Log in to access more pages.
Create an account or log in to continue reading more pages.
Log in
Daftar isi
Pembelajaran Mesin yang Dapat Diperiksa
Memahami data, model, asumsi, validasi, dan batas penerapan metode pembelajaran mesin
Baca setiap bagian secara berurutan. Setiap judul dapat dibuka sebagai dokumen TheoryTrace.
- Cover1
- Hak cipta2
- Petunjuk membaca buku ini3
- Pendahuluan4
- Bab 1: Apa yang Dipelajari oleh Model?5
- Bab 2: Data, Sampel, dan Populasi6
- Bab 3: Notasi Matematika dan Struktur Data7
- Bab 4: Probabilitas untuk Generalisasi8
- Bab 5: Alur Kerja yang Dapat Diperiksa9
- Bab 6: Fungsi Kerugian dan Optimisasi10
- Bab 7: Regresi Linear sebagai Model Dasar11
- Bab 8: Regresi Nonlinear dan Rekayasa Fitur12
- Bab 9: Klasifikasi dan Batas Keputusan13
- Bab 10: Regresi Logistik dan Model Probabilistik14
- Bab 11: K-Nearest Neighbors dan Metode Berbasis Kemiripan15
- Bab 12: Pohon Keputusan dan Model Berbasis Aturan16
- Bab 13: Ensembel: Bagging, Random Forest, dan Boosting17
- Bab 14: Bias, Variansi, dan Overfitting18
- Bab 15: Regularisasi dan Pengendalian Kompleksitas19
- Bab 16: Validasi, Cross-Validation, dan Pemilihan Model20
- Bab 17: Evaluasi Model Regresi21
- Bab 18: Evaluasi Model Klasifikasi22
- Bab 19: Kalibrasi, Ketidakpastian, dan Keputusan23
- Bab 20: Kebocoran Data, Pergeseran Distribusi, dan Kegagalan Nyata24
- Bab 21: Interpretabilitas dan Pemeriksaan Model25
- Bab 22: Asumsi, Kausalitas, dan Batas Penerapan26
- Bab 23: Etika, Keadilan, dan Akuntabilitas27
- Bab 24: Studi Kasus Terpadu yang Dapat Direproduksi28
- Penutup29