Learning –basic concept
Teknik Informatika - UNIKOM
Learning
Learning adalah hal penting untuk lingkungan yg tidak diketahui
◦ Perancang tidak omniscience
Learning berguna untuk metode konstruksi sistem
◦ Mendekatkan agen dengan realitas daripada mendeskripsikan lingkungan untuk agen
Learning memodifikasi mekanisme keputusan agen untuk meningkatkan
performa
Learning objectives
Persepsi agen seharusnya digunakan bukan hanya untuk beraksi, tapi juga untuk meningkatkan performa di masa datang.
Tugas-tugas belajar untuk sebuah agen:
– Kondisi yang ingin dicapai untuk sebuah aksi – Perubahan lingkungan yang berpengaruh – Nilai untuk setiap kondisi
– Kondisi yang memiliki nilai tinggi (rendah) solusi – Informasi mana yang relevan
Learning task – estimations of functions y= f(x) <-> f: x y
Types of Learning
Supervised learning:
Diketahui x, f(x) dengan segera dibuktikan oleh a
“supervisor”. f(x) dipelajari dari sejumlah sample : (x1,y1), (x2,y2), …, (xn,yn)
Reinforcement leaning:
Jawaban yang benar tidak dibuktikan oleh tiap x
Sebaliknya, evaluasi umum dibuktikan setelah serangkaian aksi (kadang2)
Unsupervised learning:
Agen mempelajari hubungan diantara persepsinya I.e. it perform clustering.
Taxonomi of Machine Learning
Supervised learning
Mencari suatu fungsi yang sesuai dengan contoh dari himpunan sample
◦ Data training
◦ Classification
◦ Backpropagation Neural Network
Unsupervised learning
Belajar dari pola yang tidak berkaitan dengan nilai output
◦ Tidak butuh data training
◦ Clustering
◦ Kmeans
Clustering
Tidak perlu melatih metoda tersebut atau dengan kata lain, tidak ada fase learning.
Mengelompokkan obyek-obyek data hanya
berdasarkan pada informasi yang terdapat pada data, yang menjelaskan obyek dan relasinya
Inter-cluster distances are
maximized Intra-cluster
distances are minimized
Reinforcement learning
Output tidak diketahui secara pasti untuk suatu input, tapi menerima feedback
◦ Feedback : entitas luar, lingkungan, atau agent itu sendiri.
◦ Feedback mungkin tertunda, dan tidak mengikuti masing-masing aksi secara
langsung.
RL Framework
Belajar dari interaksi terdekat Stochastic environment
Contoh algoritma learning -
Supervised
Summary
• Learning diperlukan untuk lingkungan yang tidak diketahui.
• Metode Learning tergantung pada ketersediaan feedback, tipe komponen yang akan di improved, dan representasinya.
• Untuk supervised learning, tujuannya adalah untuk menemukan hypothesis yang simple diperkirakan konsisten dengan contoh training.
