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.

• Cover
• Hak cipta
• Petunjuk membaca buku ini
• Pendahuluan
• Bab 1: Apa yang Dipelajari oleh Model?
• Bab 2: Data, Sampel, dan Populasi
• Bab 3: Notasi Matematika dan Struktur Data
• Bab 4: Probabilitas untuk Generalisasi
• Bab 5: Alur Kerja yang Dapat Diperiksa
• Bab 6: Fungsi Kerugian dan Optimisasi
• Bab 7: Regresi Linear sebagai Model Dasar
• Bab 8: Regresi Nonlinear dan Rekayasa Fitur
• Bab 9: Klasifikasi dan Batas Keputusan
• Bab 10: Regresi Logistik dan Model Probabilistik
• Bab 11: K-Nearest Neighbors dan Metode Berbasis Kemiripan
• Bab 12: Pohon Keputusan dan Model Berbasis Aturan
• Bab 13: Ensembel: Bagging, Random Forest, dan Boosting
• Bab 14: Bias, Variansi, dan Overfitting
• Bab 15: Regularisasi dan Pengendalian Kompleksitas
• Bab 16: Validasi, Cross-Validation, dan Pemilihan Model
• Bab 17: Evaluasi Model Regresi
• Bab 18: Evaluasi Model Klasifikasi
• Bab 19: Kalibrasi, Ketidakpastian, dan Keputusan
• Bab 20: Kebocoran Data, Pergeseran Distribusi, dan Kegagalan Nyata
• Bab 21: Interpretabilitas dan Pemeriksaan Model
• Bab 22: Asumsi, Kausalitas, dan Batas Penerapan
• Bab 23: Etika, Keadilan, dan Akuntabilitas
• Bab 24: Studi Kasus Terpadu yang Dapat Direproduksi
• Penutup