Pada bab sebelumnya, kita telah bahas mengenai PCA untuk reduksi dimensi atas sebuah dataset gambar tulisan angka berukuran 28 x 28 menjadi hanya berukuran 3 x 1 atau terdiri dari 3 nilai saja kemudian divisualisasikan kedalam plot 3 dimensi. Nah pembahasan selanjutnya berupa t-SNE.
Video tutorial belajar Python bagian 6 telah kami terbitkan dengan topik bahasan mengenai analisis perilaku pelanggan menggunakan dataset RFM dengan teknik clustering FCM. Dilatari kebutuhan seorang sale manager untuk melihat perilaku pelanggan yang melakukan transaksi selama periode satu tahun. Melalui pengelompokan data pelanggan, maka kinerja dari sales canvaser menjadi lebih fokus dan terarah untuk melakukan reaktifasi pelanggan-pelanggan dalam kategori D (sedikit beli, sudah lama tidak melakukan pembelian, dan jarang melakukan transaksi).
Topik Bahasan di video ini:
1,654 ViewsVideo tutorial belajar Python bagian 5 telah kami terbitkan dengan topik bahasan seperti berikut Teknik aggregasi sangat berguna sekali ketika kalian ingin mendapatkan summary atas sebuah grup/kelompok data. Mengingat dataset yang ditemui bisa berukuran sangat-sangat besar, maka penggunaan pivot excel akan terasa lambat dilakukan. Oleh hal tersebut kalian sebaiknya bisa menggunakan teknik ini Mengenal … Read more
1,740 ViewsVideo tutorial belajar Python bagian 4 telah kami terbitkan dengan topik bahasan format date time. Topik ini sangat penting di era big data saat ini mengingat kita akan banyak bekerja dengan data transaksi yang tentu saja didalamnya terdapat format tanggal. Asal kalian tahu saja ada banyak sekali format date time sesuai dengan standar dari beragam … Read more
1,612 ViewsVideo tutorial belajar Python bagian 3 telah kami terbitkan dengan topik bahasan mengenai ploting dual axis, Yup topik ini dilatarkbelakangi ketika kami banyak mengolah data untuk melihat kinerja sebuah emiten saham. Terutama pada saham-saham blue chip diakhir periode bulanan. Contohnya pada dataset https://www.ksei.co.id/archive_download/holding_composition yang terdiri dari komposisi efek pada emiten. Dengan membandingkan antara porsi … Read more
1,456 ViewsVideo tutorial belajar Python bagian 2 telah kami terbitkan dengan topik bahasan manajamen package python. Bahasan ini sangatlah penting sebelum kalian pelajari yang lainnya mengingat ada ribuan library/package yang bisa kalian gunakan tanpa perlu kalian buat sendiri. Secara umum cara install library/package di Python yang sekarang banyak digunakan yaitu PIP. Melalui PIP, kita akan … Read more
1,708 ViewsVideo tutorial belajar Python bagian 1 telah kami terbitkan, didasari oleh kebutuhan dari para pembaca yang menginginkan bedah buku terbitan dari graha ilmu. Oleh hal tersebut kami akan memberikan bab pendahuluan berupa sekilas mengenai python-anaconda, setting path, mencoba IDE Spyder serta melakukan ploting grafik Topik Bahasan Sekilas mengenai Python-Anaconda Download Python-Anaconda Setting path system … Read more
Pembahasan kita akan semakin menarik saja ketika kita sudah paham cara kerja tensor pada tensorflow, pada bab sebelumnya kita sudah banyak membahas tensor, gradient descent-python, gradient descent-tensorflow, linear regression-gradient descent-octave. Jadi ada 3 cara kita belajar gradient descent melalui python-numpy, octave, dan tensor. Nah saya akan lanjutkan lagi Linear Regression- Gradient Descent menggunakan tensorflow saja. Kita akan fokus pada cara penggunaan placeholder, bila sebelumnya hanya menggunakan tf.Variable.
Pada bab sebelumya telah dibahas gradient descent serta belajar dasar-dasar tensor yuk kita bahas ulang lagi saja, kalian bisa lihat berikut. Mari kita mulai dengan eksperimen sederhana dengan melakukan perhitungan langsung di balik penurunan gradien , perhatikan persamaan kuadrat berikut
Yuk Belajar Dasar Tensorflow versi 2.0 merupakan tulisan berserial yang akan membahas secara khusus pemanfaatan tensorflow untuk deep machine learning. Ikuti saja tulisan ini agar kalian bisa belajar dengan mudah. Tensorflow memudahkan kita dalam bekerja dalam melakukan machine learning terutama pada algoritma descent gradient, selain itu kita juga pernah bahas mengenai linear regression semuanya berkaitan dengan sesi training yang melibatkan learning rate. Namun itu semuanya bisa kita permudah menggunakan tensor!
Seringkali kita mendengar kata “tensorflow”, sebagian besar dari kita akan langsung berpikir dengan istilah “deep learning”. Padahal, tensorflow sebenarnya adalah tools untuk melakukan komputasi numerik (lebih luas daripada hanya sekedar untuk deep learning). Misalkan terkait komputasi numerik adalah seperti mengerjakan operasi matriks, melakukan (convex) function optimization, menghitung gradient atau hessian (turuan kedua) dari sebuah fungsi, dsb. Isu-isu yang ada di deep learning, seperti representation learning, optimization, operasi matriks dan tensor, adalah proses komputasi numerik yang dapat dilakukan dengan tensorflow. Selain tensorflow, ada banyak tools yang serupa seperti MATLAB, Octave, Numpy, Scipy, dsb. Namun, tensoflow menawarkan berbagai macam kelebihan, yang utama adalah seperti kemampuan untuk melakukan komputasi yang memanfaatkan banyak CPUs dan GPUs (saat ini hanya NVidia Cuda yang support).