Pasti pernah kan kalian mendapatkan rekomendasi dari sistem? Misalnya seperti rekomendasi video di YouTube, rekomendasi lagu di Spotify dll. Nah itu salah satu bentuk recommender system
Singkatnya, wide & deep learning ini terdiri 2 blok yang berbeda yaitu wide learning dan deep learning
Untuk wide learning, proses yang dilakukan adalah memorization / mengingat. Jadi misalnya saat kita melakukan perjalanan dari rumah ke sekolah selama 20 menit -c-
mesin akan mengingat hal tersebut sehingga saat kita melakukan perjalanan yang sama kembali, dan recommender system akan mengeluarkan nilai 20 menit lagi
Mesin akan mengingat semua perjalanan kita dari titik satu ke titik lainnya, sehingga saat perjalanan yang sama dilakukan, nilai output dapat dikeluarkan
Tapi masalahnya, bagaimana jika terdapat banyak sekali titik, sedangkan belum ada perjalanan dari titik tersebut sebelumnya? Nah disinilah fungsi dari Deep Learning
Kalau wide itu memorization, deep itu generalization. Jadi kalau belum ada perjalanan di titik itu, akan diperumum untuk mendapatkan nilai outputnya
Biar lebih jelas begini kira-kira ilustrasinya. Kalau dari A ke B butuh 5 menit, maka A ke C juga masih bisa dianggap 5 menit, karena B dan C masih dalam satu area yang dapat di generalize walaupun sebelumnya belum pernah ada perjalanan dari A ke C 
Kalau masih bingung, dalam kehidupan sehari-hari, proses wide (mengingat) dapat dikatakan dengan: Burung A bisa terbang, Burung B bisa terbang
Sedangkan proses deep (generalisasi): semua hewan bersayap bisa terbang atau semua burung bisa terbang
Tapi untuk kasus deep ini rentan sekali terjadi overfit, karena sangat bergantung dengan kasus umum yang kita buat. Iya sih B dan C masih dalam 1 area, tapi kalau ke C ada kemacetan / halangan lain bagaimana? Penguin punya sayap tapi kok tidak bisa terbang?
Jadi lebih bagus mana nih, wide atau deep? Kalau wide semakin banyak titik akan semakin sulit untuk diingat, tetapi kalau deep saja akan rentan sekali menjadi overfit. Jadi gimana dong? :((
Why not both? Jadi kedua blok ini akan dicampur menjadi satu yaitu Wide & Deep Learning dan akan dilatih bersamaan menggunakan bobot sehingga dapat melengkapi satu sama lain
gif.co/Wkic.gif
gif.co/Wkic.gif
Jadi buat kasus tadi, Wide & Deep nya itu menjadi: semua hewan bersayap bisa terbang tapi Penguin tidak bisa terbang
Lalu informasi-informasi seperti koordinat titik, jarak, dll akan dipelajari oleh model tersebut sehingga pada akhirnya dapat menghasilkan variabel bebas (regressor) untuk model regresi sebelumnya
Sekarang muncul masalah lagi nih, Wide & Deep Learning belum baik dalam mencerna informasi-informasi seperti laporan lalu lintas pada setiap ruas jalan seperti kemacetan
Tapi kalau kita perhatikan, rute perjalanan sebenarnya mirip dengan proses pada natural language process (NLP). Rute merupakan sebuah kalimat sedangkan ruas jalan adalah kata-kata pembentuknya. Jadi itu untuk masalah kemacetan ini bisa kita gunakan long short term memory (LSTM)
LSTM ini cocok digunakan untuk data yang beruas-ruas karena dapat mengambil informasi lokal dari tiap segmen dan ketergantungan jangka panjang pada rute melalui input, forget, dan output gate yang ada didalamnya
Informasi pada rute seperti adanya kemacetan, kondisi arus lalu lintas dapat diperoleh berdasarkan hasil pada ruas-ruas jalan didalamnya. Hasil pada ruas jalan ke 1 akan menjadi informasi untuk ruas jalan 2 dan berlaku seterusnya sampai seluruh ruas jalan pada rute
Jadi kalau kita rangkum model yang kita miliki adalah model Wide Deep Recurrent Learning~~
Nantinya, setelah semua input data dipelajari mesin, lewat model Wide, Deep, dan Recurrent Network tersebut, hasil prediksi waktu perjalanan kita bisa didapatkan deh!
Model ini juga diuji untuk data perjalanan di Beijing pada tahun 2017 dengan menggunakan sekitar 57 juta data pickup dan 62 juta data perjalanan. Hasilnya model ini memiliki error yang paling rendah dibandingkan dengan model lainnya.
Jadi gitu guyss cara maps mengestimasikan waktu perjalanan kita. Keren yaa, ternyata machine learning bisa dipakai juga buat hal-hal kaya ginii.
Nah, kalau kamu tertarik untuk mempelajari machine learning dari 0, kalian bisa ikut non-degree program Pacmann.AI, mumpung lagi ada promo loh! Masukin promo PAYDAYFEB di bit.ly/PendaftaranNon… dan ada potongan 500k untuk BI dan 700k untuk DS. See you in class!
• • •
Missing some Tweet in this thread? You can try to
force a refresh
