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 machine learning pertama kita yang bisa menebak jenis bunga iris hanya dari ukuran kelopaknya, dan berhasil menebak semua bunga di data uji dengan benar, padahal belum pernah melihatnya. Kita juga membandingkannya dengan K-Means, algoritma yang mengelompokkan data tanpa diberi label sama sekali. Ayo kita mulai. Halo, selamat datang di seri tutorial machine learning dengan Python, episode pertama. Machine learning adalah cara membuat komputer belajar dari data, bukan dari aturan yang kita tulis satu per satu. Pada pemrograman biasa, kita memberi data dan aturan, lalu komputer mengeluarkan jawaban. Pada machine learning, kita memberi data beserta jawabannya, lalu komputer sendiri yang menemukan aturannya. Ada tiga jenis utama, superficial learning yang belajar dari data berlabel, unsuperficient learning yang mencari pola tanpa label, dan reinforcement learning yang belajar dari hadiah dan hukuman. Di video ini, kita mencoba dua yang pertama secara langsung.
Langkah 1: Menyiapkan terminal dan file
Langkah pertama, kita buka terminal di VS Code lewat menu terminal, lalu new terminal. Kita cek versi Python, lalu memastikan library scikit-learn sudah terpasang. Kalau belum, cukup ketik pip install scikit-learn pandas matplotlib. Setelah itu, kita buat file pertama bernama lihat underscore data dot py. Kita mulai dengan mengenal datanya.
Langkah 2: Mengenal dataset iris
Detaset airi sudah tersedia di dalam scikit-learn, jadi tidak perlu diunduh. Detaset ini berisi 150 bunga dari tiga spesies, setosa, versikolor, dan virginica. Setiap bunga punya empat ukuran, panjang dan lebar sepal, serta panjang dan lebar petal. Empat ukuran ini disebut fitur, sedangkan spesiesnya disebut target atau label. Kita ubah menjadi data frame pandas supaya rapi, lalu tampilkan ukuran data, lima baris pertama, dan jumlah tiap spesies. Sebelum melatih model, biasakan untuk melihat datanya.
Langkah 3: Melihat pola data dengan grafik
Kita buat skater plot panjang petal melawan lebar petal, dengan warna berbeda untuk tiap spesies. Perhatikan hasilnya, ketiga spesies membentuk kelompok yang cukup terpisah. Setosa jelas sendiri di kiri bawah, sedangkan versikolor dan virginica berdekatan. Pola inilah yang nanti dipelajari oleh model.
Langkah 4: Melatih node Decision Tree
Sekarang bagian intinya, melatih model. Kita buat file baru, model underscore pertama dot paye. Polanya selalu sama di scikit-learn. Pertama, bagi data dengan train test split, 80% untuk latihan, 20% untuk ujian. Data uji tidak boleh dilihat model saat belajar, supaya kita tahu kemampuan model yang sebenarnya. Kedua, buat objek model, di sini decision tree classifier. Ketiga, panggil fit untuk melatih. Keempat, panggil predict untuk menebak data uji, lalu hitung akurasinya dengan akurasi skor.
Langkah 5: Memprediksi bunga baru
Akurasinya 1,0, artinya 100%. Semua bunga di data uji ditebak dengan benar, padahal model belum pernah melihatnya. Sekarang kita coba memprediksi satu bunga baru. Kita masukkan empat ukurannya, lalu model memberi tahu spesiesnya. Inilah yang disebut inferensi, memakai model yang sudah dilatih untuk data baru.
Langkah 6: Unsupervised learning dengan K-Means
Terakhir, kita coba unsupervisate learning. Buat file kelompok dot paye. Kali ini kita pakai k-means dan sengaja tidak memberikan label spesies sama sekali. Kita hanya meminta k-means membagi bunga menjadi tiga kelompok berdasarkan kemiripan ukurannya. Lalu kita gambar dua grafik berdampingan. Kiri memakai label asli, kanan memakai hasil k-means. Hasilnya sangat mirip. K-means berhasil menemukan kelompok spesies tanpa pernah diberi tahu jawabannya.
Selesai!
Selesai. Kita sudah mengenal apa itu machine learning, jenis-jenisnya, dan alur kerja scikit-learn. Bagi data, feed, predict, lalu evaluasi. Kita juga membandingkan supervisate learning dengan decision tree dan unsupervisate learning dengan k-means. Di episode berikutnya kita memperdalam alat utama data skientist, yaitu Nampai, Pandas, dan Medplotlib. Ingin menguasai machine learning dan data science? Cerdas inovasi digital membuka kursus Python, machine learning, dan AI dari dasar, jasa pembuatan model prediksi, analisis data, dan aplikasi AI untuk bisnis maupun penelitian, serta menjual source code lengkap tutorial ini. Ingin menguasai seluruh seri ini, dari pengenalan machine learning sampai diplo model ke web? Semua 18 episode, lengkap dengan PDF panduan langkah demi langkah, 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.
