Pemelajaran mesin daring: Perbedaan antara revisi

Konten dihapus Konten ditambahkan
membuat artikel pemelajaran mesin daring
Tag: tanpa kategori [ * ]
 
Koreksi
Tag: Suntingan perangkat seluler Suntingan peramban seluler Suntingan seluler lanjutan
Baris 2:
{{short description|Metode dalam pemelajaran mesin}}
{{Pemelajaran mesin|Paradigma}}
Dalam [[Ilmuilmu komputer|Ilmu Komputer]], '''pemelajaran mesin daring''' ([[bahasa Inggris]]: ''online machine learning'' atau ''online learning'') adalah suatu paradigma dalam pemelajaran mesin yang menekankan pembaruan atau penyesuaian model secara dinamis seiring dengan masuknya data baru secara real-time. <ref>{{Cite journal|title=Online learning: A comprehensive survey|journal=Neurocomputing|url=https://www.sciencedirect.com/science/article/pii/S0925231221006706|last=Hoi|first=Steven C. H.|date=2021-10-12|issue=|doi=10.1016/j.neucom.2021.04.112|volume=459|pages=|last2=Sahoo|first2=Doyen|last3=Lu|first3=Jing|last4=Zhao|first4=Peilin}}</ref> Dalam metode ini, pemelajar bertujuan untuk mempelajari dan meningkatkan prediktor terbaik untuk data masa depan pada setiap langkah, berbeda dengan pemelajaran lompok (''batch learning'') yang menggunakan seluruh [[Himpunan data pelatihan, validasi, dan pengujian|himpunan data pelatihan]] sekaligus. Pemelajaran mesin daring umumnya digunakan ketika tidak memungkinkan secara komputasional untuk melakukan proses pelatihan di keseluruhan data himpunan sehingga memerlukan algoritma [[Algoritma memori eksternal|''out-of-core'']]. Selain itu, metode ini juga diterapkan dalam kondisi ketika algoritma perlu beradaptasi secara dinamis dengan pola-pola baru dalam data, atau ketika data itu sendiri dihasilkan sebagai fungsi waktu, misalnya, [[Prediksi pasar saham|prediksi harga saham]]. Namun, perlu dicatat bahwa algoritma pemelajaran daring dapat menghadapi tantangan seperti ''[[Catastrophic interference|catastrophic interference]]'', suatu fenomena dengan pemelajaran informasi baru menghapus pengetahuan yang sudah diperoleh sebelumnya. Masalah ini dapat diatasi dengan menggunakan pendekatan ''[[incremental learning]]'', memungkinkan algoritma untuk belajar dan beradaptasi secara iteratif tanpa mengakibatkan gangguan yang signifikan pada pola-pola yang telah dipelajari sebelumnya.
 
==Lihat juga==