Bayesian Belief Network

Assalammu’alaikum,

Kali ini saya ingin mencoba share mengenai bayesian belief network, suatu metode dalam machine learning yang masuk ke dalam kategori supervised learning. Pada dasarnya belief network mengambil teori dasar bayessian, yang memanfaatkan distribusi probabilitas pada setiap features yang diketahui. Namun yang membedakan adalah dalam belief network menggunakan suatu network yang merepresentasikan kondisi pengetahuan dependensi dan in-dependensi setiap features yang ada dalam suatu kasus atau dataset. Berbeda dengan naive bayes yang tidak melihat kemungkinan dependensi dan in-dependensi setiap features (attributes), dan itu dapat dilihat dari representasi metode yang digunakan naive bayes. Tentunya dengan melihat model yang dihasilkan adalah berupa inferences yaitu distribusi probabilitas setiap features dalam network maka belief network dapat menjadi alternatif metode yang lebih baik dibanding naive bayes yang tidak melihat kemungkinan tersebut. Continue reading

Expectation Maximization Algorithm

Unsupervised Learning biasanya memiliki kata kunci clustering atau melakukan peng-klusteran terhadap sekelompok data atau sekelompok instances yang tidak memiliki label, sehingga memiliki informasi bahwa terdapat sekumpulan data yang membentuk cluster, namun kita belum tahu apa pengetahuan atau hipotesis yang membuat instances tersebut saling berkumpul (membuat kelompok) menjadi satu cluster atau lebih.

Expectation maximization algorithm merupakan algoritma unsupservised learningyang memiliki kemampuan untuk melakukan pencarian knowledge dari sekumpulan data yang tidak memiliki label atau target class tertentu, dengan cara melihat nilai setiap instances yang didistribusikan kedalam Gaussian distribution, lebih tepatnya adalah mixture Gaussian, lalu dilakukan iterasi menaik untuk mencari nilai likehood tertenggi untuk setiap instance (melihat kedekatan instances terhadap setiap kluster).

Expectation Maximization Algorithm (EM Algorithm) sendiri merupakan suatu algoritma yang memanfaatkan mixture dari Gaussian mixture. Pada dasarnya E-M Algorithm terdiri dari dua langkah yaitu, expectation dan maximization. Melakukan perhitungan expektasi terhadap suatu nilai probabilitas likelihood, lalu langkah kedua memperbaiki nilai probabilitas terebut dengan merubah parameter pada mixture Gaussian sehingga mencapai maximum likelihood.

Terdapat beberapa hal yang perlu ditekankan dalam EM Algorithm yaitu :

  1. Maximum Likelihood Estimation (MLE)
  2. Mixtures of Gaussians
  3. Estimation-Maximization (EM)

Selebihnya dapat dilihat pada dokumen catatan berikut ini :

Catatan-kecil-EM-Algorithm

*saya agak malas menulis equation didalam wordpressnya hehehe 😀

Contoh program clustering untuk segmentasi jaringan otak :

https://github.com/situkangsayur/SampleEMforBrainSeg

Machine Learning / Pembelajaran Mesin

Assalammu’alaikum,

Kali ini saya ingin share mengenai Machine Learning atau Pembelajaran Mesin dalam bahasa Indonesia. Rujukan yang paling banyak digunakan dalam pembelajaran mesin sendiri biasanya adalah bukunya Tom Mitchel buku yang cukup terkenal dalam area pembelajaran mesin, terakhir saya mendengarkan ceramahnya melalui web binar, Prof. Tom Mitchel ini membicarakan mengenai Never Ending Learning (kerenkan?).

Machine learning (Pembelajaran Mesin) merupakan kemampuan komputer untuk melakukan pembelajaran tanpa harus menjelaskan (programmed) secara eksplisit kepada komputer (Arthur, 1959), atau  menurut Tom Mitchel suatu komputer dikatakan melakukan pembelajaran dari pengalaman E terhadap tugas T dan mengukur peningkatan kinerja P, jika kinerja Tugas T  diukur oleh kinerja P, meningkatkan pengalaman E (Mitchel, 1997).

Dengan kata lain machine learning merupakan ilmu yang mempelajari bagaimana memberikan kemampuan terhadap komputer unutk melakukan aktifitas belajar guna menyelesaikan masalah secara mandiri. 

Hari ini pembelajaran mesin sangat popular karena banyak orang yang ingin membangun suatu mesin yang memiliki intelijen (intelligent machines) dan itu ternyata membutuhkan beberapa hal dasar seperti pembangunan jalur terpendek dari suatu posisi P ke Q. Namun untuk bagian bagaimana untuk membangun suatu photo tagging otomatis, spam detector, froud detection, object detection dan banyak lagi terkadang sulit untuk menulis suatu program Ai untuk menyelesaikan kasus seperti yang sudah disebutkan. Pembelajaran mesin menjawab tantangan tersebut dengan berbagai pendekatan solusi dan menyentuk berbagai segmen industry dan keilmuan.

Pada dasarnya ilmu ini mempelajari bagaimana cara mengajarkan komputer cara belajar berdasarkan data-data yang ada dan mempelajari fenomena didalamnya yang nantinya berupa model atau knowledge yang digunakan untuk kasus-kasus yang akan muncul dimasa yang akan datang. Dalam learning dibagi menjadi 2 pendekatan dalam proses learningnya yaitu : inductive learning dan deductive learning. Continue reading