METODE MECHINE LEARNING 1

Metode machine learning adalah teknik yang digunakan untuk mengajarkan mesin untuk belajar dari data dan membuat prediksi atau keputusan berdasarkan data tersebut. Pada dasarnya, Machine Learning mengembangkan model atau algoritma yang dapat memprediksi nilai output dengan margin kesalahan yang dapat diterima, berdasarkan serangkaian nilai input yang diketahui. Salah satu teknik penting dalam Machine Learning adalah Cross Validation, yang digunakan untuk mengevaluasi efektivitas model prediktif dengan membagi data menjadi dua bagian: satu untuk melatih model dan satu lagi untuk menguji model. Teknik ini membantu dalam mencegah masalah overfitting dan meningkatkan keandalan model. Di sisi lain, Analisis Regresi adalah metode statistik yang digunakan untuk memodelkan hubungan antara variabel dependen dan satu atau lebih variabel independen. Ini memberikan wawasan tentang bagaimana variabel-variabel tersebut berinteraksi satu sama lain.
Dalam konteks regresi, dua teknik yang sering digunakan adalah Ridge Regression dan LASSO (Least Absolute Shrinkage and Selection Operator). Kedua metode ini digunakan untuk mengatasi masalah kolinearitas dalam regresi linear, dengan menambahkan hukuman pada ukuran koefisien untuk mencegah overfitting. Ridge Regression melakukan ini dengan menambahkan kuadrat nilai koefisien, sementara LASSO menambahkan nilai absolut dari koefisien. Sementara itu, Analisis Regresi Partial Least Square (PLS) merupakan teknik yang berguna ketika variabel prediktor sangat berkorelasi atau lebih banyak dari jumlah observasi. PLS mengurangi dimensi data dengan mempertahankan informasi yang paling relevan terkait dengan variabel respons.

Target Pembelajaran:

  1. Peserta dapat menguasai konsep dasar machine learning, Cross Validiation, Analisis Regresi, Ridge Regression, dan LASSO Regression.
  2. Peserta dapat melaksanakan proses pemodelan dan prediksi dari model Analisis Regresi, Ridge Regression, dan LASSO Regression.
  3. Peserta dapat memahami serta menerapkan prinsip evaluasi model pada Analisis Regresi, Ridge Regression, dan LASSO Regression.

 

Target Pelatihan:

  1. Mahasiswa dan Peneliti
  2. Data Analyst, Data scientist dan AI engineer

 

Lama Pelatihan:

2 hari, @ 420 menit

Referensi :

Peter Flach: Machine learning: The Art and Science of Algorithms that Make Sense of Data. Cambridge University Press 2012
Tan, Steinbach, Kumar. Introduction to Data Mining. Addison-Wesley. 2006.
Slide perkuliahan: Introduction to Machine Learning, University of Helsinki.
Suyanto, Data Mining untuk Klasifikasi dan Klasterisasi Data, INFORMATIKA: Bandung, 2017

Sylabus: