Supervised dan unsupervised learning

Unit dan bite

1. Unit 1·5 bite·Sekitar 15 menit

   Dasar machine learning

   Supervised dan unsupervised learning: label, regresi vs klasifikasi, latih dan uji, overfitting, dan clustering.

   1. Supervised vs unsupervised learning

      Belajar dari contoh yang sudah ada jawabannya, atau mencari struktur tanpa jawaban.

      3 menit

   2. Regresi dan klasifikasi

      Dua bentuk supervised learning: memprediksi angka atau memprediksi label.

      3 menit

   3. Cara model belajar: latih dan uji

      Model belajar dari sebagian data dan diuji pada bagian yang tidak pernah ia lihat.

      3 menit

   4. Overfitting

      Model yang menghafal data latih dan tersandung pada data baru.

      3 menit

   5. Clustering: mencari kelompok tanpa label

      Unsupervised learning dalam praktik: mengelompokkan pelanggan yang mirip, lalu memberi nama kelompoknya.

      3 menit
2. Unit 2·5 bite·Sekitar 15 menit

   Evaluasi model

   Split data yang jujur, confusion matrix, precision dan recall, dan menjelaskannya ke bisnis.

   1. Split latih–uji dan split waktu

      Kapan split acak cukup, dan kapan data harus dipotong menurut waktu.

      3 menit

   2. Confusion matrix

      Empat kotak yang menjelaskan setiap jenis benar dan salah.

      3 menit

   3. Precision dan recall

      Seberapa sering tandanya benar, dan berapa banyak kasus yang tertangkap.

      3 menit

   4. Cross-validation

      Mengukur model beberapa kali supaya satu split yang beruntung tidak menipu.

      3 menit

   5. Menjelaskan model ke bisnis

      Dari angka metrik ke bahasa keputusan: berapa orang, berapa rupiah, berapa risiko.

      3 menit
3. Unit 3·5 bite·Sekitar 15 menit

   Model supervised yang umum

   Regresi linear, regresi logistik, dan pohon keputusan — kapan memakai yang mana, dan fitur yang membuatnya berguna.

   1. Regresi linear dalam praktik

      Membaca koefisien, residual, dan kapan garis lurus sudah cukup.

      3 menit

   2. Regresi logistik

      Model klasifikasi pertama yang layak dicoba: peluang, ambang, dan koefisien yang bisa dijelaskan.

      3 menit

   3. Pohon keputusan dan ensemble

      Satu pohon mudah dibaca; ratusan pohon lebih akurat.

      3 menit

   4. Fitur yang berarti

      Recency, frequency, monetary, dan fitur kalender seperti Ramadan dan gajian.

      3 menit

   5. Memilih model pertama

      Mulai dari baseline sederhana, lalu naik hanya kalau skor data uji membaik.

      3 menit
4. Unit 4·4 bite·Sekitar 12 menit

   Clustering dalam praktik

   K-means langkah demi langkah, menskalakan kolom, memilih k, dan membaca hasilnya.

   1. K-means langkah demi langkah

      Tetapkan pusat, kelompokkan titik, pindahkan pusat, ulangi sampai tidak berubah.

      3 menit

   2. Menskalakan sebelum clustering

      Kenapa kolom rupiah bisa mengalahkan kolom frekuensi, dan cara menyetarakannya.

      3 menit

   3. Memilih k

      Metode elbow, skor silhouette, dan pertanyaan bisnis yang lebih penting dari keduanya.

      3 menit

   4. Membaca hasil cluster

      Dari nomor kelompok ke profil yang bisa dijelaskan dan diberi nama.

      3 menit
5. Unit 5·3 bite·Sekitar 9 menit

   Reduksi dimensi

   Meringkas puluhan kolom menjadi beberapa, tanpa kehilangan yang penting.

   1. Terlalu banyak kolom

      Kenapa kolom yang saling mirip membingungkan model dan sulit digambar.

      3 menit

   2. PCA dengan bahasa sederhana

      Mencari arah dengan sebaran terbesar, dan membaca explained variance.

      3 menit

   3. Melihat data berdimensi tinggi

      Memproyeksikan data ke dua dimensi untuk dilihat — dan apa yang hilang di proyeksi itu.

      3 menit

Bacaan sambil menunggu

Panduan dari tim Datamew, gratis di web hari ini.