Home > Machine Learning > Contoh kasus Machine Learning

Contoh kasus Machine Learning

Sebelumnya kita sudah mempelajari mengenai definisi dan pengertian dasar dari machine learning. Sebenarnya akan lebih mudah jika kita bergerak dari apa saja permasalahan yang dapat di selesaikan dengan machine learning. Hal ini akan memberikan pengertian mendalam dan juga pola yang dapat kita aplikasikan terhadap masalah lain. Kita belajar dengan contoh sama seperti machine learning yang kita pelajari.

10 Contoh dari aplikasi Machine Learning

  • Spam Detection: Mendeteksi dari inbox email mana yang spam dan mana yang tidak. Dengan model ini kita dapat mengarahkan spam ke kotak inbox nya dan menjaga kebersihan dari inbox kita. Kita pasti sudah familiar dengan ini.

    image

  • Credit Card Fraud Detection: Kita dapat menentukan mana transaksi yang dilakukan oleh customer berdasarkan history transaksi yang dibuat oleh customer tersebut. Dengan demikian kita dapat mereject dan me refund transaksi yang di deteksi sebagai fraud.

    image

  • Digit Recognition: Permasalahan ini ditujukan untuk mengenali zip codes yang tertera pada amplop yang ditulis dengan tangan. Model yang dibuat akan dengan mudah membaca dan mengerti zip codes dan melakukan sorting berdasarkan geography tertentu

image

  • Speech Understanding: Kita sudah tahu bahwa inilah yang dilakukan oleh iPhone dengan Siri ataupun oleh Cortana pada windows.

    image

  • Face Detection: Kita dapat mengidentifikasi orang dari foto yang diberikan berdasarkan pola yang didapat dari ratusan foto. Hal memudahkan mengelompokkan foto berdasarkan wajah orang tersebut. Beberapa software foto dan kamera memiliki kemampuang berikut. Facebook juga memiliki kemampuan untuk melakukan tagging pada foto.

    image

  • Product Recommendation: Berdasarkan history dari pembelian customer dan inventory dari product, kita dapat mengidentifikasi produk-produk mana yang menarik untuk customer dalam melakukan pembelian. Model ini akan menghasilkan program yang bertugas untuk memberikan rekomendasi. Amazon memiliki kemampuan ini. Netflix juga mempunyai kemampuan untuk merekomendasikan film apa yang relevan untuk ditonton selanjutnya berdasarkan history.

    image

    • Medical Diagnosis: Berdasarkan simptom yang ada pada pasien dan kumpulan data dari pasien-pasien sebelumnya, kita dapat memprediksi apakah pasien akan menderita penyakit yang sama. Hal ini dapat membantu untuk memberikan support terhadap para medis.

      image

    • Stock Trading: Dengan data-data dari pergerakan harga sebelum kita dapat mendeteksi stock mana yang hendak di beli dan di jual atau di tahan. Model tersebut akan memberikan support terhadap financial analyst atau trader.

      image

    • Customer Segmentation: Berdasarkan pola tingkah laku dari user selama trial dan behaviour sebelumnya, kita dapat mengidentifikasi user mana yang akan berpindah ke paid version dan mana yang tidak. Model ini dapat memberikan program kecerdasan untuk membujuk user beralih ke customer. Hal ini dapat dilakukan dengan memberikan perlakukan khusus pada masa trial

      image

    • Shape Detection: Berdasarkan gambar tangan dari user dan contoh dari bentuk-bentuk gambar kita dapat menentukan apa sebenarnya yang user gambar. Model ini dapat memberikan versi terbaik dari bentuk yang digambar sehingga gambar menjadi lebih teratur. Contohnya adalah program instaviz

Dari 10 contoh kasus diatas kita tentunya dapat melihat persamaan machine learning problem. Ada sample dari historical data dan ada keputusan atau decision yang harus diambil berdasarkan model tersebut.

Beberapa contoh merupakan problem yang sulit dalam machine learning seperti computer vision dan natural language processing. Hal ini dapat dengan mudah dilakukan oleh manusia tetapi sulit dilakukan oleh mesin. Machine learning ada disekitar anda. Temukan dan pahamilah.

 

Tipe dari machine learning problem

Berdasarkan contoh diatas kita dapat membuat klasifikasi dari tipe-tipe machine learning problem.

  • Classification : Data yang ada diberikan label atau kategori contohnya spam dan non spam atau fraud dan non fraud. Keputusan yang diambil adalah pemberian label atau kategori terhadap data-data baru.
  • Regression: Data diberikan label real value, numeric atau floating point. Contoh gampangnya adalah time series data dari harga stock sesuai dengan waktu. Kita akan mencoba mendeteksi harga stock tersebut di kemudian hari.
     
  • Clustering: Data tidak diberikan label, tapi secara otomatis di bagi berdasarkan kemiripan dan struktur lain dari data tersebut. Contohnya adalah mengorganisasikan foto. Kita harus melakukan tagging secara manual.
  • Rule Extraction: Data digunakan untuk melakukan pemberian label if dan else rule yang digunakan untuk melakukan decision yang didasarkan dari tree pengambil keputusan.

Kita sudah melakukan review dari contoh-contoh machine learning problem dan juga klasifikasinya. Kita skarng sudah mulai memiliki kepercayaan diri mengenai problem apa yang ada disekitar kita dan dapat dikategorikan sebagai permasalahan machine learning.

 

Cheers

Advertisements
Categories: Machine Learning
  1. No comments yet.
  1. No trackbacks yet.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: