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, kita melatih model regresi linier dari 0, tanpa library machine learning. Grafik kiri menunjukkan error yang terus turun di setiap langkah gradient descent, dan grafik kanan menunjukkan garis hasil belajar yang pas dengan data. Inilah yang sebenarnya terjadi di balik perintah feed. Ayo kita mulai. Halo, selamat datang di episode ketiga seri machine learning dengan Python. Banyak orang takut dengan matematika machine learning. Tenang saja, di episode ini kita belajar secara intuitif dan langsung membuktikannya dengan kode, vektor dan dot product, statistik dasar, peluang dengan teorema base, turunan sebagai kemiringan, dan yang paling penting, gradient descent, algoritma yang dipakai hampir semua model untuk belajar.
Langkah 1: Vektor dan dot product
Kita buka terminal dan buat file vektor.py. Satu baris data adalah sebuah vektor. Misalnya rumah dengan luas 120 meter persegi, tiga kamar, dan umur lima tahun. Model linear menghitung prediksi dengan dot product antara fitur dan bobot, lalu ditambah bias. Dot product juga dipakai untuk mengukur kemiripan dua vektor, yang disebut cosine similarity, dasar dari sistem rekomendasi. Film A dan B yang sama-sama film aksi punya kemiripan tinggi, sedangkan A dan C yang romantis rendah. Berikutnya statistik.
Langkah 2: Statistik dan distribusi normal
Data gaji ini punya satu nilai ekstrim, gaji bos sebesar 50 juta. Perhatikan rata-ratanya tertarik menjadi 11,3, sedangkan median tetap 7, lebih mewakili mayoritas. Lalu kita buat 10 ribu data tinggi badan berdistribusi normal, dan membuktikan aturan 68, 95, 99,7. Sekitar 68 persen data berada dalam satu standar deviasi dari rata-rata.
Langkah 3: Teorema Bayes
Sekarang peluang dengan teorema base, dasar algoritma knife base. Sebuah penyakit diderita 1 persen orang. Tesnya akurat 95 persen, tapi 5 persen orang sehat juga dites positif. Jika hasil tesmu positif, berapa peluang benar-benar sakit? Ternyata hanya sekitar 16 persen. Kita buktikan juga dengan simulasi 1 juta orang. Pelajarannya, akurasi tinggi bisa menyesatkan pada data yang tidak seimbang.
Langkah 4 Turunan dan gradient descent
Masuk ke kalkulus. Buat file gradient.py. Turunan adalah kemiringan sebuah fungsi. Fungsi kita x kuadrat minus 4x tambah 5, dan turunannya 2x minus 4. Di titik minimum, kemiringannya 0. Gradient design mencari minimum dengan cara melangkah berlawanan arah kemiringan, berulang-ulang, seperti menuruni gunung berkabut. Besar langkahnya disebut learning rate. Kita coba 3 nilai. Terlalu kecil, pas, dan terlalu besar.
Langkah 5: Pengaruh learning rate
Lihat grafiknya. Learning rate 0,05 bergerak sangat lambat dan belum sampai. 0,3 langsung tiba di minimum, x sama dengan 2. Sedangkan 1,02 justru melompat-lompat makin jauh, atau divergen. Learning rate adalah hyperparameter yang sangat penting.
Langkah 6: Regresi linear dari nol
Sekarang bagian puncaknya, melatih regresi linier dari 0. Buat file regresi underscore 0.py. Kita buat data y sama dengan 3x tambah 7, ditambah nice. Model mulai dari W dan B0. Di setiap epoch, kita hitung prediksi, hitung error, dan loss berupa min squared error. Lalu hitung turunan loss terhadap W dan B, dan perbarui keduanya dengan gradient descent. Kita cetak perkembangannya di beberapa epoch.
Langkah 7: Hasil pelatihan
Lihat terminal, loss turun dari ratusan menjadi di bawah 4, dan hasil akhirnya mendekati 3x tambah 7. Grafik kiri menunjukkan loss yang terus menurun, grafik kanan menunjukkan garis hasil belajar yang pas dengan data. Selamat! Kamu baru saja melatih model machine learning tanpa library machine learning.
N Selesai!
Selesai! Kita sudah belajar vektor dan dot product, statistik deskriptif, distribusi normal, teorema base, turunan, dan gradient descent. Di episode berikutnya kita belajar tahap yang paling banyak memakan waktu data skientis, membersihkan dan mengeksplorasi data. 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. 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
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.
