Langsung ke konten utama

Novan's Blog

Cari Blog Ini

Tugas 4 Machine Learning : Flowchart

Oktober 21, 2019

Dapatkan link
Facebook
Twitter
Pinterest
Email
Aplikasi Lainnya

Vending Machine

Restauran

Pelanggan

Pelayan

Koki

Kasir

ATM

Machine Learning Pembelajaran Mesin Tugas

Dapatkan link
Facebook
Twitter
Pinterest
Email
Aplikasi Lainnya

Komentar

Posting Komentar

Postingan Populer

Tugas 1 Mata Kuliah Pembelajaran Mesin

Soal : a. Carilah contoh-contoh penerapan machine learning pada kehidupan sehari-hari selain yang telah disebutkan! b. Mengapa mereka menggunakan teknik machine learning untuk menyelesaikan permasalahan tersebut? c. Apakah tidak ada opsi lainnya? Jelaskan bila ada! d. Apa kelebihan dan kekurangan teknik machine learning dari pada teknik lainnya (yang kamu jelaskan pada soal (c)) Jawaban : a. Contoh penerapan machine learning pada kehidupan sehari-hari diantaranya : 1. Pada bidang kedokteran, machine learning digunakan untuk mendeteksi penyakit dari gejala yang timbul. 2. Pada bidang Computer Vision, diterapkannya pengenalan wajah dan pelabelan wajah seperti pada salah satu fitur facebook dan penterjemahan tulisan tangan menjadi teks. 3. Pada bidang Information Retrival, contohnya adalah menterjemahkan bahasa dengan menggunakan komputer, mengubah suara menjadi teks, dan filter spam pada email. b. Machine learning digunakan untuk menyelesaikan permasalahan ter

Tugas 5 Machine Learning : Model Linear

1. Binary Classification Binary classification adalah mengklasifikasikan data menjadi dua kelas (binary). Contoh model linear sederhana untuk binary classification diberikan pada persamaan 5.6. Perhatikan, pada persamaan 5.6, suatu data direpresentasikan sebagai feature vector x, dan terdapat bias2 b. Klasifikasi dilakukan dengan melewatkan data pada fungsi yang memiliki parameter. Fungsi tersebut menghitung bobot setiap fitur pada vektor dengan mengalikannya dengan parameter (dot product). Persamaan 5.6 dapat ditulis kembali sebagai persamaan 5.7, dimana xi merupakan elemen ke-i dari vektor x. Fungsi ini memiliki range [−∞, ∞]. Pada saat ini, kamu mungkin bingung. Bagaimana mungkin fungsi regresi yang menghasilkan nilai kontinu digunakan untuk klasifikasi kelas kategorial. Kita dapat menggunakan thresholding, atau dengan memberikan batas nilai tertentu. Misal, bila f(x) > threshold maka dimasukkan ke kelas pertama; dan sebaliknya f(x) ≤ threshold dimasukkan ke kelas kedua. Thresho

Tugas 3 Machine Learning : Algoritma Dasar

1. Naive Bayes Naive Bayes adalah algoritma supervised learning yang sangat sederhana [23]. Idenya mirip dengan probabilitas bayesian. Secara formal, persamaan Naive Bayes untuk klasi?kasi diberikan pada persamaan 4.1 dimana ci adalah suatu nilai kelas, C adalah kelas (himpunan), t adalah ?tur (satu ?tur, bukan feature vector) dan F adalah banyaknya ?tur. Kita memprediksi kelas berdasarkan probabilitas kemunculan nilai ?tur pada kelas tersebut. Pertama, kita hitung likelihood suatu feature vector diklasi?kasikan ke kelas tertentu berdasarkan bagaiman probabilitas korespondensi ?tur-?turnya terhadap kelas tersebut (persamaan 4.1). Kemudian, kita normalisasi likelihood semua kelas untuk mendapatkan probabilitas class-assignment (softmax – persamaan 4.2). Akhirnya, kita pilih kelas dengan probabilitas tertinggi (persamaan 4.3). Agar mendapatkan gambaran praktis, mari kita bangun model Naive Bayes untuk Tabel 4.1. Tabel ini disebut sebagai dataset, yaitu memuat entry data (tiap baris

Diberdayakan oleh Blogger