Pelajaran
Pengantar Machine Learning: semua pelajaran
Dari "supervised itu apa" sampai SHAP, K-means, sistem rekomendasi, dan forecasting.
12 modul · 21 pelajaran · 1 gratis untuk dibaca sekarang
Tentang jalur ini: hasil belajar, tools, dan hargaModul 1Getting Started
2 pelajaranTiga jenis pembelajaran, dan dua cara membedakan data yang menentukan hampir semua keputusan berikutnya.
Yang membedakan ketiganya bukan algoritmanya, tapi bentuk umpan balik yang tersedia. Itu satu pertanyaan, dan jawabannya menentukan segalanya.
Kategorikal vs Numerik, Terstruktur vs Tidak Terstruktur
14 minDua pembedaan yang menentukan algoritma mana yang bisa dipakai dan pra-pemrosesan apa yang wajib.
Termasuk dalam jalurnya Ada simulasinya
Modul 2Dataset Splitting, Cross-Validation, Data Leakage
2 pelajaranSebelum algoritma apa pun. Split yang salah menghasilkan angka bagus yang bohong.
Membagi Data, dan K-Fold
18 minKenapa satu split saja tidak cukup, dan kenapa k = 5 hampir selalu jawabannya.
Termasuk dalam jalurnya Ada simulasinyaData Leakage
16 minPenyebab nomor satu model yang bagus di laptop dan gagal di produksi. Tiga bentuknya, dan cara mengenali gejalanya.
Termasuk dalam jalurnya Ada simulasinya
Modul 3Training, Evaluation, Bias–Variance, Tuning
3 pelajaranCara melatih, cara mengukur dengan metrik yang benar, dan satu trade-off yang menjelaskan hampir semua kegagalan model.
Memilih Metrik yang Benar
18 minAkurasi adalah metrik default dan hampir selalu salah. Ini cara memilih yang benar.
Termasuk dalam jalurnya Ada simulasinyaBias–Variance Trade-off
16 minSatu kerangka yang menjelaskan underfitting, overfitting, dan kenapa menambah data kadang tidak membantu.
Termasuk dalam jalurnya Ada simulasinyaHyperparameter Tuning
14 minGrid search, random search, dan kenapa random search hampir selalu lebih baik.
Termasuk dalam jalurnya Ada simulasinya
Modul 4KNN — Classifier dan Regressor
1 pelajaranAlgoritma yang tidak belajar apa pun, dan justru karena itu ia mengajarkan banyak hal.
Bagaimana KNN Memutuskan
16 minTidak ada pelatihan, tidak ada model. Hanya jarak, dan sebuah nilai k yang menentukan segalanya.
Termasuk dalam jalurnya Ada simulasinya
Modul 5SVM — Classifier dan Regressor
1 pelajaranCari batas yang paling lebar jaraknya ke kedua kelas. Sederhana, dan sangat kuat di dimensi tinggi.
Margin, C, dan Kernel
20 minSatu ide geometris, satu parameter yang mengatur toleransi, dan satu trik yang membuatnya bisa melengkung.
Termasuk dalam jalurnya Ada simulasinya
Modul 6Linear Regression
1 pelajaranModel tertua, paling mudah dijelaskan, dan masih sering jadi baseline yang sulit dikalahkan.
Mencari Garis Terbaik
18 min"Terbaik" berarti jumlah kuadrat residualnya paling kecil. Kenapa kuadrat, dan apa konsekuensinya.
Termasuk dalam jalurnya Ada simulasinya
Modul 7Logistic Regression
1 pelajaranNamanya regresi, kerjanya klasifikasi. Dan keluarannya probabilitas — yang lebih berguna dari kelas.
Sigmoid, Log-Odds, dan Ambang Batas
18 minKenapa tidak bisa memakai regresi linear untuk klasifikasi, dan apa yang diubah sigmoid.
Termasuk dalam jalurnya Ada simulasinya
Modul 8Decision Tree, Random Forest, Gradient Boosting
1 pelajaranDari satu pohon yang bisa digambar, ke ratusan pohon yang memenangkan hampir semua kompetisi data tabular.
Dari Satu Pohon ke Hutan
22 minSatu pohon mudah dipahami dan mudah overfit. Dua cara menggabungkan banyak pohon, dan kenapa keduanya berbeda.
Termasuk dalam jalurnya Ada simulasinya
Modul 9Feature Engineering
1 pelajaranPekerjaan yang paling sering menentukan hasil, dan paling jarang dibahas di tutorial.
Membuat Fitur yang Berguna
20 minEncoding, transformasi, fitur tanggal, dan agregasi. Plus satu peringatan tentang target encoding.
Termasuk dalam jalurnya Ada simulasinya
Modul 10Explainable AI: Feature Importance, PDP, SHAP
1 pelajaranTiga alat yang menjawab tiga pertanyaan berbeda. Memakai yang salah menghasilkan jawaban yang salah dengan meyakinkan.
Tiga Pertanyaan, Tiga Alat
22 minFitur apa yang penting? Bagaimana bentuk pengaruhnya? Kenapa nasabah ini ditolak? Tiga pertanyaan, dan satu alat tidak menjawab ketiganya.
Termasuk dalam jalurnya Ada simulasinya
Modul 11Unsupervised Learning: Clustering dan Reduksi Dimensi
3 pelajaranMenemukan kelompok tanpa label dengan K-means, dan meringkas banyak kolom menjadi sedikit dengan PCA.
Clustering dengan K-Means
20 minDua langkah yang diulang — tetapkan setiap titik ke pusat terdekat, pindahkan pusat ke rata-rata kelompoknya — dan Anda punya algoritma clustering yang paling banyak dipakai.
Termasuk dalam jalurnya Ada simulasinyaPrincipal Component Analysis (PCA)
20 minPCA mencari arah di mana data paling bervariasi, lalu memproyeksikan data ke sedikit arah itu. Banyak kolom yang saling berkorelasi menjadi beberapa komponen yang tidak.
Termasuk dalam jalurnya Ada simulasinyaDBSCAN, Clustering Hierarkis, dan Gaussian Mixture
20 minClustering untuk kelompok yang tidak bulat, dan kapan memakai masing-masing.
Termasuk dalam jalurnya Ada simulasinya
Modul 12Sistem Rekomendasi
4 pelajaranMengisi sel kosong di matriks pengguna–item dengan tiga cara — segmen demografis, fitur item, dan tetangga yang mirip — lalu mengukur mana yang benar.
Apa yang Diprediksi Sebuah Recommender
18 minSetiap rekomendasi adalah tebakan untuk satu sel kosong di matriks pengguna–item — dan tebakan termudahnya, rata-rata segmen, ternyata susah dikalahkan.
Termasuk dalam jalurnya Ada simulasinyaContent-Based Filtering
18 minKalau Anda tahu apa isi sebuah item, Anda bisa merekomendasikannya ke orang yang menyukai item serupa — bahkan sebelum siapa pun menilainya.
Termasuk dalam jalurnya Ada simulasinyaCollaborative Filtering
22 minOrang yang menilai serupa di masa lalu akan menilai serupa di masa depan — dari satu asumsi itu lahir user-based, item-based, dan faktorisasi matriks.
Termasuk dalam jalurnya Ada simulasinyaMengevaluasi dan Menggabungkan Recommender
20 minRMSE yang lebih kecil belum tentu daftar yang lebih baik: metrik peringkat, A/B test, strategi hybrid, dan bias popularitas yang diam-diam memperkuat dirinya.
Termasuk dalam jalurnya Ada simulasinya