Dulu pertama belajar machine learning masih "Ih waw ini magical, kita bisa A, B, C, semuanya!!"
Yang mana akhirnya bertahun2 kemudian hasil ~learn the hard way~: NOPE
Ga semua hal bisa, bahkan ada yang sebaiknya tidak, diprediksi pake mesin.
Yang mana akhirnya bertahun2 kemudian hasil ~learn the hard way~: NOPE
Ga semua hal bisa, bahkan ada yang sebaiknya tidak, diprediksi pake mesin.
Sumber gambar
@ChenhaoTan/human-centered-machine-learning-a-machine-in-the-loop-approach-ed024db34fe7" target="_blank" rel="noopener" onclick="event.stopPropagation()">medium.com
@ChenhaoTan/human-centered-machine-learning-a-machine-in-the-loop-approach-ed024db34fe7" target="_blank" rel="noopener" onclick="event.stopPropagation()">medium.com
Jadi kalo kamu baru belajar terus merasa demikian, gpp, ada istilahnya: Dunning-Kruger effect
Awal2 belajar adalah masa sotoy-sotoynya
Awal2 belajar adalah masa sotoy-sotoynya
Tapi kalo mau segera keluar dari puncak kesotoyan tersebut dan pengen baca2, dua buku yang lumayan menarik buat nambah2 perspektif
- Weapons of Math Destruction by Cathy O'Neil
- Noise by Daniel Kahneman
- Weapons of Math Destruction by Cathy O'Neil
- Noise by Daniel Kahneman
Buat paham kenapa gitu mari kita kenalan dua elemen penting yang ingin "diseimbangkan" sama machine learning: bias dan noise (variance)
Bias: sesuatu yg sebenernya flaw tapi ada dan konsisten ada
Noise: random variability. Misal kita bikin keputusan berdasar mood
Bias: sesuatu yg sebenernya flaw tapi ada dan konsisten ada
Noise: random variability. Misal kita bikin keputusan berdasar mood
Weapons of Math Destruction misalnya menceritakan beberapa kasus di mana data dan fitur yang BIAS hanya akan mengamplifikasi bias sehingga yaaaa salah sasaran
Misal: prediksi siapa yg akan masuk penjara lagi (recidivism), kualitas guru, jumlah kredit
Misal: prediksi siapa yg akan masuk penjara lagi (recidivism), kualitas guru, jumlah kredit
Kenapa gitu? Karena kadang ada hal yang kita pikir netral tapi ternyata bias dan bisa ga fair di kasus2. Contoh: alamat, gender
Kapan hari ada twit orang komplen dia gajinya $600k setahun, suaminya sepertiganya tapi dapet credit limit Apple card yg jauh lebih rendah dr suaminya
Kapan hari ada twit orang komplen dia gajinya $600k setahun, suaminya sepertiganya tapi dapet credit limit Apple card yg jauh lebih rendah dr suaminya
Sementara buku Noise ngebahas bahwa NOISE juga sama bahayanya, misal hakim yang sama ketika di-present kasus yang sama bisa ngasih keputusan berbeda, semata karena habis makan siang misalnya
Di dunia data, label data bisa beda2 padahal datanya sama karena labelernya beda2
Di dunia data, label data bisa beda2 padahal datanya sama karena labelernya beda2
Sudah kuduga pasti ada yg reply begini karena jari w bodoh terlanjur kepencet :"
Buat yg terlanjur baca, ada bhuanyak cara handling outliers. Dihapus hanya salah satunya yg mana harus tau jg kapan dan kenapa dihapus
Cara lainnya
wires.onlinelibrary.wiley.com
Buat yg terlanjur baca, ada bhuanyak cara handling outliers. Dihapus hanya salah satunya yg mana harus tau jg kapan dan kenapa dihapus
Cara lainnya
wires.onlinelibrary.wiley.com
Loading suggestions...