The document discusses topics related to linear regression and model selection in machine learning. It will cover simple linear regression, correlation and coefficient of determination, multiple linear regression, and model selection techniques like cross-validation, overfitting, underfitting and regularization. The materials aim to help students understand the basic concepts of linear regression, distinguish between classification and regression, and implement linear regression while avoiding issues like dimensionality and overfitting.
1. Topik 5
Regresi Linear dan Seleksi Model
Machine Learning
Dr. Sunu Wibirama
Modul Kuliah Kecerdasan Buatan
Kode mata kuliah: UGMx 001001132012
June 22, 2022
2. June 22, 2022
1 Capaian Pembelajaran Mata Kuliah
Topik ini akan memenuhi CPMK 5, yakni mampu mendefinisikan beberapa teknik ma-
chine learning klasik (linear regression, rule-based machine learning, probabilistic machine
learning, clustering) dan konsep dasar deep learning serta implementasinya dalam penge-
nalan citra (convolutional neural network).
Adapun indikator tercapainya CPMK tersebut adalah memahami dasar-dasar linear re-
gression, mampu membedakan antara klasifikasi dan regresi, mengerti implementasi linear
regression, memahami konsep K-Fold Cross Validation, curse of dimensionality, overfitting,
dan underfitting.
2 Cakupan Materi
Cakupan materi dalam topik ini sebagai berikut:
a) Simple Linear Regression: materi ini menjelaskan konsep dasar regresi linear, konsep
residual sum of squares, dan contoh penerapannya dalam memprediksi nilai baru.
b) Correlation and coefficient of determination: materi ini menjelaskan konsep korelasi
dan koefisien determinasi. Korelasi menjelaskan kekuatan dari variabel x dan y. Koe-
fisien determinasi 𝑅2
adalah proporsi dari variasi pada variabel terikat (𝑌 ) yang dapat
diprediksi oleh variabel bebas (𝑥).
c) Multiple Linear Regression: materi ini menjelaskan konsep regresi dengan variabel
bebas lebih dari satu. Pada materi ini juga dijelaskan konsep perhitungan parameter
regresi dengan memanfaatkan teknik-teknik aljabar linear (Gauss Elimination).
d) Model Selection: materi ini menjelaskan konsep overfitting, underfitting, dan seleksi
model dengan menggunakan K-Fold Cross Validation. Selain itu, pada materi ini juga
dijelaskan konsep regularization dan curse of dimensionality.
1