Pada artikel ini kita akan memahami teknik yang disebut Principal Component Analysis (PCA) – analisis komponen utama (AKU) yang digunakan untuk mengurangi dimensi ketika kita memiliki terlalu banyak fitur input karena sebagai manusia kita hanya mampu melihat geometri pada R^3 atau tiga dimensi saja yaitu sumbu X, Y, dan Z. Kita aakan memahami apa itu PCA dan cara kerjanya dengan contoh langkah demi langkah menghitung PCA
Belajar konsep machine learning tidak terlepas dari gradient descent dengan penjabaran fungsi turunan/derivatif. Konsep turunan pernah kita pelajari setidaknya di SMA yaitu matematika kalkulus. Saya akan mencoba menjabarkan sedikit aturan mengenai turunan dari sebuah fungsi berikut . Oiya saya pakai octave untuk menulis kodenya biar ringkas, kalian bisa beli buku saya disini . Kalau belum paham pembahasan sebelumnya, bisa kalian pelajari disini mengenai konsep gradient descent.
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.