What is Machine Learning?

-

 


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:
CarnameColorAgeSpeedAutoPass
BMWred599Y
Volvoblack786Y
VWgray887N
VWwhite788Y
Fordwhite2111Y
VWwhite1786Y
Teslared2103Y
BMWblack987Y
Volvogray494N
Fordwhite1178N
Toyotagray1277N
VWwhite985N
Toyotablue686Y

Dengan melihat array, kita bisa menebak bahwa nilai rata-ratanya mungkin sekitar 80 atau 90, dan kita juga bisa menentukan nilai tertinggi dan nilai terendah, tapi apa lagi yang bisa kita lakukan?

Dan dengan melihat database kita dapat melihat bahwa warna yang paling populer adalah putih, dan mobil tertua adalah 17 tahun, tetapi bagaimana jika kita dapat memprediksi apakah sebuah mobil memiliki AutoPass, hanya dengan melihat nilai lainnya?

Itulah gunanya Machine Learning! Menganalisis data dan memprediksi hasilnya!

Dalam Machine Learning, biasanya bekerja dengan kumpulan data yang sangat besar. Dalam tutorial ini kami akan mencoba membuatnya semudah mungkin untuk memahami berbagai konsep Machine Learning dan kita akan belajar dengan kumpulan data kecil yang mudah dipahami.

Data Types

Untuk menganalisis data, penting untuk mengetahui jenis data apa yang kita hadapi.

Kita dapat membagi tipe data menjadi tiga kategori utama:
  • Numerical
  • Categorical
  • Ordinal

Data Numerical adalah angka, dan dapat dibagi menjadi dua kategori numerik:

  • Discrete Data
     - angka/number yang terbatas pada bilangan bulat/integer.
       Contoh: Jumlah mobil yang lewat.

   • Continuous Data
      - angka/number yang nilainya tak terbatas.
        Contoh: Harga suatu barang, atau ukuran suatu barang.

Categorical data adalah nilai yang tidak dapat diukur satu sama lain. Contoh: nilai warna, atau nilai ya/tidak.

Ordinal data seperti data categorical, tetapi dapat diukur satu sama lain. Contoh: nilai sekolah dimana A lebih baik dari B dan seterusnya.

Dengan mengetahui tipe data sumber data kalian, kalian akan dapat mengetahui teknik apa yang digunakan saat menganalisisnya.

Kita akan belajar lebih banyak tentang statistik dan menganalisis data di bab berikutnya.

Komentar

Posting Komentar

Postingan populer dari blog ini

NumPy Array Search

-
Gambar
  Searching Arrays Kita dapat mencari array untuk nilai tertentu, dan mengembalikan index yang cocok. Untuk mencari array, gunakan where() . Contoh Temukan index dimana nilainya adalah 4. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ,  4 ,  5 ,  4 ,  4 ]) x =   np.where(arr ==  4 ) print (x) Contoh diatas akan mengembalikan Tuple: (array([3, 5, 6]),) Yang artinya nilai 4 terdapat pada index 3, 5, dan 6. Contoh Temukan index dimana nilainya genap. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ,  4 ,  5 ,  6 ,  7 ,  8 ]) x =   np.where(arr% 2  ==  0 ) print (x) Contoh Temukan index dimana nilainya ganjil. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ,  4 ,  5 ,  6 ,  7 ,  8 ]) x =   np.where(arr% 2  ==  1 ) print (x) Search Sorted  Ada metode yang disebut searchsorted() yang mela...
Baca selengkapnya

NumPy Array Split

-
Gambar
  Splitting NumPy Arrays Splitting/Pemisahan adalah operasi kebalikan dari Joining. Bergabung/Joining menggabungkan beberapa array menjadi satu dan memisahkan memecah satu array menjadi banyak. Kita menggunakan array_split() untuk memisahkan array, kita memberikan array yang ingin kita bagi dan jumlah pemisahan. Contoh Bagi array menjadi 3 bagian. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ,  4 ,  5 ,  6 ]) newarr =   np.array_split(arr,  3 ) print (newarr) Note: Nilai yang dikembalikan adalah array yang berisi 3 array. Jika array memiliki lebih sedikit elemen dari yang dibutuhkan, array akan menyesuaikan dari akhir. Contoh Bagi array menjadi 4 bagian. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ,  4 ,  5 ,  6 ]) newarr =   np.array_split(arr,  4 ) print (newarr) Note: Kita juga memiliki metode split() tersedia tetapi tidak akan menyesuaikan elemen ketika elemen ku...
Baca selengkapnya

NumPy Array Iterating

-
Gambar
  Iterating Array Iterating/iterasi berarti menelusuri elemen satu per satu. saat kita berurusan dengan array multi-dimensi di numpy, kita bisa melakukan ini menggunakan for loop dasar Python. Jika kita mengulangi/loop pada array 1-D, ia akan melewati setiap elemen satu per satu. Contoh  Iterasi pada elemen array 1-D berikut. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ]) for  x  in  arr:    print (x) Iterating 2-D Arrays Dalam array 2-D itu akan melewati semua baris. Contoh Lakukan iterasi pada elemen array 2D berikut. import  numpy  as  np arr = np.array([[ 1 ,  2 ,  3 ], [ 4 ,  5 ,  6 ]]) for  x  in  arr:    print (x) Jika kita iterasi pada array n -D maka akan melewati dimensi n-1 satu per satu. Untuk mengembalikan nilai aktual, skalar, kita harus mengulangi/loop array di setiap dimensi. Contoh Iterasi pada  setiap elemen skalar dari array 2-D. import ...
Baca selengkapnya