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, 1.700 gambar angka tulisan tangan, masing-masing 64 dimensi, dipetakan menjadi titik di bidang 2 dimensi oleh PCA, TSNI, dan UMAP. Lihat bagaimana angka yang sama berkumpul membentuk pulau-pulau. Ayo kita mulai. Selamat datang di episode ke-14 seri Machine Learning dengan Python. Data nyata sering punya puluhan sampai ribuan fitur. Kita tidak bisa menggambarnya, model jadi lambat, dan sering ada fitur yang berulang. Reduksi dimensi meringkas banyak fitur menjadi sedikit fitur baru, sambil mempertahankan informasi sebanyak mungkin. Kita belajar PCA untuk kompresi, serta TSNI dan UMAP untuk visualisasi.
Langkah 1: PCA dan explained variance
Kita buat file pca.py. Datanya dataset digits, setiap gambar angka berukuran 8x8 piksel, jadi 64 fitur. PCA mencari arah baru, disebut komponen utama, yang menangkap variasi data paling besar. Kita hitung explainate variance, yaitu persentase informasi yang disimpan setiap komponen, lalu menggambar jumlah kumulatifnya. Ternyata sekitar 20 komponen saja sudah menyimpan 90% informasi.
Langkah 2: Kompresi gambar dengan PCA
PCA juga bisa dipakai untuk kompresi. Kita ringkas gambar menjadi 5, 15, dan 40 komponen, lalu mengembalikannya dengan inversi transform. Dengan 5 komponen, angkanya masih kabur. Dengan 15 komponen, angkanya sudah bisa dibaca, padahal datanya tinggal seperempat.
Langkah 3: PCA sebelum model
Apakah kompresi merusak performa model? Kita latih logistik regression dengan 64 fitur asli dan dengan 20 komponen PCA. Akurasinya hanya turun sedikit, padahal fiturnya tinggal kurang dari sepertiga, sehingga pelatihan lebih cepat.
Langkah 4: Peta dua dimensi
Sekarang visualisasi. Buat file peta .py. Kita ringkas 64 dimensi menjadi 2 dimensi dengan 3 metode. PCA adalah metode linier yang cepat. TSNI dan UMAP adalah metode non-linear yang fokus menjaga tetangga dekat tetap berdekatan. Kita juga mencatat waktu prosesnya. Pasang dulu UMAP dengan PIP install Umaplern. Lihat hasilnya.
Langkah 5: PCA vs t-SNE vs UMAP
Pada PCA, kelompok angka masih banyak yang bertumpuk. Pada TSNI dan UMAP, setiap angka membentuk pulau yang terpisah jelas. Angka yang mirip bentuknya. Seperti 3, 5, dan 8. Letaknya berdekatan. Di data kecil ini UMAP lebih lambat karena kompilasi awalnya. Tapi untuk data yang sangat besar UMAP biasanya jauh lebih cepat dari TSNI. Ingat, TSNI dan UMAP untuk visualisasi. Sedangkan PCA cocok untuk kompresi dan praproses model.
i Selesai!
Selesai. Kita sudah belajar PCA dan X-Planet Variance, kompresi gambar, PCA sebelum model, serta visualisasi data berdimensi tinggi dengan TSNI dan UMAP. Di episode berikutnya kita belajar deteksi anomali untuk menemukan transaksi mencurigakan, dan market basket analisis. 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
53 kelas video1.286 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.
