Tips Praktis Algoritma Pembelajaran Mesin untuk desainer Azure Machine Learning

Tips Praktis Algoritma Pembelajaran Mesin membantu Anda memilih algoritma yang tepat dari perancang untuk model analisis prediktif.

Catatan

Designer mendukung dua jenis komponen, komponen bawaan klasik (v1) dan komponen kustom (v2). Kedua jenis komponen ini TIDAK kompatibel.

Komponen bawaan klasik menyediakan komponen bawaan sebagian besar untuk pemrosesan data dan tugas pembelajaran mesin tradisional seperti regresi dan klasifikasi. Jenis komponen ini terus didukung tetapi tidak akan ada komponen baru yang ditambahkan.

Komponen kustom memungkinkan Anda membungkus kode Anda sendiri sebagai komponen. Ini mendukung berbagi komponen di seluruh ruang kerja dan penulisan tanpa hambatan di seluruh antarmuka Studio, CLI v2, dan SDK v2.

Untuk proyek baru, kami sangat menyarankan Anda menggunakan komponen kustom, yang kompatibel dengan AzureML V2 dan akan terus menerima pembaruan baru.

Artikel ini berlaku untuk komponen bawaan klasik dan tidak kompatibel dengan CLI v2 dan SDK v2.

Azure Machine Learning memiliki pustaka besar algoritma dari klasifikasi, sistem rekomendasi, pengklusteran, deteksi anomali, regresi, dan analitik teks. Masing-masing dirancang untuk mengatasi jenis masalah pembelajaran mesin yang berbeda.

Untuk informasi selengkapnya, lihat Cara memilih algoritma.

Unduh: Tips Praktis Algoritma Pembelajaran Mesin

Unduh tips praktis di sini: Tips Praktis Algoritma Pembelajaran Mesin (11x17 in.)

Tips Praktis Algoritma Pembelajaran Mesin: Pelajari cara memilih algoritma Pembelajaran Mesin.

Unduh dan cetak Tips Praktis Algoritma Pembelajaran Mesin dalam ukuran tabloid agar tetap berguna dan dapatkan bantuan memilih algoritma.

Cara menggunakan Tips Praktis Algoritma Pembelajaran Mesin

Saran yang ditawarkan dalam tips praktis algoritma ini adalah perkiraan aturan praktis. Beberapa dapat dimodifikasi, dan beberapa dapat diabaikan. Tips praktis ini dimaksudkan untuk menyarankan titik awal. Jangan ragu untuk menjalankan menggunakan beberapa algoritma bertentangan pada data Anda. Tidak ada cara lain untuk memahami prinsip-prinsip setiap algoritma dan sistem yang menghasilkan data Anda.

Setiap algoritma pembelajaran mesin memiliki gaya atau bias induktifnya sendiri. Untuk masalah tertentu, beberapa algoritma mungkin sesuai, dan satu algoritma mungkin lebih cocok daripada yang lain. Namun, tidak selalu mungkin untuk mengetahui lebih dulu mana yang paling cocok. Dalam kasus seperti ini, beberapa algoritma terdaftar bersama dalam tips praktis. Strategi yang tepat adalah mencoba satu algoritma, dan jika hasilnya belum memuaskan, cobalah yang lain.

Untuk mempelajari selengkapnya algoritma di perancang Azure Machine Learning, buka Referensi algoritma dan komponen.

Jenis pembelajaran mesin

Ada tiga kategori utama pembelajaran mesin: pembelajaran dengan pengawasan, pembelajaran tanpa pengawasan, dan pembelajaran penguatan.

Pembelajaran dengan pengawasan

Dalam pembelajaran dengan pengawasan, setiap poin data diberi label atau terkait dengan kategori atau nilai minat. Contoh label kategoris menetapkan gambar sebagai 'kucing' atau 'anjing'. Contoh label nilai adalah harga jual yang berkaitan dengan mobil bekas. Tujuan dari pembelajaran yang diawasi adalah untuk mempelajari banyak contoh berlabel seperti ini, dan kemudian untuk dapat membuat prediksi tentang poin data di masa depan. Misalnya, mengidentifikasi foto baru dengan hewan yang benar atau menetapkan harga jual yang akurat ke mobil bekas lainnya. Ini adalah jenis pembelajaran mesin yang populer dan berguna.

Pembelajaran tanpa pengawasan

Dalam pembelajaran tanpa pengawasan, poin data tak memiliki label apa pun yang terkait. Sebaliknya, tujuan dari algoritma pembelajaran tanpa pengawasan adalah untuk mengatur data dalam beberapa cara atau untuk menggambarkan strukturnya. Pembelajaran tanpa pengawasan mengelompokkan data ke dalam kluster, seperti yang dilakukan K-means, atau menemukan cara yang berbeda untuk melihat data yang kompleks sehingga tampak lebih sederhana.

Pembelajaran penguatan

Dalam pembelajaran penguatan, algoritma dapat memilih tindakan sebagai respons terhadap setiap poin data. Ini adalah pendekatan umum dalam robotika, di mana set pembacaan sensor pada satu titik waktu adalah poin data, dan algoritma harus memilih tindakan robot berikutnya. Pendekatan ini juga sesuai untuk aplikasi IoT. Algoritma pembelajaran juga menerima sinyal hadiah beberapa saat kemudian, menunjukkan seberapa baik keputusan itu. Berdasarkan sinyal ini, algoritma memodifikasi strateginya untuk mencapai hadiah tertinggi.

Langkah berikutnya