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, kurva konvergensi dua algoritma metaheuristik, Particle Swarm Optimization dan Gray Wolf Optimizer, yang mencari kombinasi learning rate, jumlah filter, dan dropout terbaik untuk UNET secara otomatis. Pemenangnya kita latih ulang dan bandingkan dengan base lain. Ayo kita mulai. Halo, selamat datang di episode kelima seri segmentasi tumor otak dengan UNET yang dioptimasi metaheuristik. Inilah inti kebaruan penelitian kita. Di episode sebelumnya hyperparameter base lain dipilih secara umum. Pertanyaannya, apakah ada kombinasi yang lebih baik? Mencoba semua kombinasi terlalu mahal, karena setiap percobaan berarti melatih UNET. Disinilah metaheuristik berperan, algoritma yang terinspirasi alam, mencari solusi yang bagus dengan jumlah percobaan terbatas.
Langkah 1: Particle Swarm Optimization
Buat file metaheuristik.py Pertama partikel swarm optimization, terinspirasi kawanan burung. Setiap partikel adalah satu kandidat hyperparameter, dengan posisi bernilai 0-1 di tiap dimensi. Kecepatan partikel dipengaruhi tiga hal, inersia W, tarikan ke posisi terbaik pribadinya atau P-best, dan tarikan ke posisi terbaik seluruh kawanan atau G-best. Koefisien C1 dan C2 mengatur kekuatan tarikan itu. Setiap iterasi, P-best diperbarui jika partikel menemukan nilai lebih baik.
Langkah 2: Grey Wolf Optimizer
Kedua gray wolf optimizer, terinspirasi hierarki serigala abu-abu saat berburu. Tiga serigala terbaik disebut alpha, beta, dan delta. Mereka memimpin perburuan. Posisi baru setiap serigala adalah rata-rata dari tiga langkah menuju ketiga pemimpin. Parameter A turun dari 2 ke 0. Di awal serigala menjelajah luas, di akhir mengepung mangsa. Kedua fungsi mengembalikan solusi terbaik dan kurva konvergensinya.
Langkah 3: Ruang pencarian & fungsi fitness
Sekarang buat file optimasi underscore unit.py. Fungsi dekode menerjemahkan posisi 0-1 menjadi hyperparameter. Learning rate dalam skala logaritmik dari 0,0002-0,01, jumlah filter 8-24, dan dropout 0-0,3. Fungsi fitness melatih unit memakai fungsi latih model dari episode 4, tetapi hanya 3 epoch dengan separuh data latih supaya cepat, lalu mengembalikan dais validasi. Hasilnya disimpan di cace agar kombinasi yang sama tidak dilatih 2 kali.
Langkah 4: Menjalankan PSO vs GWO
Kita jalankan PSO dan GWO, masing-masing 5 agen dan 3 iterasi, dengan populasi awal yang sama supaya adil. Proses ini memakan waktu sekitar 17 menit di CPU, jadi videonya kita percepat. Lihat terminal, setiap baris adalah 1 unit yang dilatih. Skornya bervariasi lebar, dari 0,06 sampai 0,67, bukti bahwa hyperparameter sangat berpengaruh. PSO menemukan dais 0,673 dengan learning rate 0,00129, 18 filter, dan dropout 0,16. GWO mencapai 0,666. Grafik konvergensi memperlihatkan PSO naik lebih cepat, sedangkan GWO baru melonjak di iterasi terakhir. Menangnya PSO.
Langkah 5: Melatih ulang model terbaik
Buat file latih underscore optimal.py, yang membaca hasil optimasi lalu melatih ulang unit secara penuh, 15 epoch dengan seluruh data latih, memakai hyperparameter pemenang. Dice validasi terbaiknya 0,767, sedikit di atas baseline 0,763. Grafik membandingkan kurva dais validasi keduanya. Selisih di data validasi memang kecil, tapi penilaian yang sebenarnya ada di data uji yang belum pernah dilihat, dan itu kita lakukan di episode terakhir.
Selesai!
Selesai. Kita sudah menulis PSO dan GWO optimizer dari 0, merancang ruang pencarian dan fungsi fitness, membandingkan kurva konvergensi, dan melatih ulang unit dengan hyperparameter terbaik. Di episode terakhir kita mengevaluasi kedua model pada data uji dengan DAIS dan IOU, melihat overlay hasil segmentasi, dan membandingkan sebelum dan sesudah optimasi. Sedang menyusun skripsi, tesis, atau riset AI di bidang segmentasi citra medis? Cerdas inovasi digital membantu implementasi deep learning, dari segmentasi UNET, optimasi metahoristik PSO dan GWO, sampai evaluasi DAIS, IOU, dan penulisan hasil, serta membuka kursus deep learning dengan PyTor. Ingin menguasai seluruh seri ini, dari data set MRI otak sampai UNET yang dioptimasi metahoristik? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai 69 ribu rupiah per bulan, hemat 28 persen dengan paket 12 bulan, atau sekali bayar 999 ribu 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.
