Mata Kuliah: Machine Learning

Introduction to Machine Learning

Informasi Mata Kuliah

Mata Kuliah	Keterangan
Machine Learning	3 SKS (2-1)
Kode Mata Kuliah	TII111

Putaka

1. Introduction to Machine Learning with Python: A Guide for Data Scientist, Andreas C. Muller & Sarah Guido, O’Reilly Media Inc. 2017
2. Mastering Machine Learning with Python in Six Steps: A Practical Implementation Guide to Predictive Data Analytics Using Python, Manohar Swamynathan, Apress. 2017
3. Introduction To Machine Learning Second Edition, Ethem Alpaydin, The MIT Press. 2010

Informasi Mata Kuliah

Komponen Penilaian	Bobot
UTS	25
UAS	35
Project Kelompok	20
Kuliah (Keaktifan, Quiz, Project Mandiri)	20

Pre-Test

Mapping kemampuan mahasiswa dalam tentang dasar statistika, matematika, dan bahasa pemrograman. Selain itu juga terkait Integrated Development Environment (IDE) dan tools yang biasa digunakan.

• Silakan klik link di bawah ini untuk mengikuti pre-test.

s.id/pretest_ml1

What is Machine Learning

X adalah input, dan Y adalah poutput.

What is Machine Learning

What is Machine Learning

What is Machine Learning

• Prediksi adalah tujuan utama dari Machine Learning.
• Membuat fungsi pendekatan (approximation functions – model).
• Meningkatkan akurasi model melalui optimasi fitur input/output.
• in short, “Machine Learning is a collection of algorithms and techniques used to create computational systems that learn from data in order to make predictions.

Machine Learning dan Artificial Intelligence

• Natural Language Processing (NLP) – Mampu berkomunikasi secara efektif dalam suatu bahasa.
  
• Automated Reasoning – Menganalisis pengetahuan yang tersimpan untuk menjawab pertanyaan dan menyimpulkan informasi baru.
  
• Machine Learning – Mendeteksi pola dan beradaptasi dengan data baru.
  
• Computer Vision – Mengenali objek dan menganalisis gambar.
  
• Robotics – Berinteraksi dengan serta memanipulasi lingkungan.
  

• Planning & Optimization – Mengembangkan strategi untuk mencapai tujuan dan mengevaluasi kinerjanya.
  
• Knowledge Representation – Menyimpan dan menggunakan informasi untuk pengambilan keputusan (Sistem Pakar).
  

Stastistic vs Data Mining vs Data Analytics vs Data Science

• Statistik – Ilmu yang mempelajari cara mengumpulkan, menganalisis, menafsirkan, dan menyajikan data.
• Data Mining – Proses menemukan pola dalam data.
• Data Analytics – Proses menganalisis data untuk mengekstrak informasi yang bermanfaat.
• Data Science – Ilmu yang memadukan statistik, data mining, dan data analytics.

Machine Learning adalah bagian dari ilmu2 di atas

Job Role

Problems Machine Learning Can Solve #1

Email Spam Filtering

Filter email spam (tidak diinginkan) dari email yang masuk.

Problems Machine Learning Can Solve #2

Product Recommendation

Menggunakan data historis untuk merekomendasikan produk kepada pengguna dengan tujuan meningkatkan penjualan.

Problems Machine Learning Can Solve #3

Prediksi Tekanan (Krisis) Pasar Saham

Problems Machine Learning Can Solve #4

Hot Research

• Driverless Cars
• Speech Recognition
• Image Recognition
• AI Agents

Machine Learning adalah bagian dari Artificial Intelligence yang memungkinkan komputer untuk belajar dari data. Kasus penggunaan Machine Learning dengan data dan proses training lebih kompleks biasanya disebut Deep Learning.

Problems Machine Learning Can Solve #5

Machine Learning dapat mengolah data dalam bentuk:

• Teks – Contohnya NLP, Chatbot, Machine Translation, dll.
  
• Gambar – Contohnya Image Recognition, Object Detection, dll.
  
• Suara – Contohnya Speech Recognition, dll.

Machine Learning umumnya digunakan dalam kondisi:

• No-Human Expertise
• Human can’t explain “why” a system works
• The solution always changes**
• Very huge problem size

Data Size VS ML Performance

Semakin banyak data yang digunakan, maka semakin baik performa dari Machine Learning.

Machine Learning Categories: Supervised Learning, Unsupervised Learning, Reinforcement Learning

Supervised Learning

Supervised learning is where you have input variables (x) and an output variable (Y) and you use an algorithm to learn the mapping function from the input to the output.

1. Regression
   • Output yang diprediksi berupa nilai kontinu (numeric) berdasarkan dataset input yang diberikan.
     
   • Contoh kasus:
     • Prediksi penjualan ritel
       
     • Perkiraan jumlah staf yang dibutuhkan per shift
       
     • Prediksi jumlah tempat parkir yang diperlukan untuk toko ritel
       
     • Skor kredit pelanggan
2. Classification
   • Output yang diprediksi berupa kelas (kateggori) atau probabilitas suatu peristiwa.
     
   • Contoh kasus:
     • Filtering email spam (mengklasifikasikan email sebagai “spam” atau “bukan spam”)

Supervised learning adalah metode pembelajaran mesin di mana algoritma diberikan dataset input beserta output atau kelas yang sesuai. Dataset ini biasanya disiapkan dengan bantuan ahli di bidangnya. Tujuan utama dari supervised learning adalah menemukan pola dalam data dan membangun aturan umum untuk memetakan input ke kelas atau peristiwa.

Unsupervised Learning

Unsupervised learning is where you only have input data (X) and no corresponding output variables.

1. Clustering
   • Membagi dataset menjadi kelompok-kelompok berdasarkan kemiripan antar data.
     
   • Contoh kasus:
     • Mengelompokkan artikel berita yang memiliki topik serupa
       
     • Mengelompokkan pelanggan berdasarkan profil dan kebiasaannya
2. Dimension Reduction
   • Menyederhanakan dataset besar dengan mereduksi jumlah dimensi sambil tetap mempertahankan informasi penting.
     
   • Contoh kasus:
     • Menyaring variabel utama yang menyimpan 95% informasi dalam dataset untuk analisis yang lebih efisien

Dalam unsupervised learning, output atau kelas dari dataset historis tidak diketahui. Tujuan utama adalah menemukan pola dalam data dan mengelompokkan informasi yang memiliki karakteristik serupa.

Reinforcement Learning

Reinforcement Learning (RL) adalah metode pembelajaran mesin di mana model belajar melalui trial and error dengan mendapatkan reward (penghargaan) atau punishment (hukuman) berdasarkan tindakannya.

Cara kerjanya:

• Agent (model) mengambil suatu tindakan dalam lingkungan tertentu.
• Lingkungan memberikan umpan balik berupa reward (positif) atau punishment (negatif).
• Agent belajar dari pengalaman ini untuk mengambil tindakan yang lebih baik di masa depan.

Contoh sederhana:

• Game AI: Algoritma belajar bermain catur dengan mencoba berbagai langkah dan mendapatkan poin saat menang.
• Mobil Otonom: Mobil belajar mengemudi dengan menghindari rintangan dan mengikuti jalur yang benar.

Perbedaan dengan RL Klasik: - RL dalam game atau robotika: Model belajar melalui trial and error dengan mendapatkan reward langsung dari lingkungan. - RLHF dalam ChatGPT: Model belajar dari umpan balik manusia untuk meningkatkan kualitas jawaban, bukan dari lingkungan otomatis seperti game.

Machine Learning Python Packages

Data Analysis Packages: NumPy, Pandas, Matplotlib

Dalam Machine Learning, data analisis merupakan langkah penting sebelum melakukan pelatihan model. Beberapa package utama untuk analisis data adalah:

• NumPy → Mengelola array numerik dan operasi matematika.
  
• Pandas → Manipulasi dan analisis data berbasis tabel (DataFrame).
  
• Matplotlib → Membantu dalam visualisasi data melalui grafik dan plot.

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# Contoh penggunaan
data = np.array([[1, 2, 3], [4, 5, 6]])
df = pd.DataFrame(data, columns=['A', 'B', 'C'])
df.plot(kind='bar')
plt.show()

Machine Learning Python Packages

Machine Learning Core Libraries

Berikut adalah pustaka utama untuk membangun dan melatih model Machine Learning di Python:

• Scikit-Learn → Library utama untuk algoritma ML klasik seperti regresi, klasifikasi, dan clustering.
• TensorFlow → Framework berbasis deep learning dari Google untuk neural networks.
• PyTorch → Framework deep learning yang lebih fleksibel dan digunakan secara luas oleh komunitas riset.

from sklearn.linear_model import LogisticRegression
import tensorflow as tf
import torch

# Contoh model ML dengan Scikit-Learn
model = LogisticRegression()
print("Model Logistic Regression dibuat!")

# Contoh inisialisasi tensor di PyTorch
tensor = torch.tensor([1, 2, 3])
print("Tensor PyTorch:", tensor)

Reference

• Introduction to Machine Learning with Python: A Guide for Data Scientist, Andreas C. Muller & Sarah Guido, O’Reilly Media Inc. 2017
• Mastering Machine Learning with Python in Six Steps: A Practical Implementation Guide to Predictive Data Analytics Using Python, Manohar Swamynathan, Apress. 2017
• Introduction To Machine Learning Second Edition, Ethem Alpaydin, The MIT Press. 2010
• Pacmann Academy