Daftar Referensi
- Get link
- X
- Other Apps
Glosarium
Berikut adalah glosarium dengan istilah umum yang digunakan pada kelas ini. Anda dapat membaca sekilas materi berikut untuk mengenali istilah-istilah umum yang ada di modul kelas ini. Selain itu, Anda juga dapat mengunjungi kembali halaman ini setiap kali menemukan istilah yang belum dimengerti. Carilah istilah tersebut pada halaman glosarium ini untuk mengidentifikasi makna atau definisinya. Jika masih terdapat kosakata yang tidak Anda pahami dan belum masuk di daftar ini, Anda dapat memberikan saran melalui fitur Laporan Materi.
A
Action
Dalam reinforcement learning, action adalah setiap keputusan yang diambil oleh agent.
Activation Function
Fungsi yang menerima jumlah bobot semua masukan dari layer sebelumnya, kemudian menghasilkan dan meneruskan nilai keluaran ke layer berikutnya. Contoh: ReLU atau sigmoid.
Agent
Entitas pembuat keputusan yang belajar melalui proses trial dan error.
Akurasi
Jumlah data yang diprediksi dengan benar oleh machine learning dibagi jumlah seluruh data poin.
Algoritma
Dalam ilmu komputer, algoritma adalah sekumpulan aturan atau instruksi yang didesain untuk melakukan tugas dan menyelesaikan permasalahan.
Artificial Intelligence
Program atau model yang memiliki kemampuan untuk berpikir sehingga dapat menyelesaikan tugas manusia.
B
Bobot
Koefisien untuk fitur dalam model linier atau parameter yang dipelajari oleh sebuah perceptron untuk menunjukkan kekuatan node tertentu dalam jaringan syaraf tiruan.
C
Callbacks
Objek yang dapat melakukan tindakan pada berbagai tahapan pelatihan (misal di awal atau akhir epoch, sebelum atau setelah batch tunggal, dll).
D
Data Kategorik
Fitur-fitur yang memiliki sekumpulan nilai diskrit dan bisa dibagi ke dalam grup. Sering disebut juga data diskrit.
Data Numerik
Fitur-fitur yang direpresentasikan sebagai bilangan bulat atau bilangan riil. Sering disebut juga fitur berkelanjutan.
Dataset
Sekumpulan data atau contoh-contoh yang terdiri dari satu atau lebih fitur.
Data pre-processing
Tahapan pemrosesan data sebelum siap digunakan oleh model machine learning.
Deep Learning
Cabang machine learning dengan algoritma jaringan syaraf tiruan yang dapat belajar dan beradaptasi terhadap sejumlah besar data.
Deep Neural Network
Tipe Neural Network yang memiliki beberapa hidden layer.
Deployment
Pada machine learning, deployment adalah metode yang digunakan untuk mengintegrasikan model machine learning ke dalam lingkungan produksi untuk membuat keputusan berdasarkan data.
F
Feedback
Situasi di mana prediksi model mempengaruhi data pelatihan dalam machine learning.
Fitur
Input variabel yang digunakan untuk membuat prediksi, merepresentasikan karakteristik individu yang diukur dari suatu fenomena.
H
Hidden Layer
Lapisan sintetis dalam jaringan saraf antara lapisan masukan (fitur) dan lapisan keluaran (prediksi). Hidden layer biasanya berisi fungsi aktivasi untuk pelatihan.
Hyperparameter
Variabel yang digunakan untuk mengontrol proses pelatihan model. Contohnya: epoch, learning rate, optimizer, dan sebagainya.
I
Input Layer
Layer pertama yang menerima data masukan dalam jaringan saraf tiruan
K
Klasifikasi
Tipe model machine learning untuk membedakan antara dua atau lebih kelas. Misalnya klasifikasi apakah suatu email merupakan email spam atau bukan.
L
Label
Dalam supervised learning, label adalah “jawaban” atau “hasil” dari sebuah contoh.
Layer
Sekumpulan neuron dalam jaringan saraf yang memproses fitur-fitur masukan atau keluaran dari neuron tersebut.
M
Machine Learning
Bidang studi yang memberi komputer kemampuan untuk belajar tanpa diprogram secara eksplisit.
Missing Value
Tidak tersedia nilai data pada variabel tertentu dalam sebuah observasi.
Model
Representasi dari apa yang telah dipelajari oleh sistem machine learning dari data pelatihan. Model mendefinisikan relasi antara fitur dan label.
Model Selection
Proses pemilihan model machine learning.
N
Neural Network
Sebuah model yang mengambil inspirasi dari otak, terdiri dari beberapa layers yang memiliki neuron-neuron yang saling terhubung.
O
Output layer
Lapisan “terakhir” dari jaringan saraf tiruan. Lapisan yang berisi jawaban.
Overfitting
Kondisi saat model sangat cocok dengan data pelatihan sehingga model gagal membuat prediksi yang benar pada data baru.
P
Parameter
Variabel model yang dilatih oleh sistem machine learning. Sebagai contoh: weight/bobot adalah parameter yang nilainya dipelajari secara bertahap oleh sistem machine learning.
R
Reinforcement Learning
Algoritma yang belajar menggunakan sistem reward dan pinalti. Algoritma Reinforcement Learning belajar agar terus mendapatkan reward dan menghindari penalti.
Reward
Dalam reinforcement learning, reward adalah hasil numerik dari mengambil tindakan dalam suatu keadaan seperti yang didefinisikan oleh environment. Reward diberikan saat agent berhasil menyelesaikan tantangan.
T
Tensorflow
Platform machine learning berskala besar dan terdistribusi. Istilah ini juga merujuk pada layer API dasar yang mendukung komputasi umum pada grafik aliran data.
Tensorflow.js
Framework yang kompatibel dengan Tensorflow API. Tensorflow.js menggunakan model yang telah dibuat dengan merubah format model menjadi JSON file.
Test set
Bagian dari dataset yang digunakan untuk menguji sebuah model setelah model melalui pemeriksaan awal oleh validation set.
Training set
Bagian dari dataset yang digunakan untuk melatih model.
U
Underfitting
Model machine learning memiliki kemampuan prediksi yang buruk karena model tersebut belum menangkap kompleksitas data pelatihan.
Unsupervised learning
Model machine learning yang belajar dan menemukan pola dalam sekumpulan data tanpa label.
V
Validation set
Bagian dari dataset (berbeda dari training set) yang digunakan sebagai validasi.
Daftar Referensi
[1] McKinsey "The state of AI in 2022". Diakses pada: 16 October 2023. Tersedia di: tautan
[2] L. Moroney dalam “Course: Introduction to Tensorflow for Artificial Intelligence”. Diakses pada: 20 October 2023. [Online Video]. Tersedia di: tautan
[3] S. Campbell, et all., “Deep Learning vs. Traditional Computer Vision”. Tersedia di: tautan.
[4] Andreas C. Muller and Sarah Guido, “Introduction to Machine Learning with Python”. O’Reilly Media, 2016, Chapter 1.
[5] J. Ding, et al., “Model Selection Technique-An Overview”
[6] Aurelien Geron, “Hands-On Machine Learning with Scikit-Learn & Tensorflow”, O'Reilly, 2017.
[7] Brain Basic: The Life and Death of a Neuron.
[8] F. Rosenblatt,” The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain”. 1958. Psychological Review, Vol 65. No 6, Tersedia di: tautan.
[9] Alberto Boschetti, Luca Massaron. “Python Data Science Essentials Second Edition”. Packt Publishing. 2016, 87-88.
[10] S. Raschka and V. Mirjalili. “Python Machine Learning 3rd Edition”. Packt Publishing. 2019. Chapter 4.
[11] Google Developers, “Introduction to Machine Learning”. Tersedia di: tautan.
[12] Qiubing Ren, Mingchao Li & Shuai Han (2019) Tectonic discrimination of olivine in basalt using data mining techniques based on major elements: a comparative study from multiple perspectives, Big Earth Data, 3:1, 8-25. Tersedia di: tautan.
[13] Google Developers, “TensorFlow Tutorial”. Tersedia di : tautan.
[14] Kai Sasaki, “Hands on Machine Learning with Tensorflow.js, 2019, Packt Publishing.
[15] AI for Everyone. Tersedia di: tautan.
[16] K. P. Murphy, “Machine Learning: a Probabilistic Perspective. 2012, page 22
- Get link
- X
- Other Apps
Comments
Post a Comment