MATERI PERKULIAHAN KECERDASAN BUATAN

Slides:



Advertisements
Presentasi serupa
Bab 8 collaboration diagram
Advertisements

Konsep Dasar Sistem Temu Kembali Informasi
Pengantar Intelijensia Buatan
Agung Toto Wibowo Bourg, David M., dan Seeman, Glenn, ”AI for Game Developers “, O'Reilly, 2004 Russell,
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
Peran Utama Data Mining
Progress Final Project Ke-1
PENDAHULUAN.
Artificial Intelligence
Kuliah Pengantar Intelijensia Buatan
Problem Space Dr. Kusrini, M.Kom.
Kontrak Kuliah.
Mata Kuliah :Web Mining Dosen
Data Mining: Klasifikasi dan Prediksi Naive Bayesian & Bayesian Network . April 13, 2017.
JARINGAN SARAF TIRUAN LANJUTAN
Jaringan Syaraf Tiruan (JST) stiki. ac
Pengenalan Supervised dan Unsupervised Learning
Pertemuan 3 JARINGAN PERCEPTRON
1 Pertemuan 8 Klasifikasi dan Rekognisi Pola (2) Matakuliah: T0283 – Computer Vision Tahun: 2005 Versi: Revisi 1.
Konsep Neural Network Learning Pertemuan 3
A rsitektur dan M odel D ata M ining. Arsitektur Data Mining.
MATERI PERKULIAHAN TEKNIK KOMPILASI
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
PENGANTAR KECERDASAN BUATAN (ARTIFICIAL INTELEGENT)
Sistem Berbasis Fuzzy Materi 4
Data Mining Junta Zeniarja, M.Kom, M.CS
KECERDASAN BUATAN PERTEMUAN 9.
Pertemuan 12 ARTIFICIAL NEURAL NETWORKS (ANN) - JARINGAN SYARAF TIRUAN - Betha Nurina Sari, M.Kom.
MATERI PERKULIAHAN ALGORITMA & PEMROGRAMAN
STUDI KASUS KLASIFIKASI Algoritma C 4.5
PROSES PEMBUATAN KEPUTUSAN
Peran Utama Data Mining
MASALAH DAN RUANG KEADAAN
KONTRAK PERKULIAHAN.
MATERI PERKULIAHAN KECERDASAN BUATAN
Artificial Intelligence
Konsep Data Mining Ana Kurniawati.
Klasifikasi Berdasarkan Teorema Bayes
Aplikasi Kecerdasan Komputasional
Learning Theory Artificial Intelligence Teknik Informatika – UNIKOM
MATERI PERKULIAHAN ANALISIS ALGORITMA
Sistem Pendukung Keputusan / Decision Support System
MATERI PERKULIAHAN KECERDASAN BUATAN
MATERI PERKULIAHAN TEKNIK KOMPILASI
Learning Theory Artificial Intelligence Teknik Informatika – UNIKOM
Artificial Intelligence (AI)
Classification Supervised learning.
Sistem TEMU KEMBALI INFORMASI
MATERI PERKULIAHAN KECERDASAN BUATAN
MATERI PERKULIAHAN PEMROGRAMAN I (Remedial)
MATERI PERKULIAHAN SISTEM OPERASI
Oleh : Rahmat Robi Waliyansyah, M.Kom.
PRODI MIK | FAKULTAS ILMU-ILMU KESEHATAN
Jaringan Syaraf Tiruan Artificial Neural Networks (ANN)
Pertemuan 12 ARTIFICIAL NEURAL NETWORKS (ANN) - JARINGAN SYARAF TIRUAN - Betha Nurina Sari, M.Kom.
Kecerdasan Buatan oleh : Syaifudin Ramadhani, S.Kom
Self-Organizing Network Model (SOM) Pertemuan 10
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
KLASIFIKASI.
Pengantar Intelegensi Buatan
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
Konsep Aplikasi Data Mining
Pertemuan II RIDWAN ADAM M NOOR.
KONTRAK PERKULIAHAN.
TEKNIK KLASIFIKASI DAN PENGENALAN POLA
Neural Network 3T Artificial Intelligence Jaringan Saraf Tiruan (Artificial Neural Network)
Konsep Data Mining Ana Kurniawati.
Information Retrieval “Document Classification dengan Naive Bayes”
MATERI PERKULIAHAN ANALISIS ALGORITMA
Intro Algoritma K-Nearest Neighbor (K- NN) adalah sebuah metode klasifikasi terhadap sekumpulan data maupun dokumen berdasarkan pembelajaran  data yang.
Transcript presentasi:

MATERI PERKULIAHAN KECERDASAN BUATAN LEARNING 4 Ken Kinanti Purnamasari

Tujuan Memahami konsep algoritma Learning

L E A R N I N G

LEARNING Proses melalui beberapa pengalaman (E) dalam melakukan beberapa tugas (T) sehingga meningkatkan performa (P) E : Experience, T : Class of Tasks, P : Performance Measure

Contoh LEARNING KRITERIA KETERANGAN Kasus Permainan Catur Task (T) Bermain Catur Performance Measure (P) Persentase kemenangan melawan musuh Training Experience (E) Berlatih dengan diri sendiri

Contoh LEARNING KRITERIA KETERANGAN Kasus Pengenalan Tulisan Tangan Task (T) Mengenali dan mengklasifikasi kata-kata dalam tulisan Performance Measure (P) Persentase kata-kata yang berhasil diklasifikasi Training Experience (E) Data-data tulisan tangan dengan kelasnya masing-masing (given classifications)

Mengapa harus Belajar ? Tidak semua kemungkinan situasi dapat didefinisikan contoh : peta labirin Tidak semua perubahan dapat diantisipasi contoh : perubahan pola permintaan barang, bahasa alay Ada beberapa tugas yang sulit dibuat aturannya contoh : mengenali wajah

Faktor Utama Pembelajaran KOMPONEN : Komponen mana yang akan ditingkatkan PENGETAHUAN AWAL (prior knowledge) : Apa pengetahuan awal yang sudah dimiliki agent REPRESENTASI DATA & KOMPONEN: Bagaimana representasi yang digunakan UMPAN BALIK (feedback) : Apa feedback yang dapat dipelajari

Continuous / Discrete Values Representasi Data ? LEARNING Continuous / Discrete Values Vector

Umpan Balik (feedback) SUPERVISED belajar dari pasangan input-output (contekan) UNSUPERVISED belajar tanpa pasangan input-output SEMI-SUPERVISED Gabungan SUPERVISED dan UNSUPERVISED (biasanya karena banyak noise atau kurangnya data)

Umpan Balik (feedback) REINFORCEMENT belajar dari efek suatu tindakan, yang berupa hadiah (reward) dan hukuman (punishment)

E X A M P L E T A S K

Example : EnjoySport data masukan kelas

Example : EnjoySport 3 x 2 x 2 x 2 x 2 x 2 = 96 instances 5 x 4 x 4 x 4 x 4 x 4 = 5120 hypothesis

Hipotesis data masukan kelas Aldo menikmati olahraga favoritnya, hanya di hari yang dingin (COLD) dengan kelembapan udara yang tinggi (HIGH) (?, Cold, High, ?, ?, ?)

Hipotesis MOST GENERAL HYPOTHESIS Every day is positive example < ?, ?, ?, ?, ?, ? > MOST SPECIFIC HYPOTHESIS No day is positive example < Ø, Ø, Ø, Ø, Ø, Ø >

A L G O R I T M A L E A R N I N G

ALGORITMA LEARNING DECISION TREE K NEAREST NEIGHBOUR NEURAL NETWORK SVM (SUPPORT VECTOR MACHINE)

DECISION TREE

NEAREST NEIGHBOUR

NEURAL NETWORK

SVM (Support Vector Machine)

SVM (Support Vector Machine)

K A S U S L E A R N I N G

Klasifikasi Laporan TA TEKS … Data Latih Abstrak 1 Abstrak 2 Abstrak 3 Abstrak 10 A A B B TRAINING A Abstrak 11 Abstrak 11 B TESTING Abstrak 12 Abstrak 12 A Data Uji Abstrak 13 Abstrak 13

Pengenalan Tulisan Tangan GAMBAR Pengenalan Tulisan Tangan

Ada Pertanyaan ???

REFERENSI . . . Russell, S., Norvig, P. Artificial Intelligence A Modern Approach (Third Edition). 2010. Pearson Education, USA. Mitchell, T. M., Machine Learning. 1997. The McGraw-Hill Companies,Inc.

TUGAS PERORANGAN 1. Carilah Jurnal/Paper : 5 (lima) untuk AI learning 5 (lima) untuk AI searching 2. Jelaskan secara singkat tentang apa yang dibahas dalam setiap paper! Kumpulkan dalam 1 CD per kelas, dengan 1 folder untuk setiap orang. Format Folder : Kelas_NIM_Nama AI - 12_10107778_Ken Kinanti P Isi Folder : Paper 1 Paper 2 … Pembahasan Pembahasan Paper 1 Pembahasan Paper 2 Deadline : H-1 pertemuan selanjutnya