Pembelajaran Terawasi, Tak Terawasi, dan Penguatan
Peserta akan mengelompokkan tiga paradigma utama pembelajaran mesin, mengkaji contoh penggunaan konkret untuk masing-masing paradigma, dan mencocokkan masalah dunia nyata dengan jenis pembelajaran yang tepat.
Pembelajaran Terawasi, Tak Terawasi, dan Penguatan adalah pelajaran Machine Learning Academy gratis di CoddyKit. Ini adalah pelajaran 2 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Machine Learning Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Machine Learning Academy mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
Three Learning Paradigms Overview
ML isn't one technique but a family, split by the feedback they learn from. The big three: supervised, unsupervised, and reinforcement learning.
Supervised Learning: Learning with Labels
Supervised learning trains on examples that already have the right answer (a label). It powers most ML you use, for both classification and prediction.
# Supervised learning example: predict house price
from sklearn.linear_model import LinearRegression
import numpy as np
# Features (size in sq ft) and labels (price in $)
X = np.array([[500], [1000], [1500], [2000]])
y = np.array([100000, 200000, 300000, 400000])
model = LinearRegression()
model.fit(X, y) # supervised: model sees both X and y
# Predict on new data
print(model.predict([[1200]])) # ~$240,000Supervised Learning Use Cases
Supervised learning is everywhere: spam filters, medical diagnosis, credit scoring, and image recognition. In each, the model learns from past labeled examples.
Unsupervised Learning: Finding Hidden Structure
Unsupervised learning works with no labels at all. The algorithm explores the data and finds hidden structure on its own — most often by clustering.
# Unsupervised learning example: K-Means clustering
from sklearn.cluster import KMeans
import numpy as np
# No labels — only features
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])
kmeans = KMeans(n_clusters=2, random_state=42)
kmeans.fit(X) # no y — discovers structure on its own
print('Cluster assignments:', kmeans.labels_)
# Automatically finds two groups without any labelsUnsupervised Learning Use Cases
Unsupervised learning shines when labels are too costly: grouping customers, spotting anomalies in network traffic, or finding topics across thousands of articles.
Reinforcement Learning: Learning by Doing
In reinforcement learning, an agent acts in an environment and earns rewards or penalties — learning the best strategy by trial and error, like training a dog. 🐕
Reinforcement Learning Use Cases
Reinforcement learning drives some famous wins: AlphaGo mastering Go through self-play, robots learning to walk, and agents learning to drive in simulation.
Self-Supervised Learning: A Fourth Paradigm
A modern twist is self-supervised learning: the data labels itself. Language models like BERT learn by predicting masked words in a sentence.
Matching Problems to Paradigms
To pick a paradigm, ask: do you have labels? Is the output a category or a number? Is learning reward-driven? A safe default is supervised learning.
Semi-Supervised Learning: Best of Both Worlds
Semi-supervised learning mixes a little labeled data with lots of unlabeled data — perfect when labeling is expensive but raw data is plentiful.
Scikit-learn API for All Paradigms
scikit-learn shines with one consistent API: create an estimator, call fit(), then predict() or transform(). Swapping algorithms takes barely any code.
# Consistent API across paradigms
from sklearn.linear_model import LogisticRegression # supervised
from sklearn.cluster import KMeans # unsupervised
from sklearn.decomposition import PCA # unsupervised
import numpy as np
X = np.random.randn(100, 5)
y = np.random.randint(0, 2, 100)
# Supervised
clf = LogisticRegression()
clf.fit(X, y) # needs labels
# Unsupervised
km = KMeans(n_clusters=3)
km.fit(X) # no labels needed
pca = PCA(n_components=2)
X_reduced = pca.fit_transform(X)Quick Check
Test your understanding of Machine Learning with Python concepts from this lesson.
Lesson Recap
Nice work! Supervised learns from labels, unsupervised finds hidden structure, and reinforcement learns by reward. Next: the full ML workflow.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Pembelajaran Terawasi, Tak Terawasi, dan Penguatan” gratis?
Ya — teks lengkap “Pembelajaran Terawasi, Tak Terawasi, dan Penguatan” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Machine Learning Academy, upgrade ke CoddyKit PRO. Kursus Machine Learning Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Pembelajaran Terawasi, Tak Terawasi, dan Penguatan”?
Peserta akan mengelompokkan tiga paradigma utama pembelajaran mesin, mengkaji contoh penggunaan konkret untuk masing-masing paradigma, dan mencocokkan masalah dunia nyata dengan jenis pembelajaran ya… Kamu berlatih Machine Learning Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Machine Learning Academy?
Tidak diperlukan pengalaman sebelumnya. Machine Learning Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 4.
Berapa lama pelajaran “Pembelajaran Terawasi, Tak Terawasi, dan Penguatan” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Machine Learning Academy ini?
Ya. Setiap pelajaran Machine Learning Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Pemrograman Tradisional vs Pembelajaran Mesin
- Pembelajaran Terawasi, Tak Terawasi, dan Penguatan
- Alur Kerja Pembelajaran Mesin: Dari Data ke Prediksi
- Pembelajaran Mesin di Dunia Nyata: Contoh Penggunaan dan Keterbatasan