ENID
Tahap 2 dari 6

Dasar ML

Loss, gradient descent, algoritma klasik, evaluasi, serta pengolahan data dan feature.

Baru mengenal machine learning dan sudah nyaman dengan matematika dasar. 4 jalur · 27 penjelasan.

EmbedAttentionAdd & NormFeed-ForwardAdd & Norm
Jalur 01 · 6 penjelasan

Cara Model Belajar

Jenis tugas prediksi, loss function, gradient descent, dan pengaturan yang menentukan training

  1. 1Klasifikasi vs Regresi
  2. 2Loss Function
  3. 3Gradient Descent
  4. 4Feature Scaling
  5. 5Hyperparameter
  6. 6Epoch dan Batching
Jalur 02 · 8 penjelasan

ML Klasik

Decision tree, SVM, clustering, dan metode ensemble di luar neural network

  1. 1Decision Tree dan Split
  2. 2K-Nearest Neighbors
  3. 3Support Vector Machine
  4. 4Naive Bayes Classifier
  5. 5K-Means Clustering
  6. 6Bagging dan Random Forest
  7. 7Gradient Boosting
  8. 8Ensemble Methods dan Stacking
EmbedAttentionAdd & NormFeed-ForwardAdd & Norm
Jalur 03 · 8 penjelasan

Evaluasi Model

Validasi, cross-validation, bias-variance tradeoff, dan jebakan yang perlu dihindari

  1. 1Evaluasi Model dan Metrik
  2. 2Training, Validation, dan Test Set
  3. 3Cross-Validation
  4. 4Bias-Variance Tradeoff
  5. 5Learning Curve
  6. 6Class Imbalance & Resampling
  7. 7Feature Selection
  8. 8Curse of Dimensionality
Jalur 04 · 5 penjelasan

Data dan Feature

Membersihkan data, membangun feature, embedding, transfer learning, dan dimensionality reduction

  1. 1Data Preprocessing
  2. 2Feature Extraction
  3. 3Dimensionality Reduction
  4. 4Embedding
  5. 5Transfer Learning