Mari Belajar Kecerdasan Buatan

Pengenalan

Kecerdasan buatan (AI) ialah cabang ilmu komputer yang menekankan pengembangan kepintaran mesin, pola berfikir dan bekerja seperti manusia. Google Assistant, kamera dengan penapis dan robot pembersih rumah merupakan contoh AI yang popular. AI terdiri daripada pelbagai konsep antaranya pembelajaran mesin, perlombongan data, sains data, pemprosesan bahasa tabii, pemprosesan imej, agen perisian, pencarian pintar dan komputan evolusi.

AI terdiri daripada pelbagai konsep antaranya pembelajaran mesin, perlombongan data, sains data, pemprosesan bahasa tabii, pemprosesan imej, agen perisian, pencarian pintar dan komputan evolusi.

Pembelajaran Mesin

Istilah pembelajaran mesin pada dasarnya adalah proses komputer untuk belajar dari data (learn from data).

Pembelajaran mesin membolehkan komputer belajar daripada pengalamannya (dalam bentuk data) dengan algoritma bersesuaian.

Semakin banyak AI belajar dengan menganalisis banyak data, semakin cerdas pula dalam mengambil sebuah keputusan.

Algoritma pembelajaran mesin membolehkan fungsian seperti klasifikasi, ramalan, gugusan, penyatuan dan pengenal pastian anomali dilaksanakan. Perbezaan di antara setiap fungsian adalah kaedah pemodelan pengetahuan berdasarkan bentuk data tersebut samada dalam bentuk kategori (nominal) atau nilai numerikal. Jenis output pembelajaran mesin juga menentukan fungsian dan algoritma yang sesuai digunakan.

Pembelajaran mesin terbahagi kepada pembelajaran diselia (contohnya pokok keputusan), pembelajaran tidak diselia (contohnya gugusan) dan pembelajaran pengukuhan (reinforcement learning). Setiap kaedah pembelajaran mesin mempunyai algoritma yang boleh digunakan bagi pelbagai tujuan.

Algoritma pembelajaran mesin yang popular ialah pembelajaran mendalam (deep learning) yang berasaskan rangkaian neural (neural network). Algoritma rangkaian neural diwakilkan oleh neuron yang berhubung di dalam otak manusia. Setiap neuron mempunyai pemberat yang memberitahu model yg dibangunkan bahawa kefahaman ke atas corak data dilakukan dengan betul. Contoh aplikasi rangkaian neural bagi permainan ular di https://github.com/greerviau/SnakeAI

Perlombongan data

Perlombongan data ialah proses mengenal pasti corak dan pengetahuan di dalam data berdasarkan beberapa langkah penemuan pengetahuan. Langkah-langkah yang terlibat adalah perolehan, pembersihan, integrasi, pemilihan, transformasi, pemodelan dan penilaian model yang terhasil. Perlombongan data juga menggabungkan kemahiran bidang statistik, pembelajaran mesin, visualisasi dan sains data bagi melaksanakan beberapa fungsian seperti pengkasifikasian, ramalan, gugusan, penyatuan dann pengesanan anomali.

Sains data

Sains data menggabungkan kaedah saintifik, proses, algoritma dan sistem bagi mengekstrak pengetahuan daripada data berstruktur dan tidak berstruktur. Permodelan dan penyelesaian masalah melalui sains data menggunakan pendekatan statistik, perlombongan data, pembelajaran mesin dan visualisasi.

Pemprosesan bahasa tabii

Pemprosesan bahasa tabii (natural language processing-NLP) membolehkan komputer memahami bahasa dan pertuturan manusia. NLP terdiri daripada pemahaman (leksikal, sintaktik, semantik dan anafora) dan penjanaan bahasa tabii (perancangan ayat dan teks). Antara aplikasi pemprosesan bahasa tabii (natural language processing-NLP) ialah pelengkapan ayat, pemeriksaan ejaan, ramalan perkataan, analisis sentimen dan pengenalpastian spam. Kaedah pemprosesan bahasa tabii terdiri daripada perkara berikut:

- fitur teks

- pengakaran

- pengekstrakan

- perumusan teks

Pengecaman imej

Pengecaman Imej (Image Recognition) merupakan satu daripada langkah Pemprosesan Imej. Pengecaman Imej menggunakan teknik pengklasifikasian imej iaitu algoritma Pembelajaran Mesin digunakan bagi memodelkan perwakilan fitur bagi imej dalam bentuk vektor. Teknik ini juga digunakan dalam pemprosesan video bagi aplikasi pengecaman wajah, objek dan pelbagai corak. Dalami pengecaman imej selanjutnya di https://bit.ly/2YKbWLS

Bagaimana program Pengecaman Imej mengetahui kandungan gambar?

Bayangkan anda perlu membina program Pengecaman Imej supaya boleh mengenal pasti dan membezakan objek, contohnya ikan. Ribuan gambar ikan dan ribuan gambar selain ikan perlu disediakan. Algoritma Pembelajaran Mesin digunakan bagi membina model perwakilan fitur koleksi gambar kucing dalam bentuk vektor. Apabila ada gambar baharu diberikan, program Pengecaman Imej akan menggunakan model yang terbina bagi mengekstrak, memadankan dan menentukan samada wujud persamaan di antara gambar tersebut dengan model.

Agen Perisian

Agen perisian ialah sebuah program komputer yang bertindak secara autonomi dengan memahami persekitarannya melalui penderia dan menjalankan tindakan melalui pelaksana bagi memaksimumkan kecekapan perkhidmatannya. Agen perisian mempunyai kebolehan menyelesaikan masalah dan belajar (bersifat pintar). Agen pelbagai (multi-agent) berinteraksi antara satu sama lain dengan mengkoordinasikan fungsian atau tigasan yang dijalankan bagi pengguna.

Pencarian

Pencarian merupakan teknik penting di dalam AI berkaitan perancangan dan pembuatan keputusan yang dioptimasikan. Pencarian terbahagi kepada kaedah heuristik dan bukan heuristik. Contoh algoritma bagi pencarian bukan heuristik ialah Depth First Search, Breadth First Search dan Hill Climbing. Manakala, Best First Search dan A* merupakan contoh pencarian dengan heuristik. Teknik pencarian digunakan dalam banyak aplikasi termasuk permainan komputer, perancangan perjalanan pintar dan penjadualan. Rujukan lanjut di https://towardsdatascience.com/slitherin-solving-the-classic-game-of-snake-with-ai-part-1-domain-specific-solvers-d1f5a5ccd635

Pengkomputan berevolusi

Pengkomputeran berevolusi merupakan cabang kecerdasan buatan yang diinspirasikan oleh fenomena biologi atau alam semula jadi.

Algoritma yang popular adalah algoritma genetik (genetic algorithm) yang menggunakan konsep populasi, generasi, kromosom dan mutasi.

Permodelan pengetahuan dijalankan melalui beberapa generasi dan di dalam setiap generasi populasi yang kuat atau berjaya memahami masalah dikekalkan (survival fitness).

Contoh lain algoritma berevolusi adalah optimasi kawanan zarah (particle swarm optimization) yang terinspirasi oleh tingkah laku sosial kawanan burung yang terbang bersama atau gerombolan ikan yang berenang berkelompok.

Contoh aplikasi GA dan NN dalam permainan ular (snake game) di https://becominghuman.ai/designing-ai-solving-snake-with-evolution-f3dd6a9da867

http://ceur-ws.org/Vol-2468/p9.pdf

Contoh Aplikasi Kecerdasan Buatan

Analitik data bagi sukan bola keranjang (data science) https://sites.google.com/view/datamining-upm/data-mining-upm2019/upm-data-mining-2019-projects?authuser=0

Analitik data bagi penyakit denggi (data science) https://www.slideshare.net/fadhlinams81/temporal-relations-mining-approach-to-improve-dengue-outbreak-and-intrusion-threats-severity-prediction-accuracy

Pengenalan kepada analisis sentimen (introduction to sentiment analysis) https://www.slideshare.net/fadhlinams81/a-review-of-sentiment-analysis-approaches-in-big

Analisis sentimen (product sentiment analysis) https://www.slideshare.net/fadhlinams81/aspect-extraction-performance-with-common-pattern-of-dependency-relation-in-multi-aspect-sentiment-analysis

Analisis twit berdasarkan pembelajaran mendalam rangkaian neural (Tweets sentiment analysis based on deep convolution learning) https://www.slideshare.net/fadhlinams81/multilayers-convolutional-neural-network-for-tweet-sentiment-classification

Sistem cadangan berasaskan aspek (aspect based recommendation system) https://www.slideshare.net/fadhlinams81/enhancing-multiaspect-collaborative-filtering-for-personalized-recommendation

Sistem cadangan berasaskan maklumat temporal (temporal based recommendation system) https://www.slideshare.net/fadhlinams81/temporal-based-recommendation-system

Soal jawab (question answering) https://www.slideshare.net/fadhlinams81/self-adaptive-based-natural-language-interface-for-disambiguation-of

Antara muka bahasa semula jadi (natural language interface) https://www.slideshare.net/fadhlinams81/semantic-web-natural-language

Rujukan

Pelbagai rujukan dalam talian tersedia bagi mempelajari AI lebih lanjut. Senarai berikut merupakan bahan bacaan yang dicadangkan oleh penulis:

Kecerdasan buatan https://sites.google.com/view/nurfadhlina/demystifying-artificial-intelligence?authuser=0
10 algoritma pembelajaran mesin yang wajib anda ketahui https://www.analyticsvidhya.com/blog/2017/09/common-machine-learning-algorithms/
Belajar perlombongan data di https://sites.google.com/view/datamining-upm/home?authuser=0
Gugusan https://towardsdatascience.com/the-5-clustering-algorithms-data-scientists-need-to-know-a36d136ef68
Algoritma genetik https://www.analyticsvidhya.com/blog/2017/07/introduction-to-genetic-algorithm/
Peningkatan kecerunan (Gradient Boosting Method-GBM) di https://towardsdatascience.com/understanding-gradient-boosting-machines-9be756fe76ab
PyCaret, an open source machine learning library in Python to train and deploy supervised and unsupervised machine learning models in a low-code environment https://link.medium.com/7eyLDgEui7

Google Sites

Report abuse