Wednesday, January 29, 2020

Buku Belajar Machine Learning dengan Matlab


Seiring dengan meningkatnya traffic dan kemudahan dalam mengelola content, kami mengucapkan banyak terima kasih kepada para pembaca setia pada blog www.softscients.web.id

Per 19 Maret 2020, kami sedang melakukan migrasi ke domain dan hosting yang lebih baik yaitu
Semoga dengan alamat domain dan hosting terbaru akan semakin memudahkan para pembaca dalam mencari materi/content. Migrasi dilakukan secara bertahap yang membutuhkan waktu yang cukup lama jadi jangan kuatir selama migrasi akan dilakukan secara hati-hati untuk memimalkan broken link


kalian bisa lanjut baca lagi di http://softscients.com/2020/03/25/buku-belajar-machine-learning-dengan-matlab/



Buku Belajar Machine Learning dengan Matlab
Buku Belajar Machine Learning dengan Matlab

Sinopsis

Perkembangan mengenai machine learning; deep learning; artifical intelegent sudah sangat maju yang ditandai dengan penerapan didunia nyata seperti face detection, face recognition, voice recognition, mobil otonom. Kesemuanya menggunakan algoritma yang dibangun atas beberapa teknologi, salah satunya menggunakan bahasa pemrograman.

Ada banyak bahasa pemrograman serta pustaka yang bersifat berbayar ataupun free. Nah pada buku ini fokus kepada kemudahan dan serta keseragaman bahasa yaitu menggunakan Matlab mengingat kebutuhan dasar seperti pengolahan array, grafik, serta berbasis functional programming yang sangat dibutuhkan oleh para pembaca. Kalian bisa lebih mudah menerapkan algoritma lebih cepat dan lebih mudah menggunakan Matlab.

Kombinasi antara kemudahan dan ketersediaan tools sangat cocok bagi kalian untuk mempelajari secara mendalam topik machine learning menggunakan Matlab. Oiya, dalam kaitannya machine learning kalian harus belajar terlebih dahulu buku dasar-dasar pemrograman Matlab karena machine learning erat kaitannya dengan Matematika dan Statistika, serta jangan lupa belajar Dasar-Dasar Pengolahan Citra Digital dengan Matlab ya.

Pada Buku Belajar Machine Learning dengan Matlab  ini kalian akan mempelajari dasar-dasar machine learning mulai dari percepton, Learning Vector Quantization, serta Backpropagation (belajar jaringan syaraf tiruan dengan matlab) sampai pada tahap sekarang ini yang sedang booming yaitu deep learning

Daftar Isi Buku

  1. Perceptron
  2. Cara Kerja Support Vector Machine dan Cara Perhitungannya
  3. Modifikasi Kernel Function SVM di Matlab
  4. Klasifikasi Dataset dengan KNN
  5. AdaBoost for Machine Learning
  6. Jenis Perhitungan Error dalam Forecasting
  7. Jenis Kernel pada Machine Learning  
  8. Analisis Regresi Linear Sederhana
  9. Analisis Multi Regression / Regresi Berganda
  10. Meta Heuristik Algoritma Kunang-Kunang - Firefly
  11. Neural Network Backpropagation untuk Klasifikasi Jenis Kanker
  12. System Hibrid Meta Heuristik dan Particle Swarm Opmization
  13. Peramalan dengan Algoritma Fuzzy Chen 
  14. Smoothing Data and Find Major Peak
  15. Algoritma Clustering Fuzzy C-Means Clustering 
  16. Kumpulan Dataset untuk Studi Kasus 
  17. Kumpulan Image Dataset untuk Studi Kasus 

Desain Machine Learning

Belajar jaringan syaraf tiruan dengan matlab atau  Machine learning atau dialih bahasakan menjadi pembelajaran mesin merupakan teknik pengambilan keputusan oleh mesin menggunakan sebuah dataset. Dataset tersebut bisa  berjumlah ribuan, jutaaan record/ foto yang akan dimasukan kedalam algoritma pelatihan sehingga kemampuan mesin untuk menggeneralisir seperti layaknya otak manusia. Otak manusia akan tersusun dengan neuron dan sinapsis, dengan meniru tersebut dibuatlah algoritma machine learning seperti bagan berikut:

Bagan diatas adalah algoritma machine learning bertipe neural network backpropagation yang terdiri dari 4 layer yaitu 1 input, 2 hidden, dan 1 output. Masing-masing mempunyai terdiri dari node didalam layer. Setiap layer dihubungkan oleh bobot dan bias dengan fungsi aktifasi logsig. Agar kalian paham cara kerja machine learning, pelajari saja dulu dasar-dasarnya dibawah ini.

Fungsi Aktifasi

Digunakan untuk menyambungkan/penghubung antar node pada setiap layer. Ada beberapa jenis fungsi aktifasi yaitu hard limit; bipolar; purelin; sigmoid. Kalian bisa menggunakan sesuai kebutuhan karena setiap dataset mempunya nilai yang berbeda-beda.

Fungsi hard limit

dengan bentuk keluaran tegas yaitu 1 dan 0 dengan rumus sebagai berikut

\[f(x)=\left\{\begin{array}{rcl}
    0, jika & x<0
    & \\
    & \\
    1, jika & x \geq 0  
   \end{array}
\right. \]



Artinya berapun nilanya akan bernilai output 1 dan 0 sesuai dengan rumus diatas, di Matlab menggunakan function \(y=hardlim(x)\). Misalkan kalian punya input array $$x=[-100:10:100]$$
seperti code berikut dibawah ini

clc;clear all;close all;
x = [-100:1:100];
y = hardlim(x);
figure,
plot(x,y)
grid on
xlabel('x')
ylabel('y')
title('Hard Limit')


Buku Belajar Machine Learning dengan Matlab

Kalian bisa melihat berapun nilai \(x\) akan mengeluarkan output 0 dan 1. biasanya digunakan untuk menangani dataset kategori seperti Ya dan Tidak (terdiri dari 2 kelas saja)

Fungsi Bipolar

Fungsi ini bisa kalian gunakan dengan output yang dihasilkan -1 dan 1, sesuai dengan rumus dibawah ini

\[f(x)=\left\{\begin{array}{rcl}
    +1, jika & x\geq0
    & \\
    & \\
    -1, jika & x < 0 
   \end{array}
\right. \]


Dengan menggunakan function \(hardlims\) seperti kode dibawah ini, kalian bisa lihat bahwa keluaran -1 dan +1

clc;clear all;close all;
x = [-100:1:100];
y = hardlims(x);
figure,
plot(x,y)
grid on
xlabel('x')
ylabel('y')
title('Bipolar')

Buku Belajar Machine Learning dengan Matlab

Fungsi Sigmoid

Bisa kalian gunakan untuk output range \(0\leq x \leq 1\) dengan rumus umum seperti berikut



$$f(x)=\frac{1}{1+e^{-\sigma x}}$$

Kalian bisa gunakan function \(logsig\), seperti berikut dibawah ini

clc;clear all;close all;
x = [-5:0.01:5];
y = logsig(x);
figure,
plot(x,y)
grid on
xlabel('x')
ylabel('y')
title('Sigmoid')


Buku Belajar Machine Learning dengan Matlab


Fungsi Sigmoid Bipolar

Sama seperti sigmoid dengan output keluaran  \(-1\leq x \leq 1\) dengan rumus umum seperti berikut

$$f(x)=\frac{1-e^{-x}}{1+e^{-x}}$$

Kalian bisa menggunakan function \(tansig\) seperti kode dibawah ini

clc;clear all;close all;
x = [-5:0.01:5];
y = tansig(x);
figure,
plot(x,y)
grid on
xlabel('x')
ylabel('y')
title('Tansig')


Buku Belajar Machine Learning dengan Matlab

Jenis-Jenis Jaringan Syaraf Tiruan

Machine learning dibagi menjadi 2 yaitu neural network dan deep learning. Keduanya dibedakan pada proses training nya, dengan deep learning yang lebih kompleks untuk algoritma trainingnya. Sedangkan nueral network banyak sekali jenisnya yaitu
  1. Perceptron
  2. Backpropagation backpropagation (perambatan maju dan mundur)
  3. Learning Vector Quantization
  4. Kohonen
Adapun untuk pembahasan Perceptron dan Learning Vector Quantization telah dimasukan kedalam buku yang diterbitkan oleh Graha Ilmu dengan judul Buku Belajar Pemrograman Octave, kalian bisa beli saja di toko buku terdekat agar lebih paham cara kerja/step by stepnya. Sedangkan pada pembahasan kali ini lebih kepada cara pengunaan function built in di Matlab.


No comments:

Post a Comment