Pertemuan 10 (Supervise Learning (Prediksi) & Algoritma yang ada didalamnya (minimal 30 algoritma Prediksi))

sumber:  https://www.shutterstock.com

A. Apa itu Supervised Learning (Prediksi)?

Supervised Learning, atau pembelajaran terawasi, adalah salah satu metode dalam machine learning di mana model dilatih menggunakan data yang sudah diberi label. Dalam konteks prediksi, Supervised Learning berfokus pada pembuatan model yang dapat memprediksi nilai atau kategori output berdasarkan input yang diberikan. Proses ini dimulai dengan menyediakan data pelatihan yang terdiri dari pasangan input-output, di mana model mempelajari hubungan antara variabel independen (fitur) dan variabel dependen (target).

Prediksi dalam Supervised Learning dapat dibagi menjadi dua jenis utama: regresi dan klasifikasi. Dalam regresi, model bertujuan untuk memprediksi nilai kontinu, seperti harga rumah, suhu, atau pendapatan. Sebagai contoh, regresi linear adalah algoritma prediksi yang digunakan untuk memprediksi harga rumah berdasarkan variabel seperti ukuran rumah, jumlah kamar, dan lokasi. Model ini mempelajari pola dalam data historis untuk memprediksi nilai yang tidak diketahui.

Supervised Learning untuk prediksi sangat bermanfaat dalam berbagai aplikasi. Di bidang keuangan, model prediksi digunakan untuk memperkirakan harga saham atau mengidentifikasi risiko kredit. Dalam kesehatan, model prediksi membantu dalam mendiagnosis penyakit atau memperkirakan waktu pemulihan pasien. Di industri teknologi, model ini digunakan untuk personalisasi rekomendasi produk atau konten kepada pengguna berdasarkan perilaku mereka sebelumnya.

B.  30 Algoritma Prediksi

1. Regresi Linear

2. Regresi Logistik

3. Decision Trees

4. Random Forests

5. Neural Networks

6. Elastic Net Regression

7. Bayesian Regression

8. Support Vector Regression (SVR)

9. Polynomial Regression

10. Ridge Regression

11. Gradient Boosting Regression

12. AdaBoost Regression

13. XGBoost Regression

14. LightGBM Regression

15. CatBoost Regression

16. K-Nearest Neighbors Regression (KNN)

17. Neural Networks Regression

18. Convolutional Neural Networks (CNN)

19. Recurrent Neural Networks (RNN)

20. Long Short-Term Memory (LSTM)

21. Multilayer Perceptron (MLP)

22. Stochastic Gradient Descent (SGD)

23. Passive Aggressive Regressor

24. Theil-Sen Estimator

25. Huber Regressor

26. Quantile Regression

27. Principal Component Regression (PCR)

28. Partial Least Squares Regression (PLS)

29. Kernel Ridge Regression

30. Generalized Linear Models (GLM)

31. Generalized Additive Models (GAM)