DATA MINING & MACHINE LEARNING

 

DATA MINING

‣ Perangkat lunak yang digunakan untuk menemukan polapola tersembunyi maupun hubungan-hubungan yang terdapat dalam basis data yang besar dan menghasilkan aturan-aturan yang digunakan untuk memperkirakan perilaku di masa medatang 

‣  Data mining sering dikatakan berurusan dengan “penemuan pengetahuan” dalam basis data. Suatu aturan yang dihasilkan oleh data mining misalnya seperti berikut : “Kebanyakan pembeli mobil Forsa adalah wanita berusia di atas 30 tahun”

      APLIKASI DATA MINING

TEKNOLOGI UNTUK DATA MINING

‣ Pendekatan data mining juga ada yang melalui visualisasi data 

‣ Pada sistem seperti ini, pemakai akan dibantu untuk menemukan sendiri pola dari sejumlah data berukuran besar dengan didasarkan visualisasi oleh data mining

DATA MINING : VISUALISASI DATA

APA YANG KOMPUTER PELAJARI?

‣  Komputer tidak dapat mendengar dan pastinya tidak akan dapat membedakan suar normal dan suara tidak normal.

 ‣ Suara, dapat direpresentasikan sebagai pola gelombang seperti gambar dibawah ini, yang sebenarnya merupakan sederetan bilangan real yang diproyeksikan kedalam bentuk grafik. 

‣ Komputer akan sangat memahami deretan angka tersebut! 

‣ Sebagai contoh, sebuah komputer dapat dengan mudah diprogram untuk dapat mencari pada sederetan string apakah mengandung angka “3” didalamnya atau tidak. 

‣ Pada permasalahan monitoring gearbox helicopter, diasumsikan bahwa berfungsi atau tidaknya gearboxes akan menghasilkan suara yg berbeda. Maka, deretan nilai yang merepresentasikan suara tersebut akan mempunyai karakteristik yang berbeda. 

‣ Pada kenyataanya nernagai karakteristik mempunyai kategori yg berbeda, dan akan terlalu sulit untuk digambarkan. 

‣ Oleh karena itu, hal tersebut tidak dapat diprogram, tapi perlu dipelajari oleh komputer. 

‣ Banyak cara komputer dapat mempelajari bagaimana mereka menemukan perbedaa dari dua pola ( decision trees, neural networks, bayesian networks, dll.) inilah yang dipelajari dalam Machine Learning!

DEFINISI MACHINE LEARNING

Sebuah program komputer dikatakan belajar dari pengalaman/experience [E] sehubungan dengan beberapa tugas/task [T] dan mengukur kinerja/ performance [P], jika kinerjanya pada tugas-tugas [T], yang diukur dengan [P,] meningkatkan dengan pengalaman [E].

 

MENGAPA MACHINE LEARNING DIPERLUKAN?

‣  Beberapa tasks tidak dapat didefinisikan dengan baik, kecuali dengan contoh (mengenali orang). 

‣ Relasi dan korelasi dapat tersembunyi dalam data dalam jumlah besar. Machine Learning/Data Mining dapat menemukan relasi tersebut. 

‣ Seorang designers seringkali menghasilkan mesin yang tidak dapat bekerja seperti yang diharapkan untuk bekerja pada lingkungannya dimana mereka digunakan. 

‣ Jumlah pengetahuan yang tersedia tentang tugas-tugas tertentu mungkin terlalu besar untuk pengkodean eksplisit oleh manusia (misalnya, diagnostik medis) 

‣ Lingkungan berubah seiring waktu

‣ Pengetahuan baru tentang tugas terus-menerus ditemukan oleh manusia. Mungkin sulit untuk terus sistem re-desain “secara manual"

BIDANG ILMU YG BERKAITAN

‣ Statistik: Bagaimana cara terbaik menggunakan sample dari distribusi probabilitas yang tidak diketahui untuk mengetahui dari distibusi mana sampel baru diambil. 

‣ Brain Model: Unsur-unsur non-linear dengan input tertimbang (Artificial Neural Networks) telah diusulkan sebagai model sederhana neuron biologis 

‣ Adaptive Control Theory: Bagaimana menangani pengendalian proses yang memiliki parameter yang tidak diketahui tetapi harus diestimasi selama operasi? 

‣ Psychology: Bagaimana model kinerja manusia pada berbagai tugas learning? 

‣ Arificial Intelligence: Bagaimana menulis algoritma yang mampu memperoleh pengetahuan manusia, setidaknya, seperti manusia? 

‣ Evolutionary Models: Bagaimana memodelkan aspek-aspek tertentu dari evolusi biologi untuk meningkatkan kinerja program komputer?

CONTOH DESAIN LEARNING SYSTEM

1. Mendeskripsikan Problem

2. Memilih Training Experience 

3. Memilih Target Function 

4. Memilih Representasi Target Function 

5. Memilih Function Approximation Algorithm 

6. Design Akhir

ISSUE PADA MACHINE LEARNING

 ‣Algoritma apa yang tersedia untuk belajar konsep? Seberapa baik mereka lakukan? 

‣ Berapa banyak data pelatihan yang cukup untuk belajar konsep dengan keyakinan yang tinggi? ‣ Kapan hal itu berguna terhadap pengetahuan sebelumnya? 

‣ Adalah beberapa pelatihan lebih berguna daripada yang lain? 

‣ Apa saja tugas terbaik bagi sistem untuk belajar? 

‣ Apa cara terbaik bagi sistem untuk mewakili pengetahuan?