Kinds of Computational Knowledge Learning
Deep Learning
Deep Learning adalah subbidang dari machine learning yang berfokus pada pengembangan dan penggunaan algoritma jaringan saraf tiruan yang dalam (deep neural networks) untuk melakukan tugas-tugas pembelajaran mesin. Deep learning memungkinkan komputer untuk belajar secara mandiri melalui pemrosesan data yang kompleks dan representasi hierarkis dari informasi. Jaringan saraf tiruan dalam deep learning terdiri dari beberapa lapisan (layer) yang memungkinkan pembelajaran fitur-fitur yang semakin abstrak dan kompleks seiring dengan meningkatnya kedalaman lapisan tersebut.
Batch Learning
Batch Learning adalah pendekatan dalam pembelajaran mesin di mana model diperbarui berdasarkan kumpulan data (batch) yang lengkap. Dalam batch learning, model dihasilkan setelah melalui proses pengolahan data pada keseluruhan dataset yang tersedia, di mana parameter model diperbarui berdasarkan keseluruhan data tersebut. Pendekatan ini membutuhkan sumber daya komputasi yang cukup besar karena melibatkan pemrosesan data secara bersamaan.
Sequential Learning
Sequential Learning adalah pendekatan dalam pembelajaran mesin di mana model diperbarui secara berurutan dengan mengambil sampel data satu per satu. Model diperbarui setiap kali sampel data baru tiba dan model yang sudah ada diperbarui berdasarkan data baru tersebut. Pendekatan ini cocok untuk situasi di mana data tidak tersedia sekaligus atau tiba secara berkelanjutan seiring waktu.
Incremental Learning
Incremental Learning adalah pendekatan dalam pembelajaran mesin di mana model diperbarui secara bertahap dengan data yang bertambah. Model awal dibangun dengan menggunakan sebagian data yang tersedia, kemudian model tersebut diperbarui secara bertahap dengan data baru yang masuk. Pendekatan ini memungkinkan model untuk terus belajar dan menyesuaikan dengan perubahan data seiring waktu.
Scene Learning
Scene Learning adalah pendekatan dalam pembelajaran mesin yang berfokus pada pemahaman dan pengenalan scene atau lingkungan visual. Pendekatan ini memungkinkan komputer untuk memahami dan menginterpretasikan objek, konteks, dan hubungan antar objek dalam suatu scene visual. Scene Learning sering digunakan dalam aplikasi pengenalan gambar, pemrosesan citra, dan pengenalan objek.
Transfer Learning
Transfer Learning adalah pendekatan dalam pembelajaran mesin di mana pengetahuan yang telah dipelajari oleh suatu model pada tugas tertentu dapat ditransfer dan dimanfaatkan dalam tugas yang berbeda. Dalam Transfer Learning, model yang telah dilatih pada tugas terkait digunakan sebagai titik awal untuk mempelajari tugas baru dengan memanfaatkan representasi fitur yang sudah ada. Pendekatan ini dapat menghemat waktu dan sumber daya dalam pelatihan model baru.
Neural Structural Learning
Neural Structural Learning adalah pendekatan dalam pembelajaran mesin yang berfokus pada pemodelan dan peningkatan struktur jaringan saraf tiruan (neural network) secara otomatis. Pendekatan ini memungkinkan jaringan saraf tiruan untuk mengubah struktur dan arsitektur internalnya sesuai dengan data dan tugas yang diberikan. Neural Structural Learning dapat meningkatkan kemampuan jaringan saraf untuk menyelesaikan tugas yang lebih kompleks dengan mengoptimalkan struktur internalnya.
Multi-Task Learning
Multi-Task Learning adalah pendekatan dalam pembelajaran mesin di mana model dibuat untuk menyelesaikan beberapa tugas secara bersamaan. Dalam Multi-Task Learning, model dipelajari untuk berbagi pengetahuan dan informasi antara tugas-tugas yang berbeda, sehingga meningkatkan kinerja dan generalisasi model secara keseluruhan. Pendekatan ini berguna ketika tugas-tugas yang saling terkait dapat memberikan manfaat dan peningkatan performa satu sama lain.