Data, Fitur, dan Label

Apa inti dari “Data, Fitur, dan Label” dalam praktik?

Di bagian ini, Anda akan membedakan data, fitur, dan label melalui contoh dataset yang sederhana. Coba tempatkan Data, Fitur, dan Label di dalam alur kerja yang sudah Anda kenal. Lihat siapa yang memberi masukan, siapa yang memakai hasil, dan siapa yang perlu memeriksanya. Anda akan mengubah Data, Fitur, dan Label dari gagasan abstrak menjadi pilihan yang memiliki penanggung jawab dan cara peninjauan yang jelas.

Setelah lesson ini

• Membedakan data, fitur, dan label melalui contoh dataset yang sederhana.
• Menggunakan konsep “Data, Fitur, dan Label” untuk membaca satu situasi nyata.
• Menjelaskan batas konsep dan informasi yang masih perlu diperiksa.

Mulai dari situasi

Pahami situasinya lebih dulu. Istilahnya bisa menyusul.

Model layanan pelanggan belajar dari tiket lama. Jika data lama tidak mewakili masalah baru, prediksinya dapat terlihat meyakinkan tetapi tetap salah. Di bagian ini, Anda akan melihat situasi tersebut melalui konsep “Data, Fitur, dan Label”. Tujuannya bukan mencari satu istilah yang menjawab semua masalah, melainkan memahami pilihan yang tersedia dengan lebih jernih.

Di bagian ini, Anda akan membedakan data, fitur, dan label melalui contoh dataset yang sederhana. Pelajari bagaimana data dipilih, diberi label, digunakan untuk melatih model, lalu dipakai untuk menghasilkan prediksi. Hubungkan konsep ini dengan keputusan yang benar-benar perlu Anda buat.

Model visual

Petakan setiap bagiannya sebelum menentukan langkah.

Baca diagram sebagai peta Data, Fitur, dan Label: mulai dari konteksnya, ikuti hubungan antarbagiannya, lalu periksa titik yang disorot sebelum mengambil keputusan.

Mari lihat cara kerjanya

Cara membacanya dalam situasi nyata

Coba tempatkan Data, Fitur, dan Label di dalam alur kerja yang sudah Anda kenal. Lihat siapa yang memberi masukan, siapa yang memakai hasil, dan siapa yang perlu memeriksanya. Mulailah dari hal yang dapat Anda amati, lalu pisahkan fakta, asumsi, dan pertanyaan yang masih belum terjawab.

Model layanan pelanggan belajar dari tiket lama. Jika data lama tidak mewakili masalah baru, prediksinya dapat terlihat meyakinkan tetapi tetap salah. Pada kasus itu, tandai bagian yang paling berkaitan dengan topik ini. Contoh ini membantu Anda berpikir, tetapi bukan bukti bahwa satu solusi akan cocok untuk semua situasi.

Definisi kerja

Apa artinya, dan kapan kita perlu berhati-hati.

Di bagian ini, Anda akan membedakan data, fitur, dan label melalui contoh dataset yang sederhana. Pelajari bagaimana data dipilih, diberi label, digunakan untuk melatih model, lalu dipakai untuk menghasilkan prediksi. Hubungkan konsep ini dengan keputusan yang benar-benar perlu Anda buat.

Data, Fitur, dan Label

Di bagian ini, Anda akan membedakan data, fitur, dan label melalui contoh dataset yang sederhana. Coba tempatkan Data, Fitur, dan Label di dalam alur kerja yang sudah Anda kenal. Lihat siapa yang memberi masukan, siapa yang memakai hasil, dan siapa yang perlu memeriksanya. Anda akan mengubah Data, Fitur, dan Label dari gagasan abstrak menjadi pilihan yang memiliki penanggung jawab dan cara peninjauan yang jelas.

Batas yang perlu diperiksa

Data yang banyak belum tentu tepat, mewakili pengguna, atau boleh digunakan. Kesalahan ini biasanya muncul ketika istilah dipakai lebih cepat daripada pemahaman terhadap masalahnya. Tuliskan asumsi yang Anda pakai agar orang lain dapat memeriksanya.

Berhenti sejenak

Bukti apa yang bisa mengubah keputusan ini?

Jawab sebelum membuka pembahasan. Sebutkan satu fakta dan satu asumsi.

Coba sendiri

Cobalah pada satu bagian kecil dari pekerjaan Anda.

1. Pilih satu situasi nyata yang berkaitan dengan Data, Fitur, dan Label.
2. Pisahkan hal yang dapat Anda amati dari hal yang masih berupa asumsi.
3. Tulis satu keputusan, penanggung jawab, dan bukti untuk memeriksanya.
4. Sebutkan sinyal yang membuat Anda berhenti atau mengubah arah.

Tulis dua contoh yang sesuai dengan Data, Fitur, dan Label dan satu contoh yang tidak sesuai. Jelaskan perbedaannya dengan bahasa Anda sendiri. Jika ingin melanjutkan, Anda juga dapat mencoba latihan modul berikut: Susun aliran data untuk sistem yang membantu menyortir permintaan pelanggan. Buat versi pertama cukup kecil agar orang lain dapat memeriksanya dalam beberapa menit.

Jalan pintas yang menggoda

Istilah yang terdengar familiar belum tentu membantu Anda mengambil keputusan yang tepat.

Mengapa ini terasa masuk akal

Data yang banyak belum tentu tepat, mewakili pengguna, atau boleh digunakan. Kesalahan ini biasanya muncul ketika istilah dipakai lebih cepat daripada pemahaman terhadap masalahnya. Tuliskan asumsi yang Anda pakai agar orang lain dapat memeriksanya.

Cara memeriksanya

Coba tempatkan Data, Fitur, dan Label di dalam alur kerja yang sudah Anda kenal. Lihat siapa yang memberi masukan, siapa yang memakai hasil, dan siapa yang perlu memeriksanya. Mulailah dari hal yang dapat Anda amati, lalu pisahkan fakta, asumsi, dan pertanyaan yang masih belum terjawab.

Latihan singkat

Tulis dua contoh yang sesuai dengan Data, Fitur, dan Label dan satu contoh yang tidak sesuai. Jelaskan perbedaannya dengan bahasa Anda sendiri. Jika ingin melanjutkan, Anda juga dapat mencoba latihan modul berikut: Susun aliran data untuk sistem yang membantu menyortir permintaan pelanggan.

Ringkasan

• Membedakan data, fitur, dan label melalui contoh dataset yang sederhana.
• Gunakan contoh dan bukti untuk menguji pemahaman.
• Catat batas, risiko, dan kondisi ketika keputusan harus ditinjau ulang.

Lanjutkan dari sini

• Pelatihan dan Inferensi: Lanjutkan gagasan dari Belajar dari Data melalui contoh yang masih berkaitan.
• Memecah Alur Kerja: Hubungkan pelajaran ini dengan Applied AI, lalu uji idenya dalam konteks lain.
• Kritik dan Perbaikan: Lihat bagaimana keputusan yang sama berubah ketika dibahas melalui Prompting.

Sumber dan bacaan lanjut

• Machine Learning Crash Course: Google for Developers · official-course. Rujukan utama untuk definisi, bukti, atau batas yang dibahas dalam “Data, Fitur, dan Label”.
• Data on the Web Best Practices: W3C · web-standard. Bukti dan konteks tambahan untuk memeriksa penjelasan dalam “Data, Fitur, dan Label”.
• Machine Learning Glossary: Google for Developers · official-documentation. Bukti dan konteks tambahan untuk memeriksa penjelasan dalam “Data, Fitur, dan Label”.