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, model CNN baseline buatan kita sendiri dengan akurasi validasi sekitar 95% dan akurasi uji sekitar 91%, lengkap dengan grafik loss dan akurasi di setiap IPOC. Model ini menjadi pembanding untuk model hybrid CNN-LSTM di episode berikutnya. Ayo kita mulai. Halo, selamat datang di episode ketiga seri model hybrid CNN-LSTM untuk deteksi dini penyakit paru. Dalam penelitian, model baru harus selalu dibandingkan dengan model pembanding atau baseline. Di episode ini kita membangun konvolusional neural network sederhana, melatihnya dengan data yang sudah kita praproses, mengukur akurasinya, dan menyimpannya.
Langkah 1: Arsitektur CNN tiga blok
File dari dua episode sebelumnya sudah ada, termasuk datasiap.npz dan dataset underscore paru.py. Buat file baru CNN underscore baseline.py. Modelnya tiga blok konvolusi. Setiap blok berisi konf2 de 3x3, back norm untuk menstabilkan pelatihan, relu, dan max pool yang memperkecil ukuran menjadi setengah, dari 64 menjadi 32, 16, lalu 8. Kanalnya bertambah dari 16, 32, sampai 64. Bagian klasifikasi meratakan peta fitur, memberi dropout 30%, lalu linier kedua kelas.
Langkah 2: Fungsi akurasi
Kita butuh fungsi akurasi untuk menilai model. Model dipindah ke mode evaluasi, sehingga dropout dimatikan dan back norm memakai statistik tetap, lalu dengan torno grad kita hitung berapa prediksi yang benar dari seluruh back.
Langkah 3: Training loop dan menyimpan model
Sekarang training loop. Data latih memakai augmentasi, data validasi tidak. Optimizer Adam dengan learning rate 1000 persatu, dan loss cross entropy. Setiap epoch kita hitung rata-rata loss dan akurasi validasi. Setelah 8 epoch, bobot model disimpan ke CNN underscore baseline dot pt, riwayatnya ke file json. Lalu kita ukur akurasi pada data uji dan menggambar kurva belajarnya. Lihat terminal.
Langkah 4: Hasil pelatihan CNN baseline
Model ini kecil, hanya sekitar 32 ribu parameter, tapi akurasi validasinya sudah naik ke sekitar 95% dalam beberapa epoch, dan akurasi data uji sekitar 91%. Kurva loss turun dengan stabil, sedangkan akurasi validasi naik turun sedikit, wajar untuk data validasi yang kecil. Perhatikan juga, akurasi uji lebih rendah dari validasi, karena proporsi kelas data uji berbeda. Inilah alasan kita butuh metrik klinis di episode evaluasi.
. Selesai!
Selesai. Kita sudah membangun CNN baseline dengan backnorm dan dropout, menulis training loop, menilai akurasi, dan menyimpan model pembanding. Di episode berikutnya kita merancang arsitektur utama penelitian ini, Hybrid CNN LSTM. Sedang menyusun skripsi, tesis, atau riset AI di bidang citra medis? Cerdas inovasi digital membantu implementasi deep learning, dari CNN, LSTM, model hybrid, sampai interpretasi grade cam dan penulisan hasil, serta membuka kursus deep learning dengan Python. Ingin menguasai seluruh seri ini, dari dataset Rondgen sampai evaluasi dan grade cam? Semua enam 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. Terima kasih telah menonton!
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
53 kelas video1.285 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.
