Pembelajaran Tak Terawasi
Pahami teknik pengelompokan seperti K-Means dan pengelompokan hierarkis
Pembelajaran Tak Terawasi adalah pelajaran Python For Kids gratis di CoddyKit. Ini adalah pelajaran 3 dari 6. 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 Python For Kids, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Python For Kids mencakup 6 pelajaran total.
Pembelajaran Tak Terawasi
Pembelajaran tak terawasi adalah jenis pembelajaran mesin ketika algoritma mempelajari pola dari data tanpa label. Pembelajaran ini sering digunakan untuk pengelompokan, reduksi dimensi, dan deteksi anomali.
Dalam pelajaran ini, Anda akan mengeksplorasi teknik pengelompokan seperti K-Means dan pengelompokan hierarkis.
Apa itu Pembelajaran Tak Terawasi?
Pembelajaran tak terawasi mencakup analisis dan pengelompokan data tanpa label yang telah ditentukan sebelumnya. Tujuannya adalah mengidentifikasi struktur atau pola tersembunyi dalam data.
Tugas utamanya meliputi:
- Pengelompokan: Mengelompokkan titik data yang serupa.
- Reduksi Dimensi: Mengurangi jumlah fitur dengan tetap mempertahankan informasi penting.
Pengelompokan K-Means
K-Means adalah algoritma pengelompokan populer yang membagi data menjadi K kelompok berdasarkan kemiripan fitur. Mari lihat cara kerjanya:
# Example: K-Means Clustering
from sklearn.cluster import KMeans
import numpy as np
# Sample data
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])
kmeans = KMeans(n_clusters=2, random_state=0)
kmeans.fit(X)
print("Cluster Centers:", kmeans.cluster_centers_)
print("Labels:", kmeans.labels_)Pengelompokan Hierarkis
Pengelompokan hierarkis membangun struktur seperti pohon (dendrogram) untuk mengelompokkan titik data yang serupa. Metode ini tidak memerlukan jumlah kelompok yang telah ditentukan sebelumnya.
# Example: Hierarchical Clustering
from scipy.cluster.hierarchy import dendrogram, linkage
import matplotlib.pyplot as plt
# Sample data
X = [[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]]
linked = linkage(X, 'single')
dendrogram(linked)
plt.show()Reduksi Dimensi
Reduksi dimensi menyederhanakan data dengan mengurangi jumlah fitur sambil mempertahankan informasi penting. Analisis Komponen Utama (PCA) adalah teknik yang umum digunakan untuk tugas ini.
# Example: PCA
from sklearn.decomposition import PCA
import numpy as np
# Sample data
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])
pca = PCA(n_components=1)
X_reduced = pca.fit_transform(X)
print("Reduced Data:", X_reduced)Penerapan Pembelajaran Tak Terawasi
Pembelajaran tak terawasi digunakan dalam:
- Segmentasi Pelanggan: Mengelompokkan pelanggan berdasarkan perilaku.
- Deteksi Anomali: Mengidentifikasi pola yang tidak biasa dalam data.
- Kompresi Gambar: Mengurangi ukuran gambar sambil mempertahankan kualitasnya.
Memvisualisasikan Kelompok
Memvisualisasikan kelompok membantu memahami pengelompokan titik data. Matplotlib dan Seaborn berguna untuk tujuan ini:
# Example: Visualizing clusters
import matplotlib.pyplot as plt
# Sample data and labels
X = [[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]]
labels = [0, 0, 0, 1, 1, 1]
for i in range(len(X)):
plt.scatter(X[i][0], X[i][1], c='r' if labels[i] == 0 else 'b')
plt.show()Tantangan dalam Pembelajaran Tak Terawasi
Pembelajaran tak terawasi menghadapi beberapa tantangan, termasuk:
- Menentukan Jumlah Kelompok: K-Means mengharuskan Anda menentukan jumlah kelompok terlebih dahulu.
- Keterjelasan Makna: Kelompok tidak selalu memiliki makna yang jelas.
- Skalabilitas: Menangani kumpulan data besar dapat membutuhkan banyak komputasi.
Kesalahan Umum dalam Pembelajaran Tak Terawasi
Berikut adalah beberapa kesalahan yang perlu dihindari:
- Memilih jumlah kelompok yang salah dalam K-Means.
- Gagal melakukan prapemrosesan data, misalnya dengan menskalakan fitur.
- Menafsirkan kelompok secara berlebihan tanpa validasi.
Apa yang Telah Kita Pelajari?
Dalam pelajaran ini, Anda telah mempelajari:
- Dasar-dasar pembelajaran tak terawasi dan tugas-tugas utamanya.
- Cara menerapkan K-Means dan pengelompokan hierarkis.
- Konsep reduksi dimensi menggunakan PCA.
- Penerapan, tantangan, dan kesalahan umum dalam pembelajaran tak terawasi.
Kerja bagus! Mari lanjut ke topik berikutnya.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Pembelajaran Tak Terawasi” gratis?
Ya — teks lengkap “Pembelajaran Tak Terawasi” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Python For Kids, upgrade ke CoddyKit PRO. Kursus Python For Kids mencakup 6 pelajaran total.
Apa yang akan aku pelajari di “Pembelajaran Tak Terawasi”?
Pahami teknik pengelompokan seperti K-Means dan pengelompokan hierarkis Kamu berlatih Python For Kids 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 Python For Kids?
Tidak diperlukan pengalaman sebelumnya. Python For Kids 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 3 dari 6.
Berapa lama pelajaran “Pembelajaran Tak Terawasi” 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 Python For Kids ini?
Ya. Setiap pelajaran Python For Kids 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
- Pengenalan Pembelajaran Mesin
- Pembelajaran Terawasi dengan Scikit-Learn
- Pembelajaran Tak Terawasi
- Rekayasa dan Seleksi Fitur
- Pengenalan Jaringan Saraf
- Pengenalan TensorFlow dan Keras