pertemuan 1 - ai indonesia academy surabaya batch #1
TRANSCRIPT
![Page 1: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/1.jpg)
![Page 2: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/2.jpg)
Agenda• Pengakraban peserta• Pembahasan program mentoring• Pembahasan konsep dasar Machine Learning• Diskusi
![Page 3: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/3.jpg)
Artificial Intelligence Indonesia
Academy Surabaya Batch #1
![Page 4: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/4.jpg)
Topik• Supervised Machine Learning untuk task klasifikasi
![Page 5: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/5.jpg)
Tujuan• Mengerti, mampu menerapkan dan mampu mengevaluasi algoritma
untuk Supervised Machine Learning dalam task klasifikasi
![Page 6: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/6.jpg)
Timeline• 12 Maret 2016 – Mengerti Konsep Dasar Machine Learning• 19 Maret 2016 – Menerapkan Konsep Dasar (Full Hands-on)• 02 April 2016 – Mengevaluasi Algoritma/Metode yang digunakan
![Page 7: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/7.jpg)
Pertemuan 1Konsep Machine Learning
![Page 8: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/8.jpg)
Machine Learning?• Teori, Definisi secara luas:
“A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.” (Mitchell, 1997, p. 2)• Peneliti:
Fokus studi (sub-studi dari Computer Science & Statistics)• Praktisi:
Salah satu cara yang digunakan untuk menyelesaikan masalah
![Page 9: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/9.jpg)
Machine Learning• Supervised Machine Learning• Diberikan data sebagai contoh• Menentukan hasil berdasarkan contoh
• Unsupervised Machine Learning• Tidak diberikan data sebagai contoh• Menemukan pola dan hubungan antar data yang diberikan
![Page 10: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/10.jpg)
Supervised Machine Learning dalam
Prakteknya
Input Output
Training Data
AlgoritmaMachine Learning Model
Input ?
Data Baru
Model Output
![Page 11: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/11.jpg)
Training Data• Pasangan input dan output• Data di representasikan berupa vektor• Feature engineering
![Page 12: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/12.jpg)
Training DataTask: Menentukan harga kontrakan yg optimal untuk mahasiswa di daerah Kampus C, Universitas AirlanggaData: Daftar data alamat, harga, ukuran dll kontrakan di kampus CContoh Training data: <(“jl. X”, 8m2), 600.000><(“jl. Y”, 5m2), 260.000>
![Page 13: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/13.jpg)
Training Data Klasifikasi• Outputnya bukan hanya satu numerikal tapi beberapa
kelas/kelompok.• Contoh:• Klasifikasi penyakit kanker dari data pasien sebelumnya• Klasifikasi sentimen (positif, netral, negative)• Klasifikasi email spam (spam, bukan spam)• Klasifikasi bahasa pemograman (C, C++, Go, Rust, dll)
![Page 14: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/14.jpg)
Algoritma Supervised Machine Learning• Bayesian• Decision Tree• Naive-bayes• Support Vector Machines (SVM)• Random Forests
![Page 15: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/15.jpg)
Model • Dalam prakteknya model inilah yang digunakan sebagai core
teknologinya• Untuk dipadukan dengan teknologi lainnya • Web• Mobile• Car• Drone
![Page 16: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/16.jpg)
Review
Input Output
Training Data
AlgoritmaMachine Learning Model
Input ?
Data Baru
Model Output
![Page 17: Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1](https://reader036.vdocuments.mx/reader036/viewer/2022071810/5872ea2e1a28abfa548b6dab/html5/thumbnails/17.jpg)
Pertemuan Kedua• Feature engineering• Pemahaman algoritma yang digunakan• Membuat teknologi berbasis Machine Learning
Sampai jumpa di pertemuan kedua!19 Maret 2016 Pukul 13.00-16.00