Ada beberapa parameter pengukuran kesalahan atau error dalam pemrosesan citra. Dua parameter yang paling umum digunakan adalah Mean Square Error (MSE) dan Peak Signal to Noise Ratio (PSNR).
merupakan ukuran yang baik untuk mengukur kesamaan 2 buah citra. Misalkan kita memiliki 2 buah citra f dan g dengan dimensi yang MxN
Terkadang dalam pengolahan citra digital yang berukuran sangat besar serta algoritma tersebut memang tidak dipengaruhi oleh nilai tetangga yang lain, maka saya biasanya melakukan croping seperti berikut, yang tiap croping nya akan disimpan secara terpisah dan diolah per frame nya, tentu akan menjadi sangat ringan karena kita bisa memilih frame by frame.
Untuk memahami apa kegunaan serta memahami gagasan umum tentang cara kerja Gradient descent dan persamaan matematika di baliknya, agar lebih mudah, saya menggunakan python sebagai ilustrasinya. Oiya kalian masih ingat donk mengenai pelajaran/kuliah mengenai kalkulus? yaitu mengenai limit, turunan /derivatif sebuah fungsi.
Jika kalian tidak terbiasa dengan istilah gradien descent / penurunan gradien yaitu adalah algoritma pengoptimalan untuk menemukan fungsi minimum yang bisa kalian tentukan secara mudah melalui penurunan sebuah function. Mengapa hal ini penting? Ingat pada bab sebelumnya kita menggunakan loss function fungsi ini sering disebut fungsi kerugian / biaya / fungsi tujuan/object function.
TensorFlow adalah library/pustaka perangkat lunak sumber terbuka yang dikembangkan oleh Google untuk komputasi numerik dengan konsep graph/tensor. TensorFlow awalnya adalah proyek penelitian deep machine learning yang dikembangkan dari tim Google yang sejak dengan kolaborasi bersama 50 tim di Google – perpustakaan sumber terbuka baru yang diterapkan di seluruh ekosistem Google, termasuk Asisten Google, Foto Google, Gmail , telusuri, dan lainnya.
Membuat desain arsitektur machine learning menggunakan python sangatlah mudah, kalian bisa saja membuat kode nya secara sendiri, ataupun menggunakan library yang ada ada bahkan membuat turunan class / inheritance dari sebuah class library tensorflow! Maksudnya adalah kalian bisa saja menggunakan library tensorflow dari sebuah class – class yang ada untuk digunakan kembali sebagai acuan kita dalam membuat machine learning seperti backpropagation! Penasaran bukan?
Pada tulisan sebelumnya, disitu kita hanya menggunakan library sklearn yaitu terbatas memanggil function saja, dengan menggunakan dataset yang sama, kita akan menggunakan library tensorflow dan keras sebagai backend engine nya.
Yuk mulai saja kita samakan saja version tensorflow dan keras yang digunakan
Dasar pembahasan dari deep learning salah satunya algoritma Multi Layer Percepton, kalian bisa pelajari dalam buku yang saya terbitkan oleh Graha Ilmu disini dengan sub topik perceptron. Sobat softscients.com pada artikel ini, saya tidak akan detail hal tersebut tapi lebih pada menggunakan library sklearn yaitu MLPClassifier yang kode sangat ringkas sekali dengan dokumentasi yang lengkap ada disini
MLPClassifier adalah singkatan dari Multi-layer Perceptron classifier yang dalam namanya terhubung ke Neural Network. Tidak seperti algoritme klasifikasi lain seperti Support Vectors Machine atau Naive Bayes Classifier, MLPClassifier mengandalkan Neural Network yang mendasari untuk melakukan tugas klasifikasi.
Lupakan Excel! itu kata yang terbaik setelah menggunakan tools ini! Saat ini library pandas telah menjadi alat defacto untuk melakukan analisis data eksplorasi apa pun dengan Python. Fleksibilitas dan kemudahan penggunaannya menjadikannya library menjadi pilihan bagi banyak data science saat ini. Library pandas mempunyai support yang banyak dan sangat aktif karenanya selalu dalam pengembangan dan peningkatan aktif. Banyak library turunan yang digunakan dari library Pandas yaitu
GNU Octave atau disebut Octave merupakan tools “scientific calculator” yang sangat canggih dan salah satu alternatif MATLAB yang bersifat functional programming, free, opensource, ringan dan multi operating system. Topik bahasan pada buku ini telah disusun secara berjenjang yaitu:
Penerbit graha ilmu dengan judul Buku Belajar Mudah Pemrograman GNU Octave-penerbit Graha Ilmu. Link pembelian di
Kali ini kita akan belajar mengenai algoritma genetika dimulai dari sejarah awal pencetusnya, bagaimana algoritma genetika bekerja? langkah-langkah dan hal-hal yang perlu diperhatikan serta yang paling penting adalah menulis algoritma tersebut kedalam suatu bahasa pemrograman yaitu Octave!
Algoritma genetika ini ditemukan oleh John Holland dan dikembangkan oleh muridnya David Goldberg Algoritma Genetika memanfaatkan proses seleksi alamiah yang dikenal dengan proses evolusi yaitu individu secara terus-menerus mengalami perubahan gen untuk menyesuaikan dengan lingkungan hidupnya. “Hanya individu-individu yang kuat yang mampu bertahan”.
Proses seleksi alamiah ini melibatkan perubahan gen yang terjadi pada individu melalui proses perkembangbiakan. Dalam algoritma genetika ini, proses perkembang-biakan ini menjadi proses dasar yang menjadi perhatian utama, dengan dasar berpikir: “Bagaimana mendapatkan keturunan yang lebih baik”.
Banyak aplikasi saat ini mengharuskan pattern matching Sebagai contoh, memeriksa validitas alamat e-mail, Semua hal tersebut dilakukan dengan bantuan Regular Expression.
Regular Expression adalah suatu cara menggambarkan susunan pola dalam suatu kalimat. Regular Expression ini banyak digunakan dalam text processing. Kalian mungkin bertanya-tanya apa sih kegunaan Regular Expression yang sering disingkat regex ini?
Pembahasan regex disini ditujukan untuk pemula sehingga pembahasannya tidak akan terlalu mendalam. Sebagai ilustrasi dari pemakaian regex, kita akan mengambil contoh berikut. Misalnya kalian memiliki sebuah daftar nama dan nomor telepon, kemudian ingin mencari pemilik nomor yang digit ke-3 nya adalah 8 dan digit terakhirnya adalah 9. Ataupun hanya ingin mengekstrak semua alamat e-mail ataupun website dalam suatu dokumen. Tentu yang kalian butuhkan adalah teknik Regular Expression.