Machine Learning (Pembelajaran Mesin) SUPENO MARDI

Kelas Logistik dan Jadwal 36 Pertemuan Software yang digunakan Python 3 TensorFlow (TF) + Keras Final Project + Presentasi

Daftar isi Cara Manusia Belajar Machine Learning Lingkaran Sense, Think, Act: Sistem Robotic Supervised learning Unsupervised learning Pilihan algorithma Machine Learning Agen Cerdas/Pintar Dunia Robot Dunia Simulasi

CARA MANUSIA BELAJAR Bayi belajar dengan cara apa? Dari lahir sampai 6 bulan Mengenali wajah orang tua Membedakan objek diskrit dari latar belakang Mampu membedakan suara Dalam setahun Mengembangkan intuisi secara alami Melacak objek, bahkan bila ada oklusi Kaitkan suara dengan makna tertentu Balita Pemahaman tata bahasa Ribuan kata dalam kosakata mereka

CARA MANUSIA BELAJAR Prateek Joshi, AI with python

Mengapa perlu AI untuk otomasi macam keperluan Kehidupan di dunia: Manusia berurusan dengan jumlah data yang sangat besar.Otak manusia tidak dapat melacak begitu banyak data. Data berasal dari berbagai sumber secara bersamaan, tidak teratur dan kacau Pengetahuan yang berasal dari data ini harus diperbarui terus-menerus karena data itu sendiri terus berubah. Indra Perasa dan aktuasi tindakan harus terjadi secara waktu nyata dengan presisi tinggi.

Lingkaran Sense, Think, Act Kumpulkan perubahan di sensor masukan Update status dengan nilai terbaru Think Kumpulkan hasil dari setiap pohon keputusan, olah dan tentukan yang terbaik Act Jalankan setiap perubahan pada tindakan Sense Think Act

Think Sense Act Arsitektur Sistem Robotic Data acquisition Filtering Perception Sense Locomotion Kinematics Motor control Navigation Localization Decision making Act

Intelligent machines Kita mendambakan membangun mesin cerdas/Intelligent machines dengan otak seperti milik manusia Domestic service robots = enable to clean home Unmanned vehicles = can drive by themselves

Keterbatasan traditional computer programs Traditional computer programs sangat bagus pada : Performing arithmetic really fast Explicitly following a list of instructions Jika kita ingin memecahkan masalah "menarik" seperti mengenali tulisan tangan manusia, Aturan apa yang akan digunakan? Is this a “six” or “zero”? How can the computer distinguish it? How about the others? How many rules do we have to write? MNIST handwritten digit dataset

Mekanik dari machine learning Belajar dari apa yang kita lakukan! Orangtua kita tidak mengajarkan aturan / rumus kita belajar dari contoh ibu kami melakukannya! Jadi, Mesin harus memiliki model komputasi: Tidak menggunakan kamus besar aturan Dapat mengevaluasi contoh Dapat dimodifikasi dengan menggunakan set instruksi "kecil"

Contoh: linear problem ~Diselesaikan dengan linear perceptron~ Asu𝑚𝑠𝑖 𝑚𝑜𝑑𝑒𝑙 𝑎𝑑𝑎𝑙𝑎ℎ 𝑝𝑒𝑟𝑠𝑎𝑚𝑎𝑎𝑛 ℎ(𝒙,𝜃) The input 𝒙= 𝑥 1 , 𝑥 2 𝑇 adalah contoh dinyatakan dalam bentuk vektor 𝑥 1 Jumlah jam waktu tidur 𝑥 2 : jumlah jam waktu belajar The input 𝜃 adalah vektor parameter yang digunakan pada model Pembelajaran mesin mencoba untuk menyempurnakan nilai-nilai parameter model 𝒙= x 1 x 2 T , 𝜃= 𝜃 0 𝜃 1 𝜃 2 𝑇 ℎ(𝒙,𝜃)= −1 𝑖𝑓 𝒙 𝑇 ∙ 𝜃 1 𝜃 2 + 𝜃 0 <0 1 𝑖𝑓 𝒙 𝑇 ∙ 𝜃 1 𝜃 2 + 𝜃 0 ≥0 ℎ(𝒙,𝜃)= −1 𝑖𝑓 3 𝑥 1 +4 𝑥 2 −24<0 1 𝑖𝑓 3 𝑥 1 +4 𝑥 2 −24≥0

Contoh: non linear problem In general, to solve a problem: finding an “optimal” parameters This job is done by an “optimizer” by e.g. minimizing the error We need to think another way to solve these!

The neuron Unit dasar otak manusia Di bagian otak seukuran butiran beras Terdapat 10,000 neurons Masing-masing membentuk rata-rata 6.000 koneksi dengan neuron lainnya Mereka berkomunikasi satu sama lain dengan mengirim dan menerima sinyal dari yang lain

Apa itu Pembelajaran Mesin(machine learning) ? Pembelajaran mesin mengajarkan komputer untuk melakukan apa yang datang secara alami ke manusia dan hewan: belajar dari pengalaman Algoritma mesin belajar menggunakan metode komputasi untuk "belajar" informasi langsung dari data tanpa bergantung pada persamaan telah ditetapkan sebagai model Algoritma secara adaptive meningkatkan kinerja mereka seiring jumlah sampel tersedia untuk belajar meningkat

Data lebih banyak, lebih banyak pertanyaan, jawaban yang lebih baik Algoritma mesin belajar menemukan pola-pola alami dalam data yang menghasilkan wawasan dan membantu Anda membuat keputusan yang lebih baik dan prediksi. Mereka digunakan setiap hari untuk membuat keputusan yang kritis dalam diagnosis medis, saham perdagangan, energi beban peramalan dan lebih. Situs media mengandalkan mesin belajar untuk menyaring melalui jutaan pilihan untuk memberikan rekomendasi lagu atau film. Pengecer menggunakannya untuk mendapatkan wawasan perilaku pembelian pelanggan mereka.

Aplikasi dari Machine Learning Computational finance, untuk credit scoring and algorithmic trading Image processing and computer vision, untuk face recognition, motion detection, and object detection Computational biology, untuk tumor detection, drug discovery, and DNA sequencing Energy production, untuk price and load forecasting Automotive, aerospace, and manufacturing, untuk predictive maintenance Natural language processing

Bagaimana machine learning bekerja Pembelajaran mesin menggunakan dua jenis teknik: Supervised learning, yang melatih model dengan input dan output data yang dikenal, sehingga dapat memprediksi masa depan output Unsupervised learning, yang menemukan pola-pola yang tersembunyi atau struktur intrinsik dalam input data

Supervised learning Tujuan dari supervised machine learning untuk membangun sebuah model yang membuat prediksi didasarkan pada bukti dalam kehadiran ketidakpastian. A supervised learning algorithm mengambil satu set yang dikenal dari input data dan dikenal tanggapan ke data (output) dan kereta model untuk menghasilkan prediksi yang wajar untuk respon terhadap data baru Supervised learning menggunakan teknik klasifikasi dan regresi untuk mengembangkan model prediktif

Teknik Classification Predict discrete responses For example, whether an email is genuine or spam, or whether a tumor is cancerous or benign Classification models classify input data into categories Typical applications include medical imaging, speech recognition, and credit scoring

Teknik Regression Predict continuous responses For example, changes in temperature or fluctuations in power demand. Typical applications include electricity load forecasting and algorithmic trading

Unsupervised learning Finds hidden patterns or intrinsic structures in data It is used to draw inferences from datasets consisting of input data without labeled responses Clustering is the most common unsupervised learning technique It is used for exploratory data analysis to find hidden patterns or groupings in data Applications for clustering include gene sequence analysis, market research, and object recognition

Algoritma Machine Learning Pemilihan Algoritma yang tepat Ada puluhan Algoritma supervised and unsupervised machine learning algorithms, masing-masing mengambil pendekatan yang berbeda untuk pembelajarannya Tidak ada metode terbaik atau satu ukuran cocok untuk Algoritma yang tepat adalah: just trial and error Bahkan highly experienced data scientists tidak dapat mengatakan apakah sebuah algoritma akan bekerja tanpa dicoba dulu. Tetapi pemilihan algoritma juga tergantung pada ukuran dan jenis data yang Anda pakai Wawasan yang Anda ingin mendapatkan dari data Bagaimana wawasan akan digunakan

Pilihan algorithma Machine Learning KNN SVM

Kapan Anda harus menggunakan Pembelajaran Mesin? Consider using machine learning when: Have a complex task or problem involving: A large amount of data Lots of variables But, no existing formula or equation. For example, machine learning is a good option if you need to handle situations like these:

Real-World Examples

Real-World Examples

Real-World Examples

Agen cerdas What is an agent? What does an agent do? An entity capable of combining cognition, perception and action in behaving autonomously, purposively and flexibly in some environment What does an agent do? An agent perceives its environment, reasons about its goals, and acts upon the environment What does PEAS stand for (description of an agent)? Performance measure, Environment, Actuators, Sensors What are we about to do right now? Russel Norvig, AI Modern Approach

Generic Program Agen Cerdas Implementing f : P*  A …or… f (P*) = A Lookup table? Learning? Knowledge, past percepts, past actions e.g., Add percept to percepts LUT [percepts, table] NOP Table-Driven-Agent

Tipe dasar Agen Cerdas Simple reflex agent Model-based reflex agent Goal-based agent Utility-based agent Learning agent

Simple Reflex Agent Input/output associations Condition-action rule: “If-then” rule (production rule) If condition then action (if in a certain state, do this) If antecedent then consequent

Simple Reflex Agent Simple state-based agent – Classify the current percept into a known state, then apply the rule for that state

Model-Based Reflex Agent Internal state – keeps track of the world, models the world

Model-Based Reflex Agent State-based agent – Given the current state, classify the current percept into a known state, then apply the rule for that state

Goal-Based Agent Goal: immediate, or long sequence of actions? Search and planning – finding action sequences that achieve the agent’s goals

Utility-Based Agent Maps a state onto a real number “There are many ways to skin a cat” Utility function: Specifies degree of usefulness (happiness) Maps a state onto a real number

Learning Agent

Daftar isi Cara Manusia Belajar Machine Learning Lingkaran Sense, Think, Act: Sistem Robotic Supervised learning Unsupervised learning Pilihan algorithma Machine Learning Agen Cerdas/Pintar Dunia Robot Dunia Simulasi

Platform Robot untuk setiap usia dan aplikasi NI LabVIEW LEGO ® MINDSTORMS® NXT powered by LabVIEW LEGO ® WeDo® powered by LabVIEW NI WorldClass

Types of Robots Fixed-base robots Mobile robots (tele-operated) Autonomous vehicles and systems

Vision Guided Motion Application Pick and place parts of different sizes and orientations Challenges Multiple domains of expertise need to be addressed Key benefits Integration of Robot Control and Vision in a single development environment

Underwater Dredging System: Remote Control Aplikasi Tingkat lantai dasar laut untuk meletakkan pipa dari ladang gas alam Orman Lange ke Inggris. Mengembangkan HMI, antarmuka remote control, mengangkat kontrol kompensasi dan kekuatan Tantangan 1000 meters below sea level, strong currents, uneven terrain, constrained time and budget

Autonomous Vehicle for DARPA Urban Challenge TORC Technologies and Virginia Tech “Odin” Vehicle Application Autonomously navigate 60 mile urban environment Challenges Follow all traffic laws Safely navigate around obstacles/barriers Safely interact with other UGV and manned vehicles at stop signs during passing, parking Key benefits Rapid development platform Domain expertise vs. computer science focus Common tool across Windows, Linux, VxWorks, FPGA Fast design iterations Infrastructure of support for NI and 3rd party I/O hardware: unrivaled by any text- based language

Daftar isi Cara Manusia Belajar Machine Learning Lingkaran Sense, Think, Act: Sistem Robotic Supervised learning Unsupervised learning Pilihan algorithma Machine Learning Agen Pintar Dunia Robot Dunia Simulasi

Tools Simulasi Excel Starlogo https://education.mit.edu/portfolio_page/starlogo-tng/ RPGXP Unity Matlab https://www.mathworks.com/products/matlab.html Python

TERIMAKASIH