Alasan mengapa Linux lebih baik untuk Programmer

4 Views
Sistem operasi berbasis Linux sangat populer di kalangan programmer, pengembang, dan administrator server. Tapi tetap saja, ada banyak programmer baru yang tidak menyadari kekuatan Linux dan itu fleksibilitas. Saya berbicara tentang para programmer yang baru saja memulai karir dan yang telah menjadi pengguna Windows dengan waktu yang cukup lama. Mengapa Linux lebih baik untuk programmer dan pengembang?

Read More

Nvidia menggunakan Machine Learning untuk mengompres Video Streaming!

31 Views

Nvidia mengumumkan platform baru bernama Maxine yang menggunakan AI untuk meningkatkan kinerja dan fungsionalitas perangkat lunak konferensi video. Perangkat lunak ini menggunakan neural network untuk membuat representasi dari wajah seseorang. Representasi ringkas ini kemudian dapat dikirim melalui jaringan, di mana jaringan neural kedua merekonstruksi gambar asli.

Nvidia mengatakan bahwa tekniknya dapat mengurangi kebutuhan bandwidth perangkat lunak konferensi video sebesar 10 kali lipat dibandingkan dengan teknik kompresi konvensional. Itu juga dapat mengubah bagaimana wajah seseorang ditampilkan. Misalnya, jika seseorang tampak menghadap ke luar tengah karena posisi kameranya, perangkat lunak dapat memutar wajahnya agar terlihat lurus. Software juga dapat menggantikan wajah asli seseorang dengan avatar animasi. Read More

Smile – Statistical Machine Intelligence and Learning Engine

16 Views

Satu kata buat library ini yaitu “gila” yup dengan core engine berbasis java, maka kalian bisa pakai scala, kotlin, dan clojure, serta bahasa java itu sendiri. Kalau saya sih mending pakai kotlin saja! Smile merupakan library yang sangat lengkap sekali! Apa saja itu

  1. Classification : Decision Trees, AdaBoost, Gradient Boosting, Random Forest, Logistic Regression, Neural Networks, Support Vector Machines, RBF Networks, Maximum Entropy Classifier, Generic Naïve Bayes Classifier, Naïve Bayes Document Classfier, Fisher / Linear / Quadratic / Regularized Discriminant Analysis, Platt Scaling, Isotonic Regression Scaling, One vs. One, One vs. Rest
  2. Regression: Linear Regression, LASSO, ElasticNet, Ridge Regression, Regression Trees, Gradient Boosting, Random Forest, RBF Networks, Neural Networks, Support Vector Regression, Gaussian Process
  3. Feature Engineering and Selection: Bag of Words, Sparse One Hot Encoding, Standardizer, Robust Standardizer, Maximum Absolute Value Scaler, Winsor Scaler, Normalizer, Genetic Algorithm based Feature Selection, Ensemble Learning based Feature Selection, TreeSHAP, Signal Noise ratio, Sum Squares ratio
  4. Dimension Reduction: PCA, Kernel PCA, Probabilistic PCA, Generalized Hebbian Algorithm, Random Project, ICA
  5. Model Validation: Cross Validation, Leave-One-Out Validation, Bootstrap, Confusion Matrix, Accuracy, Error, AUC, Fallout, FDR, F-Score, Precision, Recall, Sensitivity, Specificity, Matthews Correlation Coefficient, MSE, RMSE, RSS, Mean Absolute Deviation, Rand Index, Adjusted Rand Index, Mutual Information Score, Hyperparameter Tuning
  6. Clustering: Hierarchical Clustering, CLARANS, DBSCAN, DENCLUE, K-Means, X-Means, G-Means, K-Modes, Deterministic Annealing, Sequential Information Bottleneck, Spectral Clustering, Minimum Entropy Clustering
  7. Vector Quantization:BIRCH, Self-Organizing Maps, Neural Gas, Growing Neural Gas, Neural Map
  8. Association Rules: Frequent Itemset Mining, Association Rule Mining
  9. Manifold learning: IsoMap, LLE, Laplacian Eigenmap, t-SNE, UMAP
  10. Multi-Dimensional Scaling: Classical MDS, Isotonic MDS, Sammon Mapping
  11. Nearest Neighbor Search: Linear Search, BK-Tree, Cover Tree, KD-Tree, LSH, Multi-Probe LSH, SimHash
  12. Sequence Learning: Hidden Markov Model, Conditional Random Field
  13. Time Series: ACF, PACF, Box-Pierce and Ljung-Box Test, AR, ARMA
  14. Natural Language Processing: Sentence Splitter, Tokenizer, Bigram Extractor, Phrase Extractor, Keyword Extractor, Porter Stemmer, Lancaster Stemmer, POS Tagging, Relevance Ranking, Word2Vec
  15. Linear Algebra: Dense Matrix, Band Matrix, Sparse Matrix, LU, Cholesky, QR, EVD, SVD, Computer Algebra System
  16. Statistics: Distributions, Random Number Generators, t-test, F-test, Χ2-test, Correlation Test, Kolmogorov-Smirnov Test
  17. Interpolation: Linear, Bilinear, Cubic, Bicubic, Kriging, Laplace, Shepard, RBF
  18. Wavelet: Discrete Wavelet Transform, Wavelet Shrinkage Haar Daubechies D4 Best Localized Wavelet, Coiflet, Symlet

Kecepatan

Dengan struktur dan algoritme data yang canggih, Smile menghadirkan kinerja yang canggih.

Kemudahan penggunaan

Tulis aplikasi dengan cepat dalam Java, Scala, atau bahasa JVM lainnya. Ilmuwan dan pengembang data menggunakan bahasa yang sama sekarang!

Komprehensif

Machine learning terlengkap. Simle mencakup setiap aspek machine learning! dengan 18 domain

Natural Language Processing

Memahami bahasa manusia, dan maksud di balik kata-kata kita. Tokenizer, stemming, word2vec, deteksi frase, penandaan part-of-speech, ekstraksi kata kunci, pengenalan entitas, analisis sentimen, peringkat relevansi, taksomi.

Matematika dan Statistik

Dari fungsi khusus, aljabar linier, hingga generator bilangan acak, distribusi statistik, dan uji hipotesis, Smile menyediakan lingkungan komputasi numerik yang canggih. Sebagai tambahan, grafik, wavlet, dan berbagai algoritma interpolasi diimplementasikan. Smile bahkan menyertakan sistem algerbra komputer.

Data Visualization

Scatter plot, line plot, tangga plot, bar plot, box plot, heatmap, hexmap, histogram, qq plot, permukaan, grid, kontur, dendrogram, visualisasi matriks jarang, wireframe, dll. Smile juga mendukung visualisasi data deklaratif yang dikompilasi ke Vega-Lite.

Dengan begitu banyak algoritma yang super lengkap! layak kalian pelajari, yuk mari https://haifengl.github.io/

 

Numenta Mendemonstrasikan Peningkatan Kecepatan 50x pada Jaringan Deep Machine Learning

26 Views

Numenta Mendemonstrasikan Peningkatan Kecepatan 50x pada Jaringan Deep Machine learning dengan meniru cara kerja Otak manusia. Jaringan sparse Numenta membuat dua modifikasi pada lapisan pembelajaran dalam standar, memanfaatkan sparse bobot dan sparse aktivasi renggang.

Jaringan renggang Numenta membuat dua modifikasi pada lapisan pembelajaran dalam standar, memanfaatkan sparse bobot dan sparse  aktivasi. Hasil akhirnya adalah jaringan yang lebih jarang yang meniru otak. (Grafik: Business Wire), kalian bisa melihat ilustrasi dibawah ini. Read More

Google AI Merilis ‘Objectron Dataset’ Yang Terdiri Dari 15.000 Video Beranotasi Dan 4 Juta Gambar Beranotasi

25 Views

Tugas computer vision telah mencapai akurasi luar biasa dengan kemajuan baru dalam model pembelajaran mesin yang dilatih dengan foto. Selain kemajuan ini, pemahaman objek 3D menawarkan potensi besar untuk mendukung berbagai aplikasi yang lebih komprehensif, seperti robotika, augmented reality, otonomi, dan pengambilan gambar.

Pada awal tahun 2020, Google merilis MediaPipe Objectron. Model ini dirancang untuk deteksi objek 3D real-time untuk perangkat seluler. Model ini dilatih pada set data 3D dunia nyata yang dianotasi sepenuhnya dan dapat memprediksi kotak pembatas objek 3D . Read More