Pembelajaran Tanpa Pengawasan

Melibatkan pelatihan model menggunakan dataset tanpa label. Tujuannya adalah menemukan pola atau struktur tersembunyi dalam data. Ini seperti memberi anak sebuah kotak besar berisi balok LEGO tanpa buku petunjuk. Tujuannya adalah melihat struktur atau pola menarik apa yang bisa mereka buat sendiri. Contohnya mencakup tugas pengelompokan dan reduksi dimensi:

• Pengelompokan: Tujuannya adalah mengelompokkan instance yang serupa ke dalam beberapa kelompok. Ini seperti mengatur mainanmu ke dalam kelompok tanpa diberi tahu caranya. Misalnya, sebuah toko mungkin mengelompokkan pelanggan ke dalam beberapa tipe agar mereka bisa menentukan cara terbaik untuk mengiklankan produk kepada tiap tipe. Atau, di media sosial, cara ini membantu menemukan siapa yang termasuk dalam kelompok teman tertentu.
• Reduksi Dimensi: Teknik yang menyederhanakan kompleksitas data berdimensi tinggi sambil mempertahankan karakteristik pentingnya. Bayangkan kamu memiliki ransel besar yang penuh dengan perlengkapan sekolah, tetapi ingin membuatnya lebih ringan. Reduksi dimensi seperti menentukan barang mana yang penting dan mana yang tidak, sehingga kamu hanya membawa barang yang benar-benar diperlukan. Ini membantu menangani terlalu banyak informasi, misalnya saat kamu mencoba melihat gambar yang sangat rumit dan menyederhanakannya agar lebih mudah dipahami.

Saat kita membahas berbagai algoritma dalam kursus ini, kita akan membicarakan apakah algoritma tersebut lebih mirip pembelajaran terawasi atau tak terawasi.