Kenali Transductive Learning vs Unsupervised Learning
![https://dqlab.id/files/dqlab/cache/2-longtail-rabu-07-2023-08-03-224820_x_Thumbnail800.jpg](https://dqlab.id/files/dqlab/cache/2-longtail-rabu-07-2023-08-03-224820_x_Thumbnail800.jpg)
Machine learning memiliki banyak tipe dalam merancang suatu model yang baik dan mumpuni. Salah satu tipe machine learning yang unik adalah transductive learning. Transductive learning adalah salah satu pendekatan dalam machine learning yang berfokus pada tugas prediksi di mana kita ingin mencari nilai target untuk contoh-contoh data tertentu, yang sebelumnya tidak termasuk dalam data pelatihan, tetapi masih berada dalam domain yang sama. Pendekatan ini berbeda dari supervised learning atau unsupervised learning yang ada dalam machine learning. Dalam unsupervised learning, kita tidak memiliki label target, dan tugasnya adalah menemukan pola atau struktur yang tersembunyi dalam data tersebut.
Sementara itu, transductive learning mencoba untuk memperoleh informasi dari contoh-contoh data baru yang belum diberikan label (unlabeled data), tetapi masih berada dalam domain yang sama dengan data pelatihan yang telah diberi label. Jadi, transductive learning berusaha untuk memperluas model secara adaptif dengan memanfaatkan data baru yang belum dikenal sebelumnya. Ini berarti bahwa model tidak berusaha untuk menggeneralisasi pola secara keseluruhan seperti dalam supervised learning, tetapi lebih berfokus pada penggolongan atau prediksi khusus pada data baru yang dikenal namun tidak diberi label. Kali ini kita akan bahas lebih dalam terkait dengan perbedaan antara transductive learning dengan unsupervised learning. Simak selengkapnya yuk sahabat DQLab!
1. Tujuan Transductive Learning
Tujuan dari transductive learning adalah untuk melakukan prediksi pada data yang sudah diketahui (unlabeled data) tetapi masih berada dalam domain yang sama dengan data pelatihan yang telah diberi label. Hal ini berarti model dari machine learning berusaha untuk memperoleh informasi dari data yang belum diberi label untuk kasus khusus yang diketahui. Tujuan dari unsupervised learning adalah menemukan pola atau struktur yang tersembunyi dalam data yang tidak memiliki label. Tidak ada target yang ingin diprediksi seperti pada supervised learning. Model berusaha untuk mengelompokkan data atau mengidentifikasi struktur intrinsik dari data.
Baca juga : Yuk Kenali Macam-Macam Algoritma Machine Learning!
2. Data Pelatihan
Model dalam transductive learning menggunakan data pelatihan yang terdiri dari pasangan input-target parsial. Ini berarti hanya sebagian dari data pelatihan memiliki label target, sedangkan beberapa data lainnya tidak memiliki label. Model dalam unsupervised learning menggunakan data pelatihan yang tidak memiliki label sama sekali. Model ini mencoba untuk menemukan pola atau struktur tanpa bimbingan dari target.
3. Proses Pembelajaran
Proses pembelajaran dalam transductive learning lebih fokus pada memanfaatkan data yang belum diberi label untuk memperoleh informasi tambahan tentang data yang sudah dikenal namun belum diberi label. Model belajar secara adaptif dan khusus untuk kasus tertentu yang diketahui. Proses pembelajaran dalam unsupervised learning berusaha untuk menemukan struktur atau pola yang umum di seluruh data tanpa mengetahui label target. Model berusaha untuk mengelompokkan data menjadi kelompok-kelompok yang memiliki karakteristik serupa.
Baca juga : Bootcamp Machine Learning and AI for Beginner
4. Penggunaan
Proses pembelajaran dalam unsupervised learning berusaha untuk menemukan struktur atau pola yang umum di seluruh data tanpa mengetahui label target. Model berusaha untuk mengelompokkan data menjadi kelompok-kelompok yang memiliki karakteristik serupa. Unsupervised learning digunakan ketika kita ingin menemukan struktur yang tersembunyi atau mengelompokkan data menjadi kelompok-kelompok yang serupa tanpa bimbingan dari label.
Secara ringkas, perbedaan utama antara transductive learning dan unsupervised learning adalah bahwa transductive learning berfokus pada prediksi pada data yang sudah diketahui tetapi tidak memiliki label, sementara unsupervised learning berusaha untuk menemukan struktur atau pola tanpa bimbingan dari label pada data pelatihan.
Yuk perdalam pengetahuan kamu mengenai berbagai model machine learning bersama DQLab! DQLab adalah platform belajar online yang berfokus pada pengenalan Data Science dan Artificial Intelligence dengan menggunakan bahasa pemrograman populer seperti R dan Python. Menariknya, DQLab adalah platform edukasi pertama yang mengintegrasi fitur ChatGPT yang memudahkan beginner untuk mengakses informasi mengenai data science secara lebih mendalam.
DQLab juga menggunakan metode HERO yaitu Hands-On, Experiential Learning & Outcome-based, yang dirancang ramah untuk pemula. Jadi sangat cocok untuk kamu yang belum mengenal data science sama sekali. Untuk bisa merasakan pengalaman belajar yang praktis dan aplikatif, yuk sign up sekarang di DQLab.id atau ikuti DQLab LiveClass Bootcamp Machine Learning and AI for Beginner untuk informasi lebih lengkapnya! Ingin bangun portfolio? Yuk signup sekarang!
Penulis: Reyvan Maulid