Dokumen ini membahas pengantar mengenai kecerdasan buatan (AI) dan pembelajaran mesin (machine learning). AI didefinisikan sebagai ilmu komputer yang mempelajari bagaimana sistem komputer dapat memodelkan dan menirukan proses berpikir manusia. Machine learning adalah sistem yang dapat belajar sendiri melalui data tanpa diprogram secara eksplisit. Dokumen ini juga menjelaskan alat-alat yang dibutuhkan dalam machine learning sepert
5. AI adalah ilmu komputer yang mempelajari tentang bagaimana suatu sistem
komputer dapat memodelkan dan menirukan proses-proses berpikir
manusia serta perilakunya
● Sebuah sistem yang berpikir seperti manusia
● Sebuah sistem yang dapat berpikir secara rasional
● Sebuah sistem yang berperilaku seperti manusia
● Sebuah sistem yang dapat berperilaku secara rasional
7. MACHINE LEARNING
Sistem yang bisa belajar sendiri melalui data
Sistem/mesin yang dapat belajar sendiri melalui data
“Machine learning is the field of study that gives computers the ability to learn
without being explicitly programmed”
—Arthur Samuel, 1959
9. Cara penyelesaian masalah tanpa ML
Write rules:
Blacklisted keywords
1. hadiah
2. jutaan
3. gratis
4. hutang
5. pinjaman
6. cuan
7. promo
8. “mas, piye kabare? Kok gak tau
SMS/telepon, opo wis lali karo
dulure sing merantau nang
Kalimantan?”
9. dll…
13. ● Google Sheets
● RapidMiner
● Google Colaboratory
Tools
Software yang akan kita digunakan
14. ● TensorFlow
● Keras
● SciKit
● Numpy dan Pandas
Semuanya dalam bahasa Python
Library/Framework
Framework yang akan kita digunakan
15. Chapter 1 :
Data dan teman-temannya
Memahami data dan memvisualisasikannya
16. ● Kumpulan dari objek-objek data dan atributnya
● Attribute (kolom) adalah properti atau
karakteristik dari objek
○ contoh: suhu, warna baju, jumlah anak, etc.
○ dapat disebut juga dimension atau feature
● Kumpulan attribute membentuk sebuah object
(baris)
○ dapat disebut juga dengan tuple, record, data
point, case, sample, example, or instance
Apa itu data?
18. ● Proses ini digunakan untuk
menarik informasi dari data
● Tujuannya yaitu untuk:
○ Mengumpulkan
○ Menyusun
○ Menyimpulkan
○ Menyajikan
Statistical Descriptions of Data
19. ● Scatter plot: data direpresentasikan sebagai titik-titik di plane (cocok
untuk melihat korelasi)
● Histogram: sumbu x sebagai nilai, sumbu y sebagai representasinya
atau frekuensinya (cocok untuk melihat distribusi data)
● Boxplot: menampilkan five-number summary (cocok untuk melihat
distribusi data dan outliers)
Visualisasi Data
20. ● Scatter plot: data direpresentasikan
sebagai titik-titik di plane (cocok untuk
melihat korelasi)
● Korelasi adalah hubungan antar dua
variabel
Scatter Plot
21. ● -1 berarti korelasi negatif
(satu naik satunya turun, vice versa)
● 0 tidak ada korelasi
(hubungannya rendah)
● 1 berarti korelasi positif
(satu naik satunya juga naik, vice versa)
Korelasi
22. ● Histogram: sumbu x sebagai nilai, sumbu
y sebagai representasinya atau
frekuensinya (cocok untuk melihat
distribusi data)
● Bentuk dari histogram dipengaruhi oleh
jumlah bin
● Sering juga digunakan untuk mengecek
normalitas dari distribusi data
Histogram
23. ● Boxplot: menampilkan five-number
summary
○ Minimum (Q0 or 0th percentile)
○ 1st quartile (Q1 or 25th percentile)
○ Median (Q2 or 50th percentile)
○ 3rd quartile (Q3 or 75th percentile)
○ Maximum (Q4 or 100th percentile)
● Outlier
Boxplot
24. Chapter 2 :
Software dan teman-temannya
Google Sheets, RapidMiner dan Google Colab
25. ● Program spreadsheet untuk
○ Data analisis
○ Accounting
○ Visualisasi Data
○ Project Management
○ etc…
Google Sheets
26. ● Platform data science yang
digunakan untuk
○ Data engineering
○ Model building
○ Deployment
○ etc…
● Menggunakan berbagai teknik
deskriptif dan prediksi dalam
memberikan wawasan kepada
pengguna
RapidMiner
27. ● Jupyter notebook tapi online
dan berbasis cloud
● Dapat menggunakan GPU dari
google gratis
● Support image, html dan LaTeX
● Integrate PyTorch,
TensorFlow, Keras, dan
OpenCV
Google Colab
28. Part 2 akan lebih fokus ke Python, framework dan
library yang akan dipakai
Tetap semangat, tetap solid solid solid!