Machine Learnig, Teknologi Yang Memberikan Ilmu Kepada Komputer Tanpa Diprogram

Buat kamu yang sudah tahu mengenai kecerdasan buatan atau AI, tentunya pasti tahu juga dengan yang namanya machine learning. Nah, buat kamu yang belum mengetahui mengenai teknologi tersebut. Saya akan menjelaskan sedikit mengenai machine learning tersebut. Penasaran? Langsung saja lihat penjelasannya di bawah ini.

Apa Itu Machine Learning?

Machine learning adalah bidang ilmu komputer yang memberi komputer kemampuan untuk belajar tanpa diprogram secara eksplisit.

Arthur Samuel, seorang pelopor Amerika di bidang game komputer dan kecerdasan buatan, menciptakan istilah “Machine Learning” pada tahun 1959 saat di IBM. Berevolusi dari studi pengenalan pola dan teori pembelajaran komputasi pada kecerdasan buatan, machine learning mengeksplorasi studi dan konstruksi algoritma yang dapat dipelajari dari dan membuat prediksi pada data, algoritma tersebut mengatasi mengikuti instruksi program statis secara ketat dengan membuat prediksi atau keputusan berbasis data, melalui pembuatan model dari input sampel. Machine learning digunakan dalam berbagai tugas komputasi dimana algoritma perancangan dan pemrograman eksplisit dengan kinerja yang baik sulit atau tidak layak; Contoh aplikasi meliputi penyaringan email, deteksi penyusup jaringan atau orang dalam yang jahat yang bekerja terhadap pelanggaran data, pengenalan karakter optik (OCR), belajar memberi peringkat, dan penglihatan komputer.

Machine learning sangat erat kaitannya dengan statistik komputasi, dan juga berfokus pada pembuatan prediksi melalui penggunaan komputer. Ini memiliki ikatan yang kuat dengan optimasi matematis, yang memberikan metode, teori dan domain aplikasi ke lapangan. Machine learning terkadang digabungkan dengan data mining, dimana subfield yang terakhir lebih berfokus pada analisis data eksploratif dan dikenal sebagai pembelajaran tanpa pengawasan. Machine learning juga bisa tidak diawasi dan digunakan untuk belajar dan membangun profil perilaku dasar untuk berbagai entitas dan kemudian digunakan untuk menemukan anomali yang berarti.

Dalam bidang analisis data, machine learning adalah metode yang digunakan untuk merancang model dan algoritma yang kompleks yang sesuai dengan prediksi. Dalam penggunaan komersial, ini dikenal sebagai analisis prediktif. Model analisis ini memungkinkan peneliti, ilmuwan data, insinyur, dan analis untuk “menghasilkan keputusan dan hasil yang dapat diandalkan dan berulang” dan menemukan “wawasan tersembunyi” melalui pembelajaran dari hubungan historis dan kecenderungan data

Menurut siklus hype Gartner tahun 2016, machine learning pada puncak ekspektasi meningkat. Machine learning yang efektif sulit dilakukan karena menemukan pola sulit dan seringkali data pelatihan tidak cukup tersedia. Akibatnya, program machine learning sering gagal disampaikan.

Sejarah Machine Learning dan Hubungan ke Bidang Lainnya

Sebagai usaha ilmiah, mechine learning tumbuh dari pencarian kecerdasan buatan. Sudah di masa awal AI sebagai disiplin akademik, beberapa peneliti tertarik untuk memiliki machine learning dari data. Mereka berusaha mendekati masalah dengan berbagai metode simbolis, dan juga apa yang kemudian disebut “jaringan syaraf tiruan“, ini kebanyakan adalah perceptrons dan model lain yang kemudian ditemukan sebagai penemuan kembali model statistik linier yang umum. Penalaran probabilistik juga dilakukan, terutama dalam diagnosis medis otomatis.

Namun, penekanan yang semakin meningkat pada pendekatan berbasis pengetahuan dan logis menyebabkan keretakan antara AI dan mechine learning. Sistem probabilistik diganggu oleh masalah teoritis dan praktis dari akuisisi dan representasi data. Pada tahun 1980, sistem pakar telah mendominasi AI, dan statistik tidak disukai. Bekerja pada pembelajaran simbolis/pembelajaran berbasis pengetahuan terus berlanjut di dalam AI, yang mengarah ke pemrograman logika induktif, namun rangkaian penelitian yang lebih statistik sekarang berada di luar bidang AI yang tepat, dalam pengenalan pola dan pencarian informasi.

Penelitian jaringan saraf telah ditinggalkan oleh AI dan ilmu komputer sekitar waktu yang sama. Garis ini juga dilanjutkan di luar lapangan AI/CS, sebagai “koneksi“, oleh para peneliti dari disiplin lain termasuk Hopfield, Rumelhart dan Hinton. Keberhasilan utama mereka terjadi pada pertengahan tahun 1980an dengan penemuan ulang backpropagation.

Machine learning, direorganisasi sebagai bidang terpisah, mulai berkembang di tahun 1990an. Lapangan mengubah tujuannya mencapai kecerdasan buatan untuk menangani masalah yang bisa dipecahkan secara praktis. Ini mengalihkan fokus dari pendekatan simbolis yang diwarisi dari AI, dan terhadap metode dan model yang dipinjam dari statistik dan teori probabilitas. Ini juga mendapat manfaat dari meningkatnya ketersediaan informasi digital, dan kemungkinan untuk mendistribusikannya melalui Internet.

Machine learning dan data mining sering menggunakan metode yang sama dan tumpang tindih secara signifikan, namun saat mechine learning berfokus pada prediksi, berdasarkan pada pengetahuan yang diketahui yang dipelajari dari data pelatihan, data mining berfokus pada penemuan (sebelumnya) sifat yang tidak diketahui dalam data (ini adalah Langkah analisis penemuan pengetahuan dalam database). Data mining menggunakan banyak metode mechine learning, namun dengan tujuan yang berbeda. Di sisi lain, mechine learning juga menggunakan metode data mining sebagai “pembelajaran tanpa pengawasan” atau sebagai langkah awal untuk meningkatkan akurasi peserta didik.

Sebagian besar kebingungan antara kedua komunitas penelitian ini (yang sering mengadakan konferensi terpisah dan jurnal terpisah, ECML PKDD menjadi pengecualian utama) berasal dari asumsi dasar yang mereka gunakan: dalam mechine learning, kinerja biasanya dievaluasi sehubungan dengan kemampuan untuk mereproduksi pengetahuan yang diketahui, sedangkan dalam penemuan pengetahuan dan data mining (KDD) tugas utamanya adalah penemuan pengetahuan yang sebelumnya tidak diketahui. Dievaluasi sehubungan dengan pengetahuan yang diketahui, metode yang tidak diinformasikan (tanpa pengawasan) akan mudah mengungguli metode pengawasan lainnya, sementara pada tugas KDD yang khas, metode yang diawasi tidak dapat digunakan karena tidak tersedianya data pelatihan.

Mechine learning juga memiliki hubungan intim dengan optimalisasi: banyak masalah belajar dirumuskan sebagai minimisasi beberapa fungsi kerugian pada serangkaian contoh pelatihan. Fungsi kerugian mengungkapkan ketidaksesuaian antara prediksi model yang sedang dilatih dan contoh masalah yang sebenarnya (misalnya, dalam klasifikasi, seseorang ingin menetapkan label ke contoh, dan model dilatih untuk memprediksi dengan benar label yang telah ditetapkan sebelumnya dari sekumpulan contoh). Perbedaan antara kedua bidang tersebut muncul dari tujuan generalisasi: sedangkan algoritma pengoptimalan dapat meminimalkan kerugian pada set pelatihan, mechine learning berkaitan dengan meminimalkan kerugian pada sampel yang tidak terlihat.

Hubungan dengan Statistik

Machine learning dan statistik adalah bidang yang berhubungan erat. Menurut Michael I. Jordan, gagasan tentang mechine learning, dari prinsip metodologis hingga alat teoritis, telah memiliki sejarah pra-sejarah yang panjang. Dia juga menyarankan istilah ilmu data sebagai placeholder untuk memanggil keseluruhan bidang.

Leo Breiman membedakan dua paradigma pemodelan statistik: model data dan model algoritmik, dimana “model algoritmik” berarti lebih sedikit algoritma mechine learning seperti hutan acak.

Beberapa ahli statistik telah mengadopsi metode dari mechine learning, yang mengarah ke bidang gabungan yang mereka sebut pembelajaran statistik.

Teori Machine Learning

Tujuan utama seorang pelajar adalah menggeneralisasi dari pengalamannya. Generalisasi dalam konteks ini adalah kemampuan machine learning untuk melakukan secara akurat pada contoh/tugas baru yang tidak terlihat setelah mengalami set data pembelajaran. Contoh pelatihan berasal dari beberapa distribusi probabilitas yang umumnya tidak diketahui (dianggap mewakili ruang kejadian) dan pelajar harus membangun model umum tentang ruang ini yang memungkinkannya menghasilkan prediksi yang cukup akurat dalam kasus baru.

Analisis komputasional algoritma machine learning dan kinerjanya merupakan cabang ilmu komputer teoritis yang dikenal dengan teori pembelajaran komputasional. Karena set pelatihan terbatas dan masa depan tidak pasti, teori pembelajaran biasanya tidak memberikan jaminan kinerja algoritma. Sebaliknya, batas probabilistik pada kinerja cukup umum. Dekomposisi varians bias adalah salah satu cara untuk mengukur kesalahan generalisasi.

Untuk kinerja terbaik dalam konteks generalisasi, kompleksitas hipotesis harus sesuai dengan kompleksitas fungsi yang mendasari data. Jika hipotesisnya kurang kompleks daripada fungsinya, maka modelnya kurang memiliki data. Jika kompleksitas model meningkat sebagai respons, maka kesalahan pelatihan menurun. Tetapi jika hipotesisnya terlalu rumit, maka modelnya tunduk pada overfitting dan generalisasi akan menjadi lebih buruk.

Selain batas kinerja, teoretikus belajar komputasi mempelajari kompleksitas waktu dan kelayakan pembelajaran. Dalam teori pembelajaran komputasional, perhitungan dianggap layak jika bisa dilakukan dalam waktu polinomial. Ada dua macam hasil kompleksitas waktu. Hasil positif menunjukkan bahwa kelas fungsi tertentu dapat dipelajari dalam waktu polinomial. Hasil negatif menunjukkan bahwa kelas tertentu tidak dapat dipelajari dalam waktu polinomial.

Mengapa Minat Machine Learning Meningkat?

Banyaknya minat terhadap machine learning karena faktor yang sama yang telah membuat data mining dan analisis Bayesian lebih populer dari sebelumnya. Hal seperti berkembangnya volume dan variasi data yang ada, pengolahan komputasi yang lebih murah dan lebih bertenaga, dan penyimpanan data yang terjangkau.

Semua hal ini memungkinkan untuk secara cepat dan otomatis menghasilkan model yang dapat menganalisis data yang lebih besar dan lebih kompleks dan memberikan hasil yang lebih cepat dan akurat, bahkan dalam skala yang sangat besar. Hasil? Prediksi bernilai tinggi itu bisa memandu keputusan dan tindakan cerdas secara real time tanpa campur tangan manusia.

Salah satu kunci untuk menghasilkan tindakan cerdas secara real time adalah pembuatan model otomatis. Pemimpin pemikiran Analytics Thomas H. Davenport menulis di The Wall Street Journal bahwa dengan data yang berubah dengan cepat dan berkembang, “kamu memerlukan arus pemodelan bergerak cepat untuk mengikuti.” Dan kamu bisa melakukannya dengan machine learning. Dia mengatakan, “Manusia biasanya dapat menciptakan satu atau dua model bagus dalam seminggu, mechine learning dapat menciptakan ribuan model dalam seminggu.

Langkah-langkah Yang Digunakan Dalam Machine Learning

Machine Learning sendiri terbilang sebagai salah satu teknologi masa depan yang sangat canggih. Dan bahkan dalam penggunaannyapun kita wajib mengetahui langkah-langkah khususnya. Seperti berikut ini adalah beberapa langkah-langkah yang digunakan dalam Machine Learning.

  • Mengumpulkan Data

Data mentah bisa berupa Excel, Ms Access, file teks dan lain-lain. Langkah ini membentuk dasar pembelajaran masa depan. Semakin banyak variasi, kepadatan dan volume data yang relevan, semakin baik prospek pembelajaran untuk mesin.

  • Mempersiapkan Data

Setiap proses analitis berkembang dengan kualitas data yang digunakan. Kita perlu meluangkan waktu untuk menentukan kualitas data dan kemudian mengambil langkah-langkah untuk memperbaiki masalah seperti kehilangan data dan lainnya.

  • Melatih Sebuah Model

Langkah ini melibatkan pemilihan alrgoritma dan representasi data yang tepat dalam bentuk model. Data yang disiapkan dibagi menjadi dua bagian: train dan test. Bagian pertama (training data) digunakan untuk pengembangan model. Bagian kedua (data test), digunakan sebagai referensi.

  • Mengevaluasi Model

Untuk menguji keakuratan, bagian kedua dari data (data test) digunakan. Langkah ini menentukan ketepatan dalam pemilihan algoritma berdasarkan hasil pengujian. Pengujian yang lebih baik untuk memeriksa ketepatan model adalah dengan melihat kinerjanya pada data yang tidak digunakan sama sekali selama pembuatan model.

  • Meningkatkan Kinerja

Langkah ini mungkin melibatkan pemilihan model yang berbeda atau memperkenalkan lebih banyak variabel unntuk meningkatkan efisiensi. Itulah sebabnya dibutuhkan banyak waktu untuk pengumpulan data dan persiapan data.

Penggunaan Machine Learning

Google dan Facebook adalah dua contoh perusahaan yang menggunakan machine learning secara ekstensif untuk mendorong iklan masing-masing ke pengguna yang relevan. Contoh penggunakan machine mearning yang lainnya adalah:

  • Layanan Perbankan dan Keuangan

Machine learning dapat digunakan untuk memprediksi pelanggan yang cenderung gagal membayar pinjaman atau tagihan kartu kredit. Ini sangat penting karena machine learning akan membantu bank untuk mengidentifikasi nasabah yang dapat diberikan pinjaman dan kartu kredit.

  • Kesehatan

Digunakan untuk mendiagnosis penyakit mematikan (misalnya kanker) berdasarkan gejala pasien dan menghitungnya dengan data terakhir dari jenis pasien yang sama.

  • Ritel

Digunakan untuk mengidentifikais produk yang lebih sering dijual (bergerak cepat) dan produk yang lamban. Hal ini membantu memutuskan jenis produk yang akan ditampilkan atau dikeluarkan dari rak. Selain itu, algoritma Machine learning dapat digunakan untuk menemukan dua atau lebih produk yang dijual bersama. Hal ini dilakukan untuk merangsang inisiatif loyalitas pelanggan yang pada gilirannya membantu para peritel untuk mengembangkan pelanggan setia.

Metode Machine Learning Yang Populer

Dua metode mechine learning yang paling banyak diadopsi adalah pembelajaran yang diawasi dan pembelajaran tanpa pengawasan. Kebanyakan machine learning – sekitar 70 persen – diawasi belajar. Pembelajaran tanpa pengawasan menyumbang 10 sampai 20 persen. Pembelajaran semi-supervisi dan penguatan adalah dua teknologi lain yang kadang-kadang digunakan.

Algoritma pembelajaran yang diawasi dilatih menggunakan contoh berlabel, seperti input dimana output yang diinginkan diketahui. Sebagai contoh, sepotong peralatan bisa memiliki titik data berlabel “F” (gagal) atau “R” (berjalan). Algoritma pembelajaran menerima satu set input bersamaan dengan keluaran yang sesuai, dan algoritma belajar dengan membandingkan keluaran sebenarnya dengan keluaran yang benar untuk menemukan kesalahan. Kemudian memodifikasi model yang sesuai.

Melalui metode seperti klasifikasi, regresi, prediksi dan peningkatan gradien, pembelajaran diawasi menggunakan pola untuk memprediksi nilai label pada data tanpa label tambahan. Pembelajaran yang diawasi biasanya digunakan dalam aplikasi dimana data historis memprediksi kemungkinan kejadian di masa depan. Misalnya, bisa mengantisipasi kapan transaksi kartu kredit cenderung menipu atau pelanggan asuransi mana yang cenderung mengajukan klaim.

Pembelajaran tanpa pengawasan digunakan untuk melawan data yang tidak memiliki label sejarah. Sistem tidak diberi tahu “jawaban yang benar“. Algoritma harus mencari tahu apa yang sedang ditampilkan. Tujuannya adalah untuk mengeksplorasi data dan menemukan beberapa struktur di dalamnya. Pembelajaran yang tidak dipandu bekerja dengan baik pada data transaksional.

Misalnya, ia dapat mengidentifikasi segmen pelanggan dengan atribut serupa yang kemudian dapat diperlakukan sama dalam kampanye pemasaran. Atau bisa menemukan atribut utama yang memisahkan segmen pelanggan satu sama lain. Teknik populer meliputi peta pengorganisasian sendiri, pemetaan tetangga terdekat, k-means clustering dan dekomposisi nilai singular. Algoritma ini juga digunakan untuk mengelompokkan topik teks, merekomendasikan item dan mengidentifikasi data outlier.

Pembelajaran semi-supervisi digunakan untuk aplikasi yang sama dengan pembelajaran yang diawasi. Namun menggunakan data berlabel dan tidak berlabel untuk pelatihan dan biasanya sejumlah kecil data berlabel dengan sejumlah besar data yang tidak berlabel (karena data yang tidak diberi label lebih murah dan memerlukan sedikit usaha untuk memperolehnya). Jenis pembelajaran ini dapat digunakan dengan metode seperti klasifikasi, regresi dan prediksi. Pembelajaran semi-pengawasan sangat berguna bila biaya yang terkait dengan pelabelan terlalu tinggi untuk memungkinkan proses pelatihan berlabel sepenuhnya. Contoh awal ini termasuk mengidentifikasi wajah seseorang di web cam.

Penguatan pembelajaran sering digunakan untuk robotika, game dan navigasi. Dengan penguatan pembelajaran, algoritma menemukan melalui trial and error dimana tindakan menghasilkan reward terbesar. Jenis pembelajaran ini memiliki tiga komponen utama: agen (pelajar atau pembuat keputusan), lingkungan (semua agen berinteraksi dengan) dan tindakan (apa yang dapat dilakukan agen). Tujuannya adalah agar agen memilih tindakan yang memaksimalkan penghargaan yang diharapkan selama jangka waktu tertentu. Agen akan mencapai tujuan lebih cepat dengan mengikuti kebijakan yang baik. Jadi tujuan dalam penguatan pembelajaran adalah mempelajari kebijakan terbaik.

Jenis Algoritma Machine Learning

  • Model Supervised Learning/Predictive

Model ini digunakan untuk memprediksi hasil masa depan berdasarkan data historis. Model prediktif biasanya diberi instruktsi yang jelas sejak awal seperti apa yang perlu dipelajari dan bagaimana itu perlu dipelajari. Algoritma pembelajaran ini disebut Supervised Learning.

Sebagai contoh: Supervised Learning digunakan saat perusahaan pemasaran mencoba untuk mengetahui pelanggan mana yang cenderung berpindah atau mencari supplier lain. Algoritma ini juga bisa digunakan untuk memprediksi kemungkinan terjadinya bahaya seperti gempa bumi, tornaod dan lain-lain, dengan tujuan untuk mengetahui Total Nilai Asuransi. Beberapa conntoh algoritma yang digunakan adalah: Nearest Neighbour, Naïve Bayes, Decision Tree, Regression, dan lain-lain.

  • Model UnSupervised Learning/Descriptive

Model ini digunakan untuk melatih dimana tidak ada target yang ditetapkan dan tidak ada faktor yang penting dari yang lainnya. Sebagai contoh penggunaan model unspervised learning ini, bila seorang penjual pengecer ingin mengetahui kombinasi produk apa yang cenderung lebih sering dibeli konsumen. Di industri farmasi, digunakan untuk memprediksi penyakit mana yang mungkin terjadi bersamaan dengan diabetes. Contoh algoritma yang digunakan di model ini: K-Means Clustering Algorithm.

  • Reinforcement Learning (RL)

Model ini adalah contoh machine learning dimana mesin dilatih untuk mengambil keputusan spesifik berdasarkan kebutuhan bisnis dengan tujuan utama untuk memaksimalkan efisiensi (kinerja). Ide dari Reinforcement learning ini adalah mesin/perangkat lunak melatih dirinya secara terus menerus berdasarkan lingkungan yang dipengaruhinya, dan menerapkan pengetahuan yang diperkaya unntuk memecahkan masalah bisnis. Proses belajar yang terus-menerus ini memastikan lebih sedikit keterlibatan manusia sehingga akan banyak menghemat waktu.

  • Contoh algoritma yang digunakan dalam RL adalah Markov Decision Process.

Untuk membedakan antara Supervised Learning dan Reinforcement Learning, dapat dicontohkan, sebuah mobil menggunakan Reinforcement learning untuk membuat keputusan rute mana yang harus ditempuh, kecepatan berapa yang harus dikemudikan, dimanan beberapa pertanyaan tersebut diputuskan setelah berinteraksi dengan lingkungan. Sedangkan memperkirakan ongkos taksi dari satu tempat ke tempat lain adalah Supervised Learning.

Aplikasi Machine Learning

Aplikasi untuk machine learning meliputi:

  • Teorema otomatis membuktikan
  • Situs adaptif
  • Komputasi afektif
  • Bioinformatika
  • Antarmuka mesin otak
  • Cheminformatika
  • Klasifikasi sekuens DNA
  • Anatomi komputasional
  • Jaringan komputer
  • Visi komputer, termasuk pengenalan objek
  • Mendeteksi kecurangan kartu kredit
  • Permainan umum bermain
  • Pencarian informasi
  • Deteksi kecurangan internet
  • Ilmu bahasa
  • Pemasaran
  • Kontrol belajar mesin
  • Persepsi mesin
  • Diagnosa medis
  • Ekonomi
  • Asuransi
  • Pengolahan bahasa alami
  • Pemahaman bahasa alami
  • Optimalisasi dan metaheuristik
  • Iklan online
  • Sistem rekomendasi
  • Gerak robot
  • Mesin pencari
  • Analisis sentimen (atau opini pertambangan)
  • Urutan pertambangan
  • Rekayasa Perangkat Lunak
  • Ucapan dan pengenalan tulisan tangan
  • Analisis pasar keuangan
  • Pemantauan kesehatan struktural
  • Pengenalan pola sintaksis
  • Peramalan deret waktu
  • Analisis perilaku pengguna
  • Terjemahan

Pada tahun 2006, perusahaan film online Netflix mengadakan kompetisi “Netflix Prize” pertama untuk menemukan sebuah program untuk lebih memprediksi preferensi pengguna dan memperbaiki keakuratan algoritma rekomendasi Cinematch yang ada setidaknya 10%. Tim gabungan yang terdiri dari para periset dari AT & T Labs-Research bekerja sama dengan tim Big Chaos dan Pragmatic Theory membangun model ensemble untuk memenangkan Grand Prize di tahun 2009 seharga $ 1 juta. Tak lama setelah hadiah diberikan, Netflix menyadari bahwa rating pemirsa bukanlah indikator terbaik dari pola tampilan mereka (“semuanya adalah rekomendasi”) dan mereka mengubah mesin rekomendasi mereka.

Pada tahun 2010 The Wall Street Journal menulis tentang Pemberontakan Perusahaan dan penggunaan Mesin untuk memprediksi krisis keuangan.

Pada tahun 2012, salah satu pendiri Sun Microsystems Vinod Khosla meramalkan bahwa 80% pekerjaan dokter medis akan hilang dalam dua dekade ke depan untuk mesin otomatis yang mempelajari perangkat lunak diagnostik medis.

Pada tahun 2014, telah dilaporkan bahwa algoritma machine learning telah diterapkan dalam Art History untuk mempelajari seni lukis, dan ini mungkin telah mengungkapkan pengaruh yang sebelumnya tidak dikenal antara seniman.

Perangkat Lunak Machine Learning

Suite perangkat lunak yang berisi berbagai algoritma machine learning meliputi:

Perangkat lunak bebas dan open-source

  • CNTK
  • Deeplearning4j
  • dlib
  • ELKI
  • GNU Octave
  • H2O
  • Sais gajah
  • Martil
  • MEPX
  • mlpy
  • MLPACK
  • MOA (Analisis Online Massive)
  • MXNet
  • ND4J: array ND untuk Java
  • NuPIC
  • OpenAI Gym
  • OpenAI Universe
  • OpenNN
  • Jeruk
  • R
  • scikit-belajar
  • Shogun
  • TensorFlow
  • Obor
  • Weka
  • Yooreeka

Perangkat lunak berpemilik dengan edisi bebas dan open-source

  • KNIME
  • RapidMiner

Perangkat lunak berpemilik

  • Amazon Machine Learning
  • Angoss KnowledgeSTUDIO
  • Ayasdi
  • IBM Data Science Experience
  • Google Prediction API
  • IBM SPSS Modeler
  • KXEN Modeler
  • LIONsolver
  • Mathematica
  • MATLAB
  • Microsoft Azure Machine Learning
  • Neural Designer
  • NeuroSolutions
  • Oracle Data Mining
  • Oracle AI Platform Cloud Service
  • RCASE
  • SAP Leonardo
  • SAS Enterprise Miner
  • SequenceL
  • Splunk
  • STATISTICA Data Miner

Gimana? Sekarang kamu sudah mengerti bukan mengenai machine learning? Terima kasih telah membaca artikel di atas dan semoga saja penjelasan tersebut bisa bermanfaat atau paling tidak hitung-hitung menambah wawasan ya.