Pemelajaran mesin daring: Perbedaan antara revisi

Konten dihapus Konten ditambahkan

Sebaris

Revisi per 13 Desember 2023 04.39

Dalam ilmu komputer, pemelajaran mesin daring (bahasa Inggris: online machine learning atau online learning) adalah suatu paradigma dalam pemelajaran mesin yang menekankan pembaruan atau penyesuaian model secara dinamis seiring dengan masuknya data baru secara real-time. ^[1] Dalam metode ini, pemelajar bertujuan untuk mempelajari dan meningkatkan prediktor terbaik untuk data masa depan pada setiap langkah, berbeda dengan pemelajaran lompok (batch learning) yang menggunakan seluruh himpunan data pelatihan sekaligus. Pemelajaran mesin daring umumnya digunakan ketika tidak memungkinkan secara komputasional untuk melakukan proses pelatihan di keseluruhan data himpunan sehingga memerlukan algoritma out-of-core. Selain itu, metode ini juga diterapkan dalam kondisi ketika algoritma perlu beradaptasi secara dinamis dengan pola-pola baru dalam data, atau ketika data itu sendiri dihasilkan sebagai fungsi waktu, misalnya, prediksi harga saham. Namun, perlu dicatat bahwa algoritma pemelajaran daring dapat menghadapi tantangan seperti catastrophic interference, suatu fenomena dengan pemelajaran informasi baru menghapus pengetahuan yang sudah diperoleh sebelumnya. Masalah ini dapat diatasi dengan menggunakan pendekatan incremental learning, memungkinkan algoritma untuk belajar dan beradaptasi secara iteratif tanpa mengakibatkan gangguan yang signifikan pada pola-pola yang telah dipelajari sebelumnya.

Lihat juga

Paradigma pemelajaran

Pemelajaran bertahap
Lazy learning
Pemelajaran luring, kebalikan pemelajaran mesin daring
Pemelajaran kukuh
Multi-armed bandit
Pemelajaran terarah

Algoritma umum

Learning models

Referensi

^ Hoi, Steven C. H.; Sahoo, Doyen; Lu, Jing; Zhao, Peilin (2021-10-12). "Online learning: A comprehensive survey". Neurocomputing. 459. doi:10.1016/j.neucom.2021.04.112.

Pranala luar

6.883: Online Methods in Machine Learning: Theory and Applications. Alexander Rakhlin. MIT

[1] Hoi, Steven C. H.; Sahoo, Doyen; Lu, Jing; Zhao, Peilin (2021-10-12). "Online learning: A comprehensive survey". Neurocomputing. 459. doi:10.1016/j.neucom.2021.04.112.

[1]

@@ Baris 2: / Baris 2: @@
 {{short description|Metode dalam pemelajaran mesin}}
 {{Pemelajaran mesin|Paradigma}}
-Dalam [[Ilmu komputer|Ilmu Komputer]], '''pemelajaran mesin daring''' (bahasa Inggris: ''online machine learning'' atau ''online learning'') adalah suatu paradigma dalam pemelajaran mesin yang menekankan pembaruan atau penyesuaian model secara dinamis seiring dengan masuknya data baru secara real-time. <ref>{{Cite journal|title=Online learning: A comprehensive survey|journal=Neurocomputing|url=https://www.sciencedirect.com/science/article/pii/S0925231221006706|last=Hoi|first=Steven C. H.|date=2021-10-12|issue=|doi=10.1016/j.neucom.2021.04.112|volume=459|pages=|last2=Sahoo|first2=Doyen|last3=Lu|first3=Jing|last4=Zhao|first4=Peilin}}</ref> Dalam metode ini, pemelajar bertujuan untuk mempelajari dan meningkatkan prediktor terbaik untuk data masa depan pada setiap langkah, berbeda dengan pemelajaran lompok (''batch learning'') yang menggunakan seluruh [[Himpunan data pelatihan, validasi, dan pengujian|himpunan data pelatihan]] sekaligus. Pemelajaran mesin daring umumnya digunakan ketika tidak memungkinkan secara komputasional untuk melakukan proses pelatihan di keseluruhan data himpunan sehingga memerlukan algoritma [[Algoritma memori eksternal|''out-of-core'']]. Selain itu, metode ini juga diterapkan dalam kondisi ketika algoritma perlu beradaptasi secara dinamis dengan pola-pola baru dalam data, atau ketika data itu sendiri dihasilkan sebagai fungsi waktu, misalnya, [[Prediksi pasar saham|prediksi harga saham]]. Namun, perlu dicatat bahwa algoritma pemelajaran daring dapat menghadapi tantangan seperti ''[[Catastrophic interference|catastrophic interference]]'', suatu fenomena dengan pemelajaran informasi baru menghapus pengetahuan yang sudah diperoleh sebelumnya. Masalah ini dapat diatasi dengan menggunakan pendekatan ''[[incremental learning]]'', memungkinkan algoritma untuk belajar dan beradaptasi secara iteratif tanpa mengakibatkan gangguan yang signifikan pada pola-pola yang telah dipelajari sebelumnya.
+Dalam [[ilmu komputer]], '''pemelajaran mesin daring''' ([[bahasa Inggris]]: ''online machine learning'' atau ''online learning'') adalah suatu paradigma dalam pemelajaran mesin yang menekankan pembaruan atau penyesuaian model secara dinamis seiring dengan masuknya data baru secara real-time. <ref>{{Cite journal|title=Online learning: A comprehensive survey|journal=Neurocomputing|url=https://www.sciencedirect.com/science/article/pii/S0925231221006706|last=Hoi|first=Steven C. H.|date=2021-10-12|issue=|doi=10.1016/j.neucom.2021.04.112|volume=459|pages=|last2=Sahoo|first2=Doyen|last3=Lu|first3=Jing|last4=Zhao|first4=Peilin}}</ref> Dalam metode ini, pemelajar bertujuan untuk mempelajari dan meningkatkan prediktor terbaik untuk data masa depan pada setiap langkah, berbeda dengan pemelajaran lompok (''batch learning'') yang menggunakan seluruh [[Himpunan data pelatihan, validasi, dan pengujian|himpunan data pelatihan]] sekaligus. Pemelajaran mesin daring umumnya digunakan ketika tidak memungkinkan secara komputasional untuk melakukan proses pelatihan di keseluruhan data himpunan sehingga memerlukan algoritma [[Algoritma memori eksternal|''out-of-core'']]. Selain itu, metode ini juga diterapkan dalam kondisi ketika algoritma perlu beradaptasi secara dinamis dengan pola-pola baru dalam data, atau ketika data itu sendiri dihasilkan sebagai fungsi waktu, misalnya, [[Prediksi pasar saham|prediksi harga saham]]. Namun, perlu dicatat bahwa algoritma pemelajaran daring dapat menghadapi tantangan seperti ''[[Catastrophic interference|catastrophic interference]]'', suatu fenomena dengan pemelajaran informasi baru menghapus pengetahuan yang sudah diperoleh sebelumnya. Masalah ini dapat diatasi dengan menggunakan pendekatan ''[[incremental learning]]'', memungkinkan algoritma untuk belajar dan beradaptasi secara iteratif tanpa mengakibatkan gangguan yang signifikan pada pola-pola yang telah dipelajari sebelumnya.
 ==Lihat juga==