Coding Is Fun

  Variance Variance adalah angka lain yang menunjukkan seberapa tersebar nilainya. Nyatanya, jika Anda mengambil akar kuadrat dari variance, Anda mendapatkan standard deviation Atau sebaliknya, jika Anda mengalikan standar deviasi dengan sendirinya, Anda mendapatkan variansnya! Untuk menghitung varians yang harus Anda lakukan sebagai berikut: 1. Temukan Mean/rata-rata: ( 32 + 111 + 138 + 28 + 59 + 77 + 97 ) / 7 = 77.4 2. Untuk setiap nilai: cari selisih dari  Mean/rata-rata:   32 - 77.4 = - 45.4 111 - 77.4 =  33.6 138 - 77.4 =  60.6   28 - 77.4 = - 49.4   59 - 77.4 = - 18.4   77 - 77.4 = - 0.4   97 - 77.4 =  19.6 3. Untuk setiap perbedaan: temukan nilai kuadratnya: (- 45.4 )² = 2061.16  ( 33.6 )² = 1128.96  ( 60.6 )² = 3672.36 (- 49.4 )² = 2440.36 (- 18.4 )² =  338.56 (- 0.4 )²  =    0.16  ( 19.6 )² =  384.16 4. Varian adalah jumlah rata-rata dari selisih kuadrat ini: ( 2061.16 + 112...

  What is Standard Deviation? Standard deviation adalah angka yang menjelaskan seberapa tersebar nilai-nilai tersebut. Standard deviation yang rendah berarti bahwa sebagian besar angka mendekati nilai rata-rata/mean (average). Standard deviation yang tinggi berarti bahwa nilai tersebar pada rentang yang lebih luas. Contoh: Kali ini kita telah mendaftarkan kecepatan 7 mobil: speed = [ 86 , 87 , 88 , 86 , 87 , 85 , 86 ] Standard deviation adalah: 0.9 Artinya sebagian besar nilai berada pada kisaran 0,9 dari nilai rata-ratanya/mean yaitu 86,4. Mari kita lakukan hal yang sama dengan pemilihan angka dengan jangkauan yang lebih luas: speed = [ 32 , 111 , 138 , 28 , 59 , 77 , 97 ] Standard deviation adalah: 37.85 Artinya sebagian besar nilai berada pada kisaran 37,85 dari nilai rata-ratanya/mean yaitu 77,4. Seperti yang Anda lihat, standar deviasi yang lebih tinggi menunjukkan bahwa nilai tersebar dalam rentang yang lebih luas. Modul NumPy memiliki metode untuk menghitung standar deviasi:...

  Mean, Median, and Mode Apa yang bisa kita pelajari dari melihat sekelompok angka? Dalam Machine Learning (dan dalam matematika) seringkali ada tiga nilai yang menarik bagi kita: Mean  - Nilai rata-rata Median  - Nilai titik tengah Mode  - Nilai yang paling umum Mode Nilai Mode adalah nilai yang paling sering muncul: 99 , 86 , 87 , 88 , 111 , 86 , 103 , 87 , 94 , 78 , 77 , 85 , 86 = 86 Contoh Gunakan metode SciPy mode() untuk menemukan angka yang paling sering muncul: from  scipy  import  stats speed =  [ 99 , 86 , 87 , 88 , 111 , 86 , 103 , 87 , 94 , 78 , 77 , 85 , 86 ] x = stats.mode(speed) print (x)

  Mean, Median, and Mode Apa yang bisa kita pelajari dari melihat sekelompok angka? Dalam Machine Learning (dan dalam matematika) seringkali ada tiga nilai yang menarik bagi kita: Mean  - Nilai rata-rata Median  - Nilai titik tengah Mode  - Nilai yang paling umum Median Nilai median adalah nilai di tengah, setelah kalian mengurutkan semua nilai: 77 , 78 , 85 , 86 , 86 , 86 , 87 , 87 , 88 , 94 , 99 , 103 , 111 Angka-angka tersebut harus diurutkan sebelum Anda dapat menemukan mediannya. Modul NumPy memiliki metode untuk ini: Contoh Gunakan metode NumPy median() untuk menemukan nilai tengah: import  numpy speed = [ 99 , 86 , 87 , 88 , 111 , 86 , 103 , 87 , 94 , 78 , 77 , 85 , 86 ] x = numpy.median(speed) print (x) Jika ada dua angka di tengah, bagi jumlah angka tersebut dengan dua. 77 , 78 , 85 , 86 , 86 , 86 , 87 , 87 , 94 , 98 , 99 , 103 ( 86 + 87 ) / 2 = 86.5 Contoh Menggunakan modul NumPy: import  numpy speed = [ 99 , 86 , 87 , 88 , 86 , 103 , 87 , 94 ,...

  Mean, Median, and Mode Apa yang bisa kita pelajari dari melihat sekelompok angka? Dalam Machine Learning (dan dalam matematika) seringkali ada tiga nilai yang menarik bagi kita: Mean - Nilai rata-rata Median - Nilai titik tengah Mode - Nilai yang paling umum Contoh:  Kita telah mendaftarkan kecepatan 13 mobil: speed = [ 99 , 86 , 87 , 88 , 111 , 86 , 103 , 87 , 94 , 78 , 77 , 85 , 86 ] Berapa nilai kecepatan rata-rata, tengah, atau paling umum? Mean Nilai Mean adalah nilai rata-rata. Untuk menghitung rata-rata, temukan jumlah semua nilai, dan bagi jumlah tersebut dengan jumlah nilai: ( 99 + 86 + 87 + 88 + 111 + 86 + 103 + 87 + 94 + 78 + 77 + 85 + 86 ) / 13 = 89.77 Contoh Gunakan metode NumPy mean() untuk menemukan kecepatan rata-rata: import  numpy speed = [ 99 , 86 , 87 , 88 , 111 , 86 , 103 , 87 , 94 , 78 , 77 , 85 , 86 ] x = numpy.mean(speed) print (x)

  What is Machine Learning? Machine Learning membuat komputer belajar dari mempelajari data dan statistik. Machine Learning adalah langkah menuju kecerdasan buatan (AI). Machine Learning adalah program yang menganalisis data dan belajar memprediksi hasilnya. Where to Start? Dalam tutorial ini kita akan kembali ke matematika dan mempelajari statistik, dan cara menghitung angka-angka penting berdasarkan kumpulan data. Kita juga akan belajar bagaimana menggunakan berbagai modul Python untuk mendapatkan jawaban yang kita butuhkan. Dan kita akan belajar bagaimana membuat fungsi/function yang mampu memprediksi hasil berdasarkan apa yang telah kita pelajari. Data Set Dalam pikiran komputer, kumpulan data adalah kumpulan data apa pun. Itu bisa apa saja dari array ke database lengkap. Contoh Array: [ 99 , 86 , 87 , 88 , 111 , 86 , 103 , 87 , 94 , 78 , 77 , 85 , 86 ] Contoh Database: Carname Color Age Speed AutoPass BMW red 5 99 Y Volvo black 7 86 Y VW gray 8 87 N VW white 7 88 Y Ford white ...

  What is a Set Himpunan/Set dalam matematika adalah kumpulan elemen unik. Himpunan/Set digunakan untuk operasi yang melibatkan operasi persimpangan sering, penyatuan, dan perbedaan. Create Sets in Numpy Kita dapat menggunakan metode NumPy unique() untuk menemukan elemen unik dari array apa pun. Misalnya membuat array set, tetapi ingat bahwa array set hanya boleh berupa array 1-D. Contoh Konversi array berikut dengan elemen berulang menjadi satu set. import  numpy  as  np arr = np.array([ 1 ,  1 ,  1 ,  2 ,  3 ,  4 ,  5 ,  5 ,  6 ,  7 ]) x = np.unique(arr) print (x) Finding Union Untuk menemukan nilai unik dari dua array, gunakan union1d() . Contoh Temukan gabungan/union dari dua set array berikut. import  numpy  as  np arr1 = np.array([ 1 ,  2 ,  3 ,  4 ]) arr2 = np.array([ 3 ,  4 ,  5 ,  6 ]) newarr = np.union1d(arr1, arr2) print (newarr) Finding Intersection Untuk menemukan h...

  Hyperbolic Functions NumPy menyediakan ufuncs sinh() , cosh() dan tanh() yang mengambil nilai dalam radian dan menghasilkan nilai sinh, cosh, dan tanh yang sesuai. Contoh Temukan nilai sinh dari PI/2. import  numpy  as  np x = np.sinh(np.pi/ 2 ) print (x) Contoh Temukan nilai cosh untuk semua nilai di arr. import  numpy  as  np arr = np.array([np.pi/ 2 , np.pi/ 3 , np.pi/ 4 , np.pi/ 5 ]) x =  np.cosh(arr) print (x) Finding Angles Menemukan sudut dari nilai-nilai hiperbolik sinus, cos, tan. Misalnya sinh, cosh dan tanh invers (arcsinh, arccosh, arctanh). Numpy menyediakan ufuncs arcsinh() , arccosh() dan arctanh() yang menghasilkan nilai radian untuk nilai sinh, cosh, dan tanh yang sesuai yang diberikan. Contoh Temukan sudut 1,0. import  numpy  as  np x = np.arcsinh( 1.0 ) print (x) Angles of Each Value in Arrays Contoh Temukan sudut untuk semua nilai tanh dalam array. import  numpy  as  np arr = np.array([ 0.1 ,...

  Trigonometric Function  NumPy menyediakan ufuncs sin() , cos() dan tan() mengambil nilai dalam radian dan menghasilkan nilai sin, cos, dan tan yang sesuai. Contoh Temukan nilai sine PI/2. import  numpy  as  np x = np.sin(np.pi/ 2 ) print (x) Contoh Temukan nilai sine untuk semua nilai dalam arr. import  numpy  as  np arr = np.array([np.pi/ 2 , np.pi/ 3 , np.pi/ 4 , np.pi/ 5 ]) x = np.sin(arr) print (x) Convert Degrees Into Radians Secara default semua fungsi/function trigonometri mengambil radian sebagai parameter tetapi kita dapat mengonversi radian menjadi derajat dan sebaliknya juga di NumPy. Note: nilai radian adalah pi/180 * degree_values. Contoh Konversikan semua nilai dalam arr array berikut ke radian. import  numpy  as  np arr = np.array([ 90 ,  180 ,  270 ,  360 ]) x = np.deg2rad(arr) print (x) Radians to Degrees  Contoh Konversikan semua nilai dalam arr array berikut ke derajat. import  numpy...

  Finding GCD (Greatest Common Denominator) GCD (Greatest Common Denominator), juga dikenal sebagai HCF (Highest Common Factor) adalah bilangan terbesar yang merupakan faktor persekutuan dari kedua bilangan tersebut. Contoh Carilah HCP dari dua bilangan berikut . import  numpy  as  np num1 =  6 num2 =  9 x = np.gcd(num1, num2) print (x) Returns: 3 karena itu adalah angka tertinggi, kedua angka dapat dibagi dengan (6/3 = 2 dan 9/3 = 3). Finding GCD in Arrays Untuk mencari Faktor Persekutuan(Highest Common Factor) Tertinggi dari semua nilai dalam suatu larik, Anda dapat menggunakan reduce() metode ini. Metode reduce() ini akan menggunakan ufunc, dalam hal ini gcd() fungsi, pada setiap elemen, dan mengurangi array dengan satu dimensi. Contoh Temukan GCD untuk semua angka dalam array berikut. import  numpy  as  np arr = np.array([ 20 ,  8 ,  32 ,  36 ,  16 ]) x =  np.gcd.reduce(arr) print (x) Returns: 4 karena itu a...

  Finding LCM (Lowest Common Multiple) Lowest Common Multiple adalah bilangan terkecil yang merupakan kelipatan persekutuan dari dua bilangan. Contoh Carilah LCM dari dua bilangan berikut. import  numpy  as  np num1 =  4 num2 =  6 x = np.lcm(num1, num2) print (x) Returns: 12 karena itu adalah kelipatan persekutuan terkecil dari kedua angka (4*3 = 12 dan 6*2 = 12). Finding LCM in Arrays Untuk menemukan Kelipatan Persekutuan Terkecil(Lowest Common Multiple) dari semua nilai dalam array, Anda dapat menggunakan reduce() metode ini. Metode reduce() ini akan menggunakan ufunc, dalam hal ini lcm() fungsi, pada setiap elemen, dan mengurangi array dengan satu dimensi. Contoh Temukan LCM dari nilai-nilai array berikut. import  numpy  as  np arr = np.array([ 3 ,  6 ,  9 ]) x = np.lcm.reduce(arr) print (x) Returns: 18 karena itu adalah kelipatan umum terendah dari ketiga angka (3*6 = 18, 6*3 = 18 dan 9*2 = 18). Contoh Temukan LCM dari...