| Istilah | Arti |
|---|---|
| linear regression | Metode yang mencari garis lurus terbaik untuk memperkirakan angka, misalnya jumlah cangkir kopi Sam dari suhu harian. |
| gradient descent | Cara melangkah menuruni kurva kesalahan sedikit demi sedikit mengikuti arah kemiringan sampai kesalahan paling kecil tercapai. |
| logistic regression | Model klasifikasi yang memakai garis lurus lalu memampatkan hasilnya menjadi probabilitas antara 0 dan 1, misalnya untuk memutuskan membeli krat kedua. |
| K means | Metode pengelompokan tanpa jawaban yang membagi data ke sejumlah kelompok berdasarkan jarak terdekat ke titik pusat setiap kelompok. |
| PCA | Metode yang menggabungkan banyak kolom menjadi beberapa arah baru yang tetap menyimpan sebagian besar variasi data, dipakai di video untuk melihat empat kolom Sam dalam satu grafik. |
| loss | Angka tunggal yang mengukur seberapa salah tebakan model, dan model dilatih agar angka ini sekecil mungkin. |
| optimizer | Cara mencari nilai parameter yang membuat angka kesalahan paling kecil, misalnya gradient descent yang melangkah menuruni kurva kesalahan. |
| slope | Kemiringan garis, yaitu seberapa banyak hasil berubah setiap kali input naik satu satuan, misalnya tambahan cangkir untuk setiap derajat. |
| regression | Jenis tugas yang jawabannya berupa angka, seperti jumlah cangkir kopi yang akan terjual besok. |
| error | Selisih antara tebakan model dan jawaban yang benar untuk satu hari, misalnya selisih enam cangkir pada hari pertama. |
| formula | Rumus yang menghubungkan input dan output, misalnya garis lurus dengan dua angka W dan B untuk memperkirakan jumlah cangkir. |
| landmarks | Titik pusat setiap kelompok dalam K means, yaitu rata-rata dari semua hari yang masuk ke kelompok itu. |
Video ini dibawakan kanal Zachary Huang dan berjanji menjelaskan empat metode machine learning, yaitu linear regression, logistic regression, K means, dan PCA, dalam satu jam. Pembicara menilai banyak pemula kewalahan karena materi diajarkan dengan urutan yang keliru, sehingga bagan penuh panah justru membingungkan. Ia menegaskan bahwa semua metode itu memakai tiga langkah yang sama, yaitu model, loss, dan optimizer, atau dengan kata lain membuat tebakan, menilai seberapa salah tebakan itu, lalu memperbaikinya. Sebagai contoh, video memakai Sam, pemilik kedai kopi es di alun-alun kota, yang ingin tahu berapa banyak susu harus dibeli setiap hari. Seluruh pembahasan memakai satu catatan Sam selama 12 hari, berisi suhu, jumlah orang yang lewat, susu yang dibawa, dan jumlah cangkir yang terjual.
Untuk regresi linear, video mencocokkan garis lurus pada enam hari pertama dengan dua angka, yaitu kemiringan W dan titik potong B. Garis terbaik memiliki rata-rata kuadrat kesalahan 0,67 dengan W = 3 dan B = -11, sehingga garis ini memperkirakan jumlah cangkir dari suhu. Untuk logistic regression, satu krat melayani 48 cangkir, jadi hari dengan penjualan di atas 48 diberi label ya dan sisanya tidak. Garis tadi diperas dengan kurva sigmoid agar hasilnya berupa probabilitas, lalu dilatih memakai log loss dan gradient descent. Model ini benar pada tujuh dari sembilan hari dan keliru pada hari kelima serta hari kedelapan. Untuk K means, tanpa jawaban yang tersedia, data dibagi menjadi tiga kelompok, yaitu hari sejuk dan tenang, hari hangat dan ramai, serta hari panas dan sepi, dengan total jarak kuadrat 522,0. Akhirnya PCA mengubah empat kolom menjadi dua arah yang tetap menyimpan 95,3 persen sebaran data, dan hari ketujuh tampak paling kanan pada grafik.
Kata kunci
- machine learning
- linear regression
- gradient descent
- PCA
- Memahami metode machine learning dasar sebagai tiga langkah yang sama: model, loss, dan optimizer.
- Menghitung linear regression, logistic regression, K-means, dan PCA lewat satu contoh kecil (kedai kopi Sam).
- Membaca loss dan menyusun peta metode machine learning dalam satu diagram.
Tulis catatan pribadimu untuk video ini. Catatan tersimpan di akunmu dan bisa dibuka dari perangkat mana pun.