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, isolation forest dan local outlier factor yang menandai transaksi mencurigakan dengan warna merah, tanpa pernah diberi contoh penipuan. Di bagian kedua kita menemukan aturan belanja di minimarket, misalnya pembeli roti cenderung membeli selai, dengan algoritma a priori. Ayo kita mulai. Halo, selamat datang di episode kelima belas seri Machine Learning dengan Python. Kita lanjutkan unsupervisate learning dengan dua tugas yang sangat berguna di bisnis. Pertama, deteksi anomali, menemukan data yang tidak wajar, seperti transaksi kartu kredit yang mencurigakan atau mesin yang mulai rusak. Kedua, market basket analysis, menemukan barang yang sering dibeli bersamaan, dasar dari rekomendasi produk dan penataan rak.
Langkah 1: Data transaksi kartu kredit
Kita buat file anomali.py. Datanya seribu transaksi kartu kredit dengan dua fitur, nominal dalam ribuan rupiah dan jam transaksi. Transaksi normal kebanyakan bernilai kecil sampai menengah di siang hari. Kita selipkan 20 transaksi aneh, nominal sangat besar, atau terjadi di dini hari. Labelnya kita simpan hanya untuk mengecek hasil di akhir, model tidak akan melihatnya.
Langkah 2: Z-score sederhana
Cara paling sederhana adalah set skor, transaksi dengan nominal lebih dari 3 standar deviasi dari rata-rata dianggap anomali. Cara ini cepat, tapi hanya melihat satu fitur. Transaksi dini hari dengan nominal wajar tidak akan tertangkap.
Langkah 3: Isolation Forest dan LOF
Isolation forest bekerja dengan ide cerdas. Anomali itu sedikit dan berbeda, jadi lebih mudah diisolasi. Pohon acap memotong data berulang kali, dan titik yang cepat terpisah dianggap anomali. Local outlier factor membandingkan kepadatan sebuah titik dengan kepadatan tetangganya. Kita atur kontamination 2%, lalu cek berapa anomali asli yang tertangkap oleh setiap metode. Kita gambar hasilnya berdampingan.
Langkah 4: Visualisasi anomali
Titik merah adalah yang ditandai anomali. Kedua metode menangkap transaksi bernominal besar maupun transaksi dini hari, yang tidak bisa dilakukan z-score satu fitur.
Langkah 5: Keranjang belanja dan Apriori
Bagian kedua, market basket analisis. Pasang dulu library melten dengan pip install melten, lalu buat file keranjang.py. Kita punya catatan 500 keranjang belanja minimarket. Data ini kita ubah menjadi tabel benar-salah, satu kolom untuk setiap barang. Lalu algoritma a priori mencari kombinasi barang yang sering muncul, dengan support minimum 5%. Dari kombinasi itu kita buat aturan asosiasi.
Support adalah seberapa sering kombinasi muncul. Confidence adalah peluang membeli barang kanan jika membeli barang kiri. Lift membandingkannya dengan kebetulan, lift di atas satu berarti kedua barang benar-benar saling terkait. Aturan teratas kita, misalnya roti keselai dan mie instan ketelur, bisa dipakai untuk menatarak berdekatan atau membuat paket promo.
Selesai!
Selesai. Kita sudah mendeteksi anomali dengan z-score, isolation forest, dan local outlier factor, serta menemukan aturan belanja dengan a priori, support, confidence, dan lift. Di episode berikutnya kita masuk ke dunia deep learning, membangun neural network dengan Python. 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 cerdas inovasi digital.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 video1.281 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.
