Resume Kuliah Tamu Traveloka

Hello guys! Selamat datang kembali di blog tugas nida.
Artikel ini dibuat untuk memenuhi tugas mata kuliah pweb, yang seharusnya merupakan resume kuliah tamu yang dijadikan sebagai pengganti kelas. Namun pada saat kultam diadakan saya berhalangan karena bertabrakan dengan praktikum MBD. Oleh karena itu, saya menulis artikel ini dengan mengambil dari beberapa sumber (teman yg datang, google).

Oiya, jangan lupa mampir ke www.darestyle.net untuk pengalaman berbelanja yang lebih seru ;)

From Perceptron to Deep Learning

What is Machine Learning?

Machine learning berhubungan dengan data mining dimana subfield yang terakhir lebih berfokus pada analisis data eksploratif dan dikenal sebagai pembelajaran tanpa pengawasan. Machine learning juga bisa tidak diawasi dan digunakan untuk belajar dan menetapkan profil perilaku awal untuk berbagai entitas dan kemudian terbiasa menemukan anomali yang berarti.

Esensi/inti dari Machine Learning :

• Data

                   Ada data untuk diolah. 

• Pattern

                  Polanya harus jelas dan teratur, agar bisa dipelajari oleh mesin.

• Formula Expression

                  

Jika ketiga esensi sudah terpenuhi, maka machine learning sudah dapat berjalan. Contoh ilustrasi perbedaan cara kerja manual, auotmation, dan machine pada toko musik :

• Manual: penjaga toko merekomendasikan musik kepada setiap pelanggannya
• Automation: komputer merekomendasikan musik untuk setiap pelanggannya berdasarkan aturan yang ditetapkan penjaga/pemilik toko
• Machine: komputer merekomendasikan musik untuk setiap pelanggan yang aturannya di ditentukan sendiri oleh komputer

Kenapa lebih baik menggunakan machine learning?

Karena data yang ada sangat banyak, tidak mungkin untuk dikelola secara manual. Contoh penggunaan machine learning di Traveloka : memprediksi gambar dari gambar-gambar yang ditag (e.g Hotel), Mengurutkan data-data, Menggunakan learning tourette.

Apa itu Deep Learning?

Deep Learning adalah salah satu cabang Machine Learning(ML) yang menggunakan Deep Neural Network untuk menyelesaikan permasalahan pada domain ML.

Neural network adalah model yang terinspirasi oleh bagaimana neuron dalam otak manusia bekerja. Tiap neuron pada otak manusia saling berhubungan dan informasi mengalir dari setiap neuron tersebut.

Ada 2 tipe problem, yaitu :

1. Linier         : Data dapat dihubungkan dengan sebuah garis lurus
2. Non Linier : Klasifikasi data tidak berupa garis lurus, tidak dapat memberi garis lurus untuk membatasi objek tersebut.

Perceptron adalah salah satu metode JST training yang sederhana dipakaikan prosedur algoritma training yang pertama kali. Terdiri dari neuron tunggal dengan bobot synaptic yang diatur menggunakan fungsi aktifasi hard limit.