Ada berbagai cara bagi mesin untuk belajar. Berbagai pendekatan terhadap Pembelajaran Mesin (ML) umumnya dibedakan berdasarkan jenis masalah yang mereka coba selesaikan, serta berdasarkan jenis dan jumlah umpan balik yang diberikan oleh programmer.

Secara luas, kita dapat membagi pembelajaran mesin menjadi tiga subbidang:

• Pembelajaran dengan pengawasan
• Pembelajaran tanpa pengawasan
• Pembelajaran penguatan

Meskipun ini mungkin terlihat seperti kategorisasi yang rapi, tidak selalu mudah untuk menempatkan metode tertentu. Mari kita lihat apa yang membedakan ketiga kategori ini.

Katakanlah Anda ingin mengajar mesin untuk dapat membedakan anjing dari kucing. Anda memberikan foto sebagai input berlabel "kucing" atau "anjing". Dari mempelajari contoh-contoh itu, algoritma akan belajar mengenali hal-hal yang membedakan kucing dari anjing dan akan menetapkan label yang benar untuk setiap gambar baru yang Anda minta untuk ia analisis.

Dalam pembelajaran dengan pengawasan, mesin membutuhkan contoh berlabel untuk belajar. Contoh-contoh itu digunakan untuk melatih suatu algoritma untuk secara otomatis menetapkan label yang benar.

Dalam konteks jurnalistik, pembelajaran dengan pengawasan dapat, misalnya, melatih suatu algoritma untuk menemukan dokumen yang mungkin menarik untuk diselidiki. Pada beberapa kesempatan ini telah terbukti bermanfaat bagi jurnalis investigasi yang harus berurusan dengan volume dokumen yang besar.

Dengan pembelajaran tanpa pengawasan, contoh-contoh yang disediakan untuk mesin tidak diberi label. Algoritma ini bertugas mempelajari dengan sendirinya untuk mengenali pola dalam data, misalnya dengan tujuan pengelompokan bersama catatan yang memiliki karakteristik yang sama.

Dengan kata lain, algoritma dilatih untuk menemukan beberapa struktur dalam data tidak berlabel yang Anda minta untuk ia analisis. Ini mungkin digunakan oleh bisnis untuk lebih memahami pelanggannya, misalnya dengan mengelompokkan mereka ke dalam kategori yang menunjukkan perilaku belanja yang serupa.

Dalam jurnalisme, teknik-teknik semacam ini telah digunakan oleh jurnalis investigasi untuk menyingkapkan penghindaran pajak dan untuk membantu wartawan keuangan kampanye dalam menghubungkan berbagai catatan donasi dengan donor yang sama.

Tipe ketiga adalah pembelajaran penguatan. Serupa dengan pembelajaran tanpa pengawasan, hal ini tidak perlu data berlabel. Alih-alih didasarkan pada gagasan untuk mempelajari tindakan apa yang harus diambil melalui coba-coba, atau dengan kata lain: dengan membuat kesalahan. Awalnya algoritma ini bertindak secara acak, menjelajahi lingkungan, tetapi seiring waktu ia belajar dengan diberi penghargaan ketika ia membuat pilihan yang tepat.

Pembelajaran penguatan biasanya digunakan untuk mengajarkan mesin dalam bermain game, dengan contoh yang paling terkenal adalah AlphaGo, program komputer yang dikembangkan oleh DeepMind, yang pada tahun 2016 berhasil mengalahkan pemain top dunia Lee Sedol dalam permainan papan asal Tiongkok “Go”.

Aplikasi jurnalistik masih jarang, tetapi pembelajaran penguatan digunakan, misalnya, untuk pengujian judul. 

Pembelajaran Mendalam (Deep Learning) adalah jenis pembelajaran lain yang telah semakin terkenal dalam beberapa tahun terakhir berkat peningkatan kekuatan komputasi yang telah kita bahas. Ia sendiri merupakan subbidang pembelajaran mesin, tetapi berbeda dari pendekatan-pendekatan yang baru saja kita pelajari, pembelajaran mendalam didefinisikan oleh kompleksitas dan kedalaman (sesuai dengan namanya) dari model matematika yang terlibat.

Kedalaman model mengacu pada penggunaan analisis berlapis-lapis yang memungkinkan algoritma untuk mempelajari struktur yang lebih kompleks secara progresif. Pembelajaran mendalam didasarkan pada jaringan saraf tiruan, yang arsitekturnya diilhami oleh sistem biologis manusia, misalnya dengan cara informasi visual diproses oleh otak kita melalui mata kita.

Dengan pengawasan, tanpa pengawasan, penguatan, jaringan saraf... dapat membuat Anda bingung.

Pelajaran ini tidak dirancang untuk mengecilkan hati Anda. Sangat penting untuk memahami kerumitan bidang pembelajaran mesin dan memenuhi subbidangnya, tetapi kecuali jika Anda ingin menyelam lebih dalam ke dalam lautan ilmu data yang tanpa batas ini, yang harus Anda ingat dari pelajaran ini cukup sederhana: masalah yang berbeda memerlukan solusi dan pendekatan Pembelajaran Mesin yang berbeda agar berhasil ditangani.

Dalam pelajaran berikutnya, kita akan melihat situasi apa saja dalam pekerjaan Anda yang dapat menyambut solusi pembelajaran mesin. Setelah itu, kita akan mengeksplorasi proses yang memungkinkan mesin untuk belajar dan memperkenalkan konsep bias, dengan beberapa kiat tentang cara menghadapinya.