Pembelajaran / Learning

TUGAS PENG. TEKNOLOGI SISTEM CERDAS

Nama :Inka Riesty Gunadi

Npm    :13115384

Kelas   :3KA10

Dosen   :Essy Malays Sari Sakti

UNIVERSITAS GUNADARMA

2017

Pembelajaran dari Pengamatan

Setiap komponen agen dapat ditingkatkan dengan belajar dari data. 

Perbaikan, dan teknik yang digunakan untuk membuatnya, bergantung pada empat faktor utama:

• Komponen mana yang harus diperbaiki?

• Apa pengetahuan sebelumnya yang dimiliki agen.

• Representasi apa yang digunakan untuk data dan komponennya.

• Umpan balik apa yang tersedia untuk dipelajari.

Komponen yang dipelajari

Komponen dari agen ini meliputi: 

1. Pemetaan langsung dari kondisi pada keadaan saat ini terhadap tindakan. 

2. Suatu cara untuk menyimpulkan sifat-sifat yang relevan dari dunia dari urutan percept. 

3. Informasi tentang cara dunia berkembang dan tentang hasil tindakan yang mungkin dilakukan agen. 

4. Informasi utilitas yang menunjukkan keinginan negara-negara dunia. 

5. Action-value information yang menunjukkan keinginan tindakan. 

6. Sasaran yang menggambarkan kelas-kelas negara yang prestasinya memaksimalkan utiliti agen. Masing-masing komponen ini bisa dipelajari. Anggap saja, misalnya, pelatihan anaerobik adalah sopir taksi. Setiap kali instruktur berteriak "Brake!" Agen bisa mempelajari peraturan tindakan-kondisi untuk kapan harus mengerem (komponen 1); agen juga belajar setiap kali instruktur tidak berteriak. Dengan melihat banyak gambar kamera yang diberi tahu berisi bus, ia bisa belajar mengenali mereka (2). Dengan mencoba tindakan dan mengamati hasilnya-misalnya, mengerem keras di jalan yang basah-ia dapat mempelajari efek dari tindakannya (3). Kemudian, ketika tidak mendapat tip dari penumpang yang benar-benar terguncang selama perjalanan, ia dapat mempelajari komponen yang berguna dari keseluruhan fungsi utilitasnya (4).

Pembelajaran Induktif

Dimungkinkan untuk membangun sistem pakar menggunakan Artificial Neural System. Sebagai contoh sebuah sistem pakar medis. ANS adalah knowledge base yang dibangun berdasarkan pelatihan data pengobatan penyakit. Sistem pakar ini mencoba mengklarifikasi penyakit dari gejalanya yang diketahui dengan cara pelatihan. Inference engine MACIE (Matrix Controlled Inference Engine) dirancang menggunakan ANS knowledge base. Sistem ini menggunakan metode forward chaining untuk melakukan inferensi dan metode backward chaining untuk query data tambahan yang diperlukan terhadap user. Meskipun ANS tidak dapat menjelaskan proses yang dilakukannya seperti mengapa sebuah neuron memiliki bobot tertentu, namun MACIE dapat menginterpretasikan ANS dan menghasilkan aturan IF-THEN untuk menjelaskannya.
Sebuah sistem pakar dengan ANS menggunakan metode pembelajaran induktif, yaitu sistem menghasilkan informasi yang termuat di knowledge-base berdasarkan contoh yang diberikan. Induksi adalah proses inferensi kasus yang umum dari kasus khusus. Tujuan pembelajaran induktif adalah mengurangi atau mengeliminasi masalah kemacetan perolehan knowledge.

Pohon Keputusan Pembelajaran

Pohon keputusan adalah salah satu bentuk pembelajaran mesin yang paling sederhana namun paling 

berhasil. Kami pertama-tama menggambarkan representasi tersebut - ruang hipotesis - dan kemudian 

menunjukkan bagaimana cara mempelajari hipotesis yang baik. 

Representasi pohon keputusan 

Pohon keputusan mewakili fungsi yang mengambil sebagai masukan sebuah vektor nilai atribut 

dan mengembalikan sebuah "keputusan" - sebuah nilai keluaran tunggal. Nilai input dan output 

dapat diskrit atau kontinyu. Untuk saat ini kita akan berkonsentrasi pada masalah dimana input 

memiliki nilai diskrit dan hasilnya memiliki dua nilai yang tepat; Ini adalah klasifikasi Boolean, 

di mana setiap masukan contoh akan diklasifikasikan sebagai benar (contoh positif) atau salah 

(contoh negatif). Pohon keputusan mencapai keputusannya dengan melakukan serangkaian tes. 

Setiap simpul internal di pohon sesuai dengan uji nilai salah satu atribut input, Ai, dan cabang

 dari nodus diberi label dengan nilai atribut yang mungkin, Ai = vik. Setiap simpul daun di pohon 

menentukan nilai yang akan dikembalikan oleh fungsinya. Representasi pohon keputusan itu alami 

bagi manusia; Memang, banyak manual "Cara" (mis., untuk perbaikan mobil) seluruhnya ditulis 

sebagai pohon keputusan tunggal yang terbentang di ratusan halaman. Sebagai contoh, kita akan 

membuat pohon keputusan untuk memutuskan apakah akan menunggu meja di restoran. 

Tujuannya di sini adalah untuk mempelajari definisi predikat predikat WillWait. 

Daftar pertama atribut yang akan kita pertimbangkan sebagai bagian dari masukan: 

1. Alternatif: apakah ada alternatif restoran yang sesuai di dekatnya. 

2. Bar: apakah restoran memiliki area bar yang nyaman untuk ditunggu. 

3. Fri / Sat: benar pada hari Jumat dan Sabtu. 

4. Lapar: apakah kita lapar? 

5. Pelindung: berapa banyak orang yang ada di restoran (nilainya tidak ada, beberapa, dan penuh). 

6. Harga: kisaran harga restoran ($, $$, $$$). 

7. Hujan: apakah sedang hujan di luar. 

8. Reservasi: apakah kami melakukan reservasi. 

9. Tipe: jenis restoran (Prancis, Italia, Thailand, atau burger). 

10. WaitEstimate: menunggu diperkirakan oleh host (0-10 menit, 10-30, 30-60, atau> 60).

Pembelajaran Ensemble

Sejauh ini kita telah melihat metode pembelajaran di mana hipotesis tunggal, yang dipilih dari ruang hipotesis, digunakan untuk membuat prediksi. Gagasan metode pembelajaran ensemble adalah memilih koleksi, atau ansambel, dari hipotesis dari ruang hipotesis dan menggabungkan prediksi mereka. Misalnya, selama validasi silang kita bisa menghasilkan dua puluh pohon keputusan yang berbeda, dan mintalah mereka memberikan suara pada klasifikasi terbaik untuk contoh baru.Motivasi belajar ensemble itu sederhana. Pertimbangkan sebuah ensemble K = 5hypotheses dan anggaplah wecombine theirpredictions menggunakan voting mayoritas sederhana. Forthe ansambel untuk salah mengartikan contoh baru, setidaknya tiga dari lima hipotesis harus salah mengartikannya. Harapannya adalah bahwa ini jauh lebih kecil kemungkinannya daripada klasifikasi yang salah oleh hipotesis tunggal. Misalkan kita asumsikan bahwa setiap hipotesis hk dalam ansambel memiliki kesalahan p-yaitu probabilitas bahwa contoh yang dipilih secara acak salah dikelompokkan oleh hk adalah hal. Selanjutnya, anggaplah kita mengetahui bahwa kesalahan yang dibuat oleh hipotesis adalah independen. Dalam kasus ini, jika p kecil, maka kemungkinan sejumlah besar kesalahan klasifikasi terjadi sangat kecil. Sebagai contoh, perhitungan sederhana (Latihan 18.18) menunjukkan bahwa menggunakan ensemble fibroadypotheses mengurangi tingkat kesalahan 1 dari 10 sampai tingkat kesalahan kurang dari 1 dari 100. Sekarang, jelas asumsi independensi tidak masuk akal, karena hipotesis cenderung disesatkan dengan cara yang sama oleh aspek data pelatihan yang menyesatkan. Tetapi jika hipotesis paling sedikit sedikit berbeda, sehingga mengurangi korelasi antara theerrors, maka ensemble pembelajaran bisa sangat bermanfaat.

Referensi:

http://web.cecs.pdx.edu/~mperkows/CLASS_479/2017_ZZ_00/02__GOOD_Russel=Norvig=Artificial%20Intelligence%20A%20Modern%20Approach%20(3rd%20Edition).pdf