Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, algoritma genetika yang mengevolusikan populasi konfigurasi LSTM selama 5 generasi, memilih jumlah unit, lapisan, learning rate, panjang jendela, dan dropout secara otomatis. Rata-rata populasi membaik dari generasi ke generasi tanpa kita menebak-nebak. Ayo kita mulai. Halo, selamat datang di episode kelima seri peramalan beban listrik dengan LSTM. Di episode lalu kita memilih 64 unit dan 2 lapisan begitu saja. Ada ratusan kombinasi hyperparameter, dan mencoba semuanya terlalu lama. Algoritma genetika meniru evolusi, konfigurasi yang bagus bertahan dan berketurunan, yang buruk tersingkir. Hari ini kita menulisnya dari nol.
Langkah 1: Kromosom, seleksi, crossover & mutasi
Buat file ga.py Ruang pencariannya 5 gen, unit tersembunyi 16-128, 1-3 lapisan, 3 pilihan learning rate, panjang jendela 48-336 jam, dan dropout 0-0,3. Totalnya lebih dari 500 kombinasi. Kromosom berisi indeks pilihan setiap gen. Seleksi turnamen mengambil 3 individu acak dan memilih yang terbaik. Uniform crossover memilih setiap gen dari salah satu induk secara acak, dan mutasi mengganti gen dengan peluang 20%. Fungsi algoritma genetika mengevaluasi seluruh populasi, mencatat yang terbaik dan rata-ratanya, lalu membentuk generasi baru.
Langkah 2: Elitisme & cache fitness
Dua individu terbaik selalu lolos tanpa perubahan. Inilah helitisme, agar solusi terbaik tidak hilang. Sisanya lahir dari dua induk hasil turnamen, lalu dimutasi. Cace memastikan konfigurasi yang sama tidak dilatih dua kali, sehingga menghemat banyak waktu.
Langkah 3: Menjalankan algoritma genetika
Buat file optimasi underscore ga.py Fitness adalah mevalidasi setelah melatih LSTM dengan konfigurasi itu, maksimal 12 epok dengan early stopping, dan jendela latih digeser 2 jam agar lebih cepat. Populasi 8 individu selama 5 generasi. Jalankan, prosesnya beberapa menit, dan setiap konfigurasi yang dilatih dicetak beserta mapenya. Perhatikan hasilnya.
Langkah 4: Hasil evolusi
Di generasi pertama, konfigurasi acak sangat beragam. Model kecil dengan jendela pendek bisa memberi map di atas 5%. Generasi berikutnya makin seragam dan makin baik, karena gen yang bagus seperti unit tersembunyi yang besar menyebar ke seluruh populasi. Grafik memperlihatkan map terbaik dan rata-rata populasi yang turun dan menyatu. Konfigurasi terbaik disimpan ke konfigurasi underscore terbaik.json Selesai
Selesai!
Kita sudah menulis algoritma genetika dari nol dengan seleksi turnamen, uniform crossover, mutasi, elitisme, dan cace, lalu memakainya untuk mencari arsitektur dan hyperparameter LSTM. Di episode terakhir, kita mengevaluasi model terbaik pada data uji 2019 dan membandingkannya dengan semua base lain. Sedang menyusun skripsi, tesis, atau riset di bidang peramalan beban listrik dan deret waktu? Cerdas inovasi digital membantu implementasi deep learning dari eksplorasi data beban, rekayasa fitur, arima dan regresi, LSTM dengan PyTor, sampai optimasi hyperparameter dengan algoritma genetika, serta membuka kursus deep learning dengan PyTor. Ingin menguasai seluruh seri ini? Dari data beban per jam sampai evaluasi ramalan? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
52 kelas video1.276 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
