dalam pembahasan ini, kita akan mengeksplorasi berbagai jenis machine learning, diantaranya : 

Supervised machine learning

Supervised machine learning adalah cara mengajari komputer untuk mengenali pola atau membuat prediksi, mirip dengan bagaimana kita mengajari anak-anak.

Analoginya seperti kamu memiliki album foto berisi gambar burung beo dan burung gagak. Jika kamu ingin komputer kamu bisa membedakan antara kedua jenis burung tersebut dari foto-foto baru yang belum pernah dilihat sebelumnya, kamu menggunakan supervised machine learning.

Pertama-tama, kamu memberi komputer banyak contoh gambar burung beo dan gagak yang sudah “diberi label” – artinya, kamu sudah memberi tahu komputer mana yang burung beo dan mana yang burung gagak.

Komputer akan mempelajari ciri-ciri khas dari masing-masing jenis burung, seperti warna, bentuk mata, ukuran, dan lain-lain dari gambar-gambar tersebut.

Setelah “belajar” dari gambar berlabel ini, komputer kemudian diuji dengan gambar-gambar baru.

Tujuannya adalah untuk komputer bisa mengenali dan memprediksi jenis burung dalam gambar baru tersebut dengan benar, berdasarkan apa yang telah dipelajarinya.

Ini mirip dengan ujian sekolah, di mana siswa diberi pertanyaan baru untuk melihat apakah mereka benar-benar mengerti pelajaran. Ada dua jenis utama masalah yang bisa dipecahkan dengan teknik ini:

• Klasifikasi: Ini seperti menjawab pertanyaan ya atau tidak. Misalnya, apakah email ini spam atau bukan? Apakah foto ini menampilkan burung beo atau burung gagak? Kita menggunakan algoritma tertentu untuk mengajarkan komputer cara membuat keputusan ini.
• Regresi: Ini lebih seperti membuat prediksi numerik. Misalnya, berapa suhu besok? Atau berapa harga rumah berdasarkan lokasi dan ukurannya? Dalam kasus ini, komputer belajar dari data masa lalu untuk memprediksi angka atau nilai untuk situasi baru.

Unsupervised machine learning

Unsupervised machine learning adalah seperti memberikan tumpukan foto pada komputer dan memintanya untuk mengurutkannya tanpa memberi tahu apa yang harus dicari.

Dalam proses ini, komputer mencoba mencari pola, seperti warna, bentuk, atau ciri lain yang serupa, untuk mengelompokkan foto-foto tersebut sendiri.

Ibaratnya kamu memiliki kotak berisi berbagai jenis buah dan kamu minta seorang teman (dalam hal ini, komputer) untuk mengurutkannya tanpa memberi tahu mereka apa itu buah.

Komputer akan melihat berbagai faktor, seperti warna dan bentuk, untuk memutuskan cara terbaik mengelompokkan buah-buah tersebut. Dalam machine learning tanpa pengawasan, ada dua cara utama komputer ‘belajar’ untuk mengurutkan atau mengelompokkan data:

• Clustering (Pengelompokan): Ini seperti mengelompokkan objek berdasarkan kesamaan. Misalnya, mengelompokkan semua foto yang serupa berdasarkan warna atau bentuk. Jadi, jika komputer melihat banyak gambar buah dengan warna merah, ia mungkin menempatkan apel dan tomat dalam satu grup, meskipun keduanya adalah jenis buah yang sangat berbeda. Ini berguna, misalnya, untuk mengelompokkan pelanggan toko online berdasarkan jenis produk yang sering mereka beli, untuk menawarkan rekomendasi produk yang lebih personal.
• Asosiasi: Ini tentang menemukan hubungan atau pola antara berbagai objek. Misalnya, komputer mungkin memperhatikan bahwa setiap kali seseorang membeli pasta gigi, mereka juga membeli sikat gigi. Menggunakan ini, toko bisa merancang promosi atau tawaran khusus untuk meningkatkan penjualan.

Algoritma khusus, seperti K-Means Clustering atau Apriori untuk aturan asosiasi, membantu komputer dalam mengelompokkan atau menemukan pola ini tanpa perlu diberi tahu secara spesifik apa yang harus dicari.

Ini membuat unsupervised learning menjadi alat yang sangat berharga untuk mengeksplorasi dan memahami kumpulan data besar di mana kita mungkin tidak tahu apa yang kita cari dari awal.

Semi-supervised learning

Semi-supervised learning seperti kombinasi antara belajar di kelas bersama guru dan belajar mandiri di rumah. Bayangkan kamu seorang siswa.

Saat di kelas, guru memberi kamu arahan dan contoh yang jelas (ini seperti supervised learning, di mana komputer belajar dari data yang sudah diberi label atau jawaban yang benar).

Kemudian, di rumah, kamu mencoba memahami materi lebih lanjut dengan mengerjakan tugas atau membaca buku sendiri tanpa bantuan langsung dari guru (mirip dengan unsupervised learning, di mana komputer mencoba menemukan pola atau kelompok dalam data yang tidak diberi label).

Dalam konteks machine learning, semi-supervised menggunakan campuran dari kedua metode ini.

Komputer diberi sejumlah data yang telah diberi label, yang seperti arahan dari guru, dan juga sejumlah data tanpa label, yang harus dijelajahi sendiri, seperti tugas rumah.

Dengan cara ini, komputer dapat belajar dan membuat prediksi yang lebih baik dengan menggunakan informasi dari kedua jenis data tersebut.

Metode semi-supervised ini sangat berguna karena sering kali mendapatkan atau membuat label untuk data sangat mahal atau memakan waktu, tetapi masih banyak data tanpa label yang tersedia yang dapat membantu mesin belajar.

Jadi, dengan menggabungkan sedikit data berlabel dengan banyak data tanpa label, komputer bisa belajar lebih efisien dan efektif. Ini seperti siswa yang menggunakan pelajaran dari guru di kelas untuk memandu belajar mandiri mereka di rumah, membuat proses belajar lebih lengkap.

Reinforcement learning

Reinforcement learning mirip dengan cara kita belajar dari kesalahan dan keberhasilan dalam kehidupan sehari-hari. Hal ini seperti saat kamu bermain video game baru.

Di awal, kamu mungkin tidak tahu cara mendapatkan skor tinggi atau menghindari rintangan.

Namun, setiap kali kamu mencoba sesuatu yang berhasil, game tersebut memberi kamu poin atau hadiah dan setiap kali kamu gagal, kamu mungkin kehilangan nyawa atau harus memulai dari checkpoint.

Kamu belajar dari setiap kesalahan dan keberhasilan, secara bertahap memperbaiki cara bermain kamu untuk mendapatkan skor lebih tinggi. Dalam reinforcement learning, komputer atau AI belajar dengan cara yang sama.

AI mengamati lingkungannya, mencoba berbagai tindakan, dan belajar dari hasilnya. Jika tindakan yang dipilih mengarah pada hasil yang baik, AI mendapatkan “hadiah” atau poin positif.

Jika tindakan tersebut mengarah pada hasil yang buruk, AI menerima “hukuman” atau poin negatif. AI kemudian menggunakan informasi ini untuk membuat keputusan yang lebih baik di masa depan. Ada dua jenis utama dalam reinforcement learning:

• Reinforcement learning Positif: Jenis ini seperti mendapatkan poin tambahan untuk melakukan sesuatu dengan benar. Tujuannya adalah untuk mendorong perilaku yang mengarah pada hasil yang baik atau sukses.
• Reinforcement learning Negatif: Jenis ini kebalikan dari penguatan positif. Daripada mendapatkan poin, AI berusaha menghindari situasi yang mengarah pada “hukuman” atau kehilangan poin. Ini mendorong AI untuk menghindari membuat kesalahan.

Reinforcement learning digunakan dalam berbagai situasi, dari permainan komputer hingga robotika dan sistem otomatis yang membutuhkan keputusan yang kompleks.

Tujuan utamanya adalah untuk membuat AI yang dapat belajar dan beradaptasi dengan lingkungannya sendiri, meningkatkan kinerjanya berdasarkan trial and error, sama seperti kita belajar dari pengalaman dalam kehidupan nyata.

Contoh Penggunaan Machine Learning

Berikut ini contoh penggunaan ML di berbagai macam bidang, antara lain :

Industri kesehatan

Di industri kesehatan, machine learning adalah telah menjadi salah satu inovasi terdepan, membawa kemajuan signifikan dalam cara kita memantau dan merawat kesehatan.

Dengan bantuan perangkat yang dapat dikenakan seperti jam tangan pintar dan pelacak kebugaran, kita sekarang dapat mengumpulkan data kesehatan secara real-time.

Data ini bukan hanya tentang langkah-langkah atau detak jantung, tetapi juga tentang pola tidur, aktivitas fisik, dan bahkan kadar oksigen dalam darah, memberikan gambaran lengkap tentang kesehatan seseorang.

Machine learning adalah membantu dokter dan peneliti dalam menganalisis data kesehatan ini untuk mengidentifikasi tren kesehatan dan potensi masalah sebelum mereka menjadi serius, memungkinkan intervensi lebih awal dan pengobatan yang lebih efektif.

Lebih jauh lagi, ML membantu dalam dua area kunci:

• Penemuan Obat: Proses penemuan obat, yang biasanya memakan waktu lama dan biaya tinggi, kini dapat dipercepat dengan machine learning. Contohnya, Pfizer bekerja sama dengan IBM Watson untuk menganalisis data dalam jumlah besar, dari jurnal penelitian hingga catatan klinis, untuk menemukan obat baru dengan lebih cepat.
• Perawatan yang Dipersonalisasi: Dengan memanfaatkan ML, perusahaan farmasi sekarang dapat mengembangkan terapi yang disesuaikan berdasarkan genetika pasien. Sebagai contoh, Genentech berkolaborasi dengan GNS Healthcare untuk menggunakan ML dalam mengidentifikasi penanda genetik yang menentukan respons pasien terhadap obat tertentu, memungkinkan pengembangan terapi yang lebih ditargetkan dan efektif.

Sektor keuangan

Machine learning adalah telah mengubah sektor keuangan dengan memberikan alat baru untuk deteksi penipuan dan analisis data yang lebih dalam. Bank dan lembaga keuangan sekarang dapat:

• Mendeteksi Penipuan: Dengan ML, sistem keamanan siber menjadi lebih cerdas dalam mengidentifikasi dan menetralisir aktivitas penipuan sebelum menimbulkan kerugian. Citibank, misalnya, bermitra dengan Feedzai, sebuah perusahaan teknologi yang spesialisasi dalam deteksi penipuan, untuk meningkatkan keamanan transaksi online dan tatap muka mereka.
• Analisis Investasi: Algoritma ML menganalisis data pasar dalam jumlah besar untuk mengidentifikasi peluang investasi, membantu investor membuat keputusan yang lebih tepat waktu dan informasi. PayPal menggunakan ML untuk membedakan transaksi yang sah dari yang palsu, meningkatkan kepercayaan dan keamanan bagi pembeli dan penjual.

Sektor ritel

Dalam sektor ritel, machine learning (ML) telah menjadi alat penting untuk meningkatkan pengalaman belanja pelanggan dan memaksimalkan keuntungan.

Ritelers kini dapat merekomendasikan produk dengan cara yang lebih intuitif dan personal berkat ML.

Misalnya, ketika kamu berbelanja online di Amazon, produk yang disarankan sesuai dengan minat kamu didasarkan pada analisis pembelian sebelumnya, pencarian, dan interaksi online kamu menggunakan algoritme ML yang canggih.

Ini membuat pengalaman belanja menjadi lebih relevan dan menyenangkan bagi pelanggan.

Netflix dan YouTube menggunakan teknik serupa untuk menyarankan film atau video. Sistem rekomendasi mereka menganalisis preferensi penonton berdasarkan apa yang telah ditonton sebelumnya untuk menyarankan konten baru yang mungkin disukai.

Selain itu, ritelers juga memanfaatkan chatbots cerdas yang didukung oleh ML, Natural Language Processing (NLP), dan Natural Language Understanding  (NLU) untuk memberikan layanan pelanggan yang responsif dan otomatis, menjawab pertanyaan dan membantu pelanggan dalam menemukan produk yang mereka cari.

Travel industry

Machine learning adalah telah merevolusi industri perjalanan dengan memperkenalkan solusi cerdas untuk perencanaan perjalanan, pemesanan, dan layanan pelanggan.

Uber, misalnya, menggunakan machine learning untuk mengelola penetapan harga dinamis melalui model ‘Geosurge’.

Dengan memantau pola lalu lintas, penawaran, dan permintaan secara real-time, Uber dapat menyesuaikan harga perjalanan untuk memastikan ketersediaan saat permintaan tinggi, seperti selama jam sibuk atau di area ramai.

Industri perjalanan juga menggunakan ML untuk menganalisis ulasan dan feedback pelanggan. Melalui analisis sentimen, komentar dapat dikategorikan sebagai positif atau negatif, membantu perusahaan dalam memantau kepuasan pelanggan dan meningkatkan layanan mereka.

Social media

Machine learning adalah telah menjadi fondasi bagi platform media sosial untuk menangani jumlah data pengguna yang besar, mempersonalisasi pengalaman pengguna, dan meningkatkan keterlibatan.

Facebook, contohnya, menggunakan teknologi pengenalan gambar untuk mengidentifikasi wajah teman dalam foto dan menawarkan saran penandaan otomatis.

Ini memudahkan pengguna dalam berbagi kenangan dengan teman-teman mereka. LinkedIn, di sisi lain, memanfaatkan ML untuk memberikan rekomendasi karir, koneksi, dan keahlian yang relevan, membantu pengguna dalam mengembangkan jaringan profesional mereka dan menemukan peluang kerja baru.

Machine Learning Tools

Dalam dunia machine learning yang terus berkembang, memilih alat yang tepat adalah kunci untuk mengubah konsep kompleks menjadi solusi praktis.

Dari bahasa pemrograman yang intuitif hingga library yang kaya fitur, alat-alat ini membentuk landasan untuk mengembangkan dan menerapkan algoritma machine learning.

Berikut alat-alat machine learning populer, yang masing-masing menawarkan fitur unik dan spesialisasi untuk mendukung berbagai aspek dalam machine learning : 

Python 

Python telah menjadi salah satu bahasa pemrograman terdepan untuk machine learning, berkat kesederhanaan sintaks dan keterbacaannya yang membuatnya sangat aksesibel bagi pemula.

Keunggulan Python terletak pada ekosistemnya yang luas, yang mencakup library khusus yang mempermudah berbagai aspek machine learning. 

• NumPy dan Pandas: Kedua library ini adalah dasar untuk manipulasi dan analisis data. NumPy menyediakan dukungan untuk array dan matriks, sementara Pandas menawarkan struktur data dan operasi untuk tabel numerik dan waktu yang mudah dioperasikan.
• Matplotlib: Untuk visualisasi data, Matplotlib adalah alat yang sangat berguna yang memungkinkan pembuatan plot dan grafik dengan kode yang relatif sederhana.
• Scikit-learn: Ini adalah library yang sangat populer yang menyediakan akses mudah ke berbagai algoritma machine learning adalah untuk klasifikasi, regresi, pengelompokan, dan pengurangan dimensi.
• TensorFlow dan PyTorch: Keduanya adalah framework yang memungkinkan pengembangan dan training neural networks untuk deep learning dengan dukungan yang luas untuk operasi yang dioptimalkan pada CPU dan GPU.

Baca Juga : Cara Install Python di Hosting

R 

R secara tradisional dikenal sebagai bahasa pemrograman yang kuat untuk analisis statistik dan visualisasi data, dan telah menemukan aplikasinya dalam machine learning.

Keunggulan R terletak pada koleksi package yang luas yang memudahkan implementasi berbagai teknik machine learning.

• caret dan mlr: Kedua package ini menyediakan interface yang konsisten untuk pelatihan dan model prediksi, mendukung berbagai algoritma machine learning.
• randomForest: Merupakan implementasi dari salah satu algoritma machine learning paling populer dan kuat, yang sangat efektif untuk klasifikasi dan regresi.

R sangat cocok untuk peneliti dan analis data yang membutuhkan alat canggih untuk analisis statistik kompleks dan visualisasi data dalam konteks machine learning.

TensorFlow

sumber terbuka yang memimpin dalam deep learning dan komputasi numerik.

Dengan mendukung operasi baik di CPU maupun GPU, TensorFlow menawarkan fleksibilitas dan kecepatan yang diperlukan untuk penelitian machine learning dan produksi skala besar.

• Desain Modular: TensorFlow memungkinkan pengembang untuk membuat komponen yang dapat dibagi dan digunakan kembali, memfasilitasi pembangunan dan pelatihan model yang kompleks dengan lebih efisien.
• Skalabilitas: Dirancang untuk bekerja pada skala yang berbeda, dari penelitian prototipe kecil hingga sistem produksi besar yang di-deploy di ratusan server.
• Komunitas yang Aktif: Sebagai salah satu alat machine learning paling populer, TensorFlow memiliki komunitas pengembang dan peneliti yang besar dan aktif, yang terus mendorong batas-batas apa yang dapat dicapai dengan deep learning.

Scikit-learn

Scikit-learn adalah salah satu library Python yang paling terkenal dan banyak digunakan dalam machine learning.

Keunggulan utama dari Scikit-learn terletak pada kemudahannya dalam menyediakan akses ke berbagai algoritma machine learning untuk machine learning yang supervised dan unsupervised melalui Application Programming Interface (API) yang bersih dan konsisten.

Dengan dokumentasi yang sangat lengkap dan komunitas pengguna yang besar, Scikit-learn menjadi pilihan yang ideal untuk penambangan data dan analisis data yang kompleks.

Scikit-learn terintegrasi dengan baik dengan ekosistem ilmiah Python, termasuk library seperti NumPy untuk operasi matematika dan Pandas untuk manipulasi data. Ini memungkinkan peneliti dan pengembang untuk melakukan pre-processing data, feature selection, serta implementasi dan evaluasi model machine learning adalah dengan mudah dan efisien.

Dari klasifikasi dan regresi hingga pengelompokan dan pengurangan dimensi, Scikit-learn menyediakan alat yang dibutuhkan untuk menangani berbagai tantangan dalam machine learning.

Keras

Keras adalah API tingkat tinggi untuk membangun dan melatih model neural networks yang ditulis dalam Python.

Dirancang untuk memungkinkan eksperimen cepat dan intuitif, Keras menjembatani kesenjangan bagi mereka yang baru mengenal deep learning, memberikan cara yang lebih sederhana dan lebih mudah diakses untuk memanfaatkan kekuatan TensorFlow, CNTK, atau Theano. Dengan Keras, pengembang dapat fokus pada ide-ide mereka daripada terjebak pada kompleksitas implementasi.

Ini menawarkan komponen modular, configurable, dan dapat digunakan kembali, sehingga memudahkan untuk merakit neural networks yang kompleks.

Keras tidak hanya populer di kalangan pemula tetapi juga di kalangan peneliti yang membutuhkan platform yang mendukung eksperimen cepat dan iterasi desain model.

PyTorch

PyTorch adalah library machine learning sumber terbuka yang menawarkan fleksibilitas dan kecepatan yang tak tertandingi dalam penelitian dan pengembangan.

Berbasis pada library Torch, PyTorch menyediakan fitur utama seperti grafik komputasi dinamis yang memungkinkan perubahan model on-the-fly, yang sangat berharga dalam penelitian dan pengembangan model yang kompleks.

PyTorch telah mendapatkan popularitas yang signifikan di kalangan komunitas penelitian akademis dan industri untuk aplikasi yang beragam, mulai dari visi komputer hingga natural language processing, berkat pendekatannya yang intuitif dan efisien dalam membangun model deep learning.

Fitur seperti autograd yang memungkinkan diferensiasi otomatis sangat memudahkan dalam eksperimen dan pengembangan model yang kompleks.

Setiap alat dalam machine learning adalah memiliki kekuatan dan fokusnya sendiri, dari Scikit-learn yang ideal untuk analisis data dan machine learning klasik, hingga Keras dan PyTorch yang menawarkan platform yang lebih eksperimental dan fleksibel untuk deep learning.

Pilihan antara alat ini sering kali bergantung pada kebutuhan spesifik proyek, pengalaman pengembang, dan jenis masalah yang ingin dipecahkan.

AI vs Machine Learning vs Deep Learning

Istilah Artificial Intelligence (AI), Machine Learning (Machine Learning), dan Deep Learning (Deep Learning) sering kali digunakan, terkadang secara bergantian, yang bisa menimbulkan kebingungan tentang apa sebenarnya perbedaan antara ketiganya.

Mari kita jelajahi konsep-konsep ini untuk memahami perbedaan utama dan hubungan antara AI, machine learning, dan deep learning.

Artificial Intelligence (AI)

Artificial intelligence adalah bidang ilmu komputer yang bertujuan untuk menciptakan sistem yang dapat melakukan tugas-tugas yang biasanya memerlukan kecerdasan manusia.

Ini termasuk pemecahan masalah, pengambilan keputusan, pengenalan bahasa, dan pengenalan visual. AI adalah istilah payung yang mencakup segala sesuatu dari sistem sederhana yang dapat bermain catur hingga sistem kompleks yang dapat, misalnya, mengemudi mobil secara otomatis.

AI dibagi menjadi dua kategori utama: AI sempit (Narrow AI), yang dirancang untuk melakukan tugas spesifik, dan AI umum (AGI), yang memiliki kemampuan dan kesadaran yang mirip dengan manusia.

Machine Learning

Machine learning adalah cabang dari AI yang berfokus pada pengembangan algoritma yang memungkinkan mesin untuk belajar dari dan membuat prediksi atau keputusan berdasarkan data.

Berbeda dengan pemrograman tradisional, di mana kita harus secara eksplisit menulis instruksi untuk setiap keputusan yang harus dibuat oleh komputer, machine learning adalah memungkinkan sistem untuk belajar dan beradaptasi dengan pengalaman tanpa diprogram secara spesifik untuk setiap tugas.

Machine learning adalah dapat dibagi lagi menjadi machine learning yang supervised, unsupervised, dan semi-supervised, masing-masing dengan pendekatan yang berbeda terhadap learning dari data.

Deep Learning

Deep learning adalah sub-bidang dari machine learning yang menggunakan Artificial neural networks dengan banyak lapisan (deep neural networks) untuk meniru cara kerja otak manusia dalam memproses data dan membuat pola untuk pengambilan keputusan.

Deep learning sangat efektif dalam mengidentifikasi pola dalam data yang sangat besar dan kompleks, dan telah menjadi kunci di balik kemajuan terbaru dalam pengenalan suara, pengenalan visual, dan natural language processing.

Teknologi ini memungkinkan model untuk secara otomatis dan efisien belajar fitur-fitur tingkat tinggi dari data tanpa perlu intervensi manual atau ekstraksi fitur manual.