Categories
Uncategorized

Machine Learning

Machine Learning

Secara kasar, Machine Learning (AA, atau Machine Learning, untuk namanya dalam bahasa Inggris) adalah cabang dari Artificial Intelligence yang bertujuan untuk mengembangkan teknik yang memungkinkan komputer untuk belajar. Lebih khusus lagi, ini adalah tentang membuat algoritma yang mampu menggeneralisasi perilaku dan mengenali pola dari informasi yang diberikan dalam bentuk contoh. Oleh karena itu, ini adalah proses induksi pengetahuan, yaitu metode yang memungkinkan memperoleh dengan generalisasi pernyataan umum dari pernyataan yang menggambarkan kasus-kasus tertentu.
Ketika semua kasus spesifik telah diamati, induksi dianggap lengkap, sehingga generalisasinya dianggap valid. Namun, dalam banyak kasus, tidak mungkin untuk mendapatkan induksi lengkap, sehingga pernyataan yang mereka miliki tunduk pada tingkat ketidakpastian tertentu dan, akibatnya, tidak dapat dianggap sebagai skema inferensi yang valid secara formal juga tidak dapat dibenarkan. secara empiris. Dalam banyak kesempatan, bidang aksi pembelajaran mesin tumpang tindih dengan Data Mining, karena kedua disiplin ini berfokus pada analisis data, tetapi pembelajaran mesin lebih berfokus pada studi tentang kompleksitas komputasi masalah. dengan maksud membuatnya layak dari sudut pandang praktis, bukan hanya teori.

Pada tingkat yang paling dasar, kita dapat mengatakan bahwa salah satu tugas AA adalah mencoba mengekstrak pengetahuan tentang beberapa properti yang tidak dapat diamati dari suatu objek berdasarkan properti yang diamati dari objek yang sama (atau bahkan properti yang diamati dari objek serupa lainnya). . Atau, dengan kata yang lebih sederhana, prediksi perilaku masa depan berdasarkan apa yang terjadi di masa lalu. Contoh terkini adalah, misalnya, memprediksi apakah produk tertentu akan menarik bagi pelanggan berdasarkan evaluasi oleh pelanggan yang sama terhadap produk lain yang telah mereka coba.

Namun, mengingat topik yang kita bicarakan terkait dengan pembelajaran, hal pertama yang harus kita tanyakan pada diri sendiri adalah apa yang kita pahami dengan belajar? Dan karena kita ingin memberikan metodologi umum untuk menghasilkan pembelajaran secara otomatis, setelah menyempurnakan konsep ini kita harus menyediakan metode untuk mengukur tingkat keberhasilan / kegagalan pembelajaran. Namun, karena kami sedang mentransfer konsep intuitif yang biasanya kami gunakan dalam kehidupan sehari-hari ke konteks komputasi, harus diperhitungkan bahwa semua definisi yang kami berikan belajar dari sudut pandang komputasi, serta berbagai cara mengukurnya. , akan terkait erat dengan konteks yang sangat spesifik dan mungkin jauh dari apa yang kita pahami secara intuitif dan umumnya melalui studi.

Definisi yang relatif umum dari pembelajaran dalam konteks manusia adalah sebagai berikut: proses dimana keterampilan, kemampuan, pengetahuan, perilaku atau nilai diperoleh atau dimodifikasi sebagai hasil dari studi, pengalaman, instruksi, penalaran dan observasi. Dari definisi ini perlu diperhatikan bahwa belajar harus terjadi dari pengalaman dengan lingkungan, tidak semua keterampilan atau pengetahuan yang ada pada individu atau yang diperoleh sebagai hasil pertumbuhan alamiah tidak dianggap sebagai pembelajaran. Mengikuti skema serupa, di AA kami akan mempertimbangkan untuk mempelajari apa yang dapat dipelajari mesin dari pengalaman, bukan dari pengenalan pola yang diprogram secara apriori. Oleh karena itu, tugas utama bagaimana menerapkan definisi ini ke konteks komputasi akan memberi makan pengalaman mesin melalui objek yang sedang dilatih (contoh), lalu menerapkan pola yang dikenali ke objek lain. berbeda (dalam sistem rekomendasi produk, contohnya adalah pelanggan / mitra produk tertentu, bersama dengan informasi tentang penilaian yang dibuat tentang hal itu)

Ada banyak masalah yang termasuk dalam apa yang kita sebut pembelajaran induktif. Perbedaan utama di antara mereka terletak pada jenis objek yang mereka coba prediksi. Beberapa kelas umum adalah:

Regresi: mereka mencoba memprediksi nilai sebenarnya. Misalnya, memprediksi nilai tas esok hari dari perilaku tas yang disimpan (dulu). Atau prediksi nilai siswa dalam ujian akhir berdasarkan nilai yang diperoleh dalam berbagai tugas yang dilakukan selama kursus.
Klasifikasi (biner atau multikelas): Mencoba memprediksi klasifikasi objek dalam sekumpulan kelas yang telah ditentukan. Misalnya, mengklasifikasikan apakah item berita tertentu adalah olahraga, hiburan, politik, dll. Jika hanya 2 kelas yang memungkinkan yang diizinkan, ini disebut klasifikasi biner; jika lebih dari 2 kelas diperbolehkan, kita berbicara tentang klasifikasi kelas banyak.
Peringkat: Mencoba memprediksi urutan optimal dari sekumpulan objek menurut urutan relevansi yang telah ditentukan. Misalnya, urutan mesin pencari mengembalikan sumber daya Internet sebagai tanggapan atas pencarian oleh pengguna.

Biasanya, ketika masalah AA baru didekati, hal pertama yang harus dilakukan adalah menandainya di salah satu kelas sebelumnya, karena bergantung pada bagaimana klasifikasi itu akan menjadi cara untuk mengukur kesalahan yang dibuat antara prediksi dan kenyataan.

Akibatnya, masalah mengukur seberapa sukses pembelajaran diperoleh harus ditangani untuk setiap kasus metodologi terapan tertentu, meskipun secara umum kita dapat mengantisipasi bahwa kita perlu “menanamkan” representasi masalah dalam ruang di mana kita telah menentukan mengukur.

Di sisi lain, dan bergantung pada jenis keluaran yang dihasilkan dan bagaimana sampel ditangani, berbagai algoritme AA dapat dikelompokkan menjadi:

Pembelajaran yang diawasi: fungsi dihasilkan yang menetapkan korespondensi antara masukan dan keluaran yang diinginkan dari sistem, di mana basis pengetahuan sistem terdiri dari contoh-contoh yang diberi label apriori (yaitu, yang kita ketahui klasifikasinya benar). Contoh dari jenis algoritma ini adalah masalah klasifikasi yang telah kita sebutkan sebelumnya.

Pembelajaran tanpa pengawasan: dimana proses pemodelan dilakukan pada sekumpulan sampel yang hanya terdiri dari input ke sistem, tanpa mengetahui klasifikasi yang benar. Oleh karena itu, tujuannya adalah agar sistem mengenali pola untuk menandai entri baru.
Pembelajaran semi-supervised: ini adalah kombinasi dari dua algoritma sebelumnya, dengan mempertimbangkan contoh yang diklasifikasikan dan tidak diklasifikasikan.

Pembelajaran yang diperkuat: dalam hal ini, algoritme belajar dengan mengamati dunia di sekitarnya dan melalui aliran informasi yang berkelanjutan di kedua arah (dari dunia ke mesin dan dari mesin ke dunia) dengan melakukan proses coba-coba dan memperkuat tindakan yang menerima positif tanggapan di dunia.

Transduksi – Mirip dengan pembelajaran yang diawasi, tetapi tujuannya bukan untuk membuat fungsi secara eksplisit, tetapi hanya untuk mencoba memprediksi kategori yang termasuk dalam contoh berikut berdasarkan contoh masukan, kategori masing-masing, dan contoh yang baru untuk sistem. Artinya, Anda akan lebih dekat dengan konsep pembelajaran yang diawasi secara dinamis.

Pembelajaran multitask: mencakup semua metode pembelajaran yang menggunakan pengetahuan yang sebelumnya dipelajari oleh sistem untuk mengatasi masalah yang serupa dengan yang sudah terlihat.
Di postingan lainnya ini Anda bisa menemukan postingan pertama dari rangkaian postingan yang bertujuan untuk menyajikan dasar-dasar matematika machine learning dengan cara yang bersahabat (semoga).

 

Categories
Uncategorized

Efisiensi sebuah Teknik Industri

Efisiensi sebuah Teknik Industri

Efisiensi sebuah Teknik Industri karna Industri untuk meningkatkan efisiensi . Mengapa demikian?  Teknik industri adalah cabang teknik, karena mencakup mengetahui bagaimana melakukan berbagai hal dan proses, dan membuatnya bekerja lebih baik.

Industri untuk meningkatkan efisiensi karna Teknik Industri itu berkaitan dengan desain, pengembangan, operasi, dan proses pengujian berbagai sistem industri yang menguntungkan manusia, meningkatkan proses produksi, dan meningkatkan pekerjaan teknik industri dan metode produksi.

Dalam mencapai Industri untuk meningkatkan efisiensi yang lebih baik, sebagai insinyur industri bertujuan dalam pekerjaannya untuk mengurangi biaya produksi, meningkatkan efisiensi operasi, dan peduli dengan peningkatan kualitas produk dan layanan yang disediakan.

Teknik Industri untuk meningkatkan efisiensi itu berkaitan secara umum dengan membangun dan mengembangkan sistem industri terintegrasi, dengan berbagai elemen manusia, informasi, bahan, dan peralatan, selain energi, dan dalam membangun sistem ini bergantung pada pengetahuan dan keterampilan dalam berbagai ilmu.

Teknik Industri untuk meningkatkan efisiensi itu mencakup beberapa pelajaran seperti fisika, ilmu sosial, dan matematika, selain metode, dan prinsip-prinsip teknik dalam desain dan analisis, dan di sini perlu dicatat bahwa tujuan utamanya adalah menggabungkan semua ilmu, dan prinsip-prinsip teknik.

Teknik Industri untuk meningkatkan efisiensi sistem industri di sektor produk, atau sektor jasa, dan untuk mengevaluasi kinerja secara lebih efektif.

Pelopor teknik industri
Di antara pelopor teknik Industri untuk meningkatkan efisiensi, yang berkontribusi besar pada pengembangannya:

  • Samuel Colt: Dia adalah orang pertama yang mengemukakan gagasan tentang jalur perakitan.
  • Frederick Taylor (Inggris: Frederick Taylor): Dia adalah orang pertama yang mempresentasikan gagasan manajemen praktis (dalam bahasa Inggris: Manajemen Ilmiah), dan studi tentang waktu dan gerak (dalam bahasa Inggris: Studi Gerak dan Waktu).
  • Harrington Emerson: Dia menjelaskan metode dasar yang meningkatkan efisiensi produksi dalam bukunya, Dua Belas Prinsip Efisiensi.
  • Henry Laurence Gantt: Dia adalah orang yang mengembangkan rencana manajemen organisasi.
  • Henry Ford: Dia adalah orang pertama yang memanfaatkan jalur perakitan untuk memproduksi mobil.
  • Eliyahu M. Goldratt (Inggris: Eliyahu M. Goldratt): Dia adalah orang pertama yang mengembangkan teori pembatasan dan kondisi (dalam bahasa Inggris: Theory of Constraints), yang melaluinya faktor terpenting yang dapat menghambat kemajuan industrialisasi, atau proses lain, dan cara untuk memperbaikinya diidentifikasi.
Categories
Uncategorized

Hello world!

Welcome to BLOG MAHASISSWA UNIVERSITAS MEDAN AREA. This is your first post. Edit or delete it, then start writing!