Lab interaktif machine learning.
Pilih satu lab, ubah data atau parameternya, lalu amati hasilnya secara langsung.
Metode ML
Lihat bagaimana algoritma mengubah data menjadi prediksi.
ML Workflow
Atur fitur, lakukan preprocessing, latih model, baca hasil evaluasi, lalu gunakan model untuk prediksi.
Data → Model
Reduksi DimensiTerbuka
PCA
Pilih dua atau tiga komponen utama dan bandingkan proyeksinya dalam ruang 2D atau 3D.
Z = XW
KlasifikasiTerbuka
KNN
Tambahkan titik, ubah nilai K, lalu lihat bagaimana tetangga terdekat menentukan batas kelas.
d(x,y) = sqrt(sum((x-y)^2))
ClusteringTerbuka
K-Means
Jalankan iterasi satu per satu atau otomatis untuk melihat centroid berpindah.
min sum ||x - mu_k||^2
OptimasiTerbuka
Gradient Descent
Pilih titik awal dan learning rate, lalu ikuti langkah model menuju minimum lokal atau global.
theta <- theta - alpha * grad L
RegresiTerbuka
Regresi Linear
Masukkan titik data dan lihat garis regresi serta residualnya dihitung ulang.
y = beta_0 + beta_1 x
RegresiTerbuka
Interpolasi
Atur titik data dan derajat polinom. Bandingkan prediksi di dalam dan di luar rentang data.
y_hat = f(x); x in range = interpolation, x outside range = extrapolation
KlasifikasiTerbuka
Regresi Logistik
Lihat bagaimana fungsi sigmoid mengubah skor linear menjadi probabilitas kelas.
p(y=1) = 1 / (1 + exp(-z))
KlasifikasiTerbuka
Decision Tree
Siapkan dataset, jalankan training, lalu lihat pembagian data dan nilai Gini pada setiap node.
Gain = Gini(parent) - sum w_i Gini(child_i)
EnsembleTerbuka
Random Forest
Atur jumlah pohon dan lihat bagaimana voting ensemble membentuk batas keputusan.
y = mode(h_1(x), ..., h_T(x))
KlasifikasiTerbuka
SVM
Lihat hyperplane, margin, dan support vector yang menentukan batas keputusan.
min 1/2 ||w||^2 + C sum hinge loss
Deep LearningTerbuka
Neural Network
Atur hidden layer, latih jaringan XOR, dan ikuti aktivasi neuron pada setiap layer.
a = sigma(Wx + b)
Deep LearningTerbuka
CNN Convolution
Edit pixel input, pilih kernel, lalu ikuti perhitungan feature map.
Y[i,j] = sum_m sum_n X[i+m,j+n] K[m,n] + b
Deep LearningTerbuka
Transformer
Masukkan kalimat dan lihat nilai Q, K, V serta attention matrix yang dihasilkan.
Attention(Q,K,V) = softmax(QK^T / sqrt(d))V
Evaluasi Model
Baca kualitas prediksi lewat metrik yang bisa dihitung.
Confusion Matrix
Ubah isi matriks multiclass lalu hitung accuracy, precision, recall, specificity, dan F1.
Accuracy = sum(diagonal) / total
Segmentation MetricsTerbuka
IoU + Dice
Geser mask aktual dan prediksi pada grid piksel, lalu hitung IoU, Jaccard, Dice, dan DSC.
IoU = intersection / union; Dice = 2 intersection / (A + B)
Image Processing
Lihat bagaimana citra diubah menjadi informasi yang dapat dipakai model.
RGB Channels
Klik piksel pada citra untuk melihat nilai channel Red, Green, dan Blue secara terpisah.
I(x,y) = [R(x,y), G(x,y), B(x,y)]
Color TransformationTerbuka
RGB ke HSV
Klik piksel dan ikuti perubahan RGB menjadi Hue, Saturation, dan Value.
H = f(R,G,B); S = delta / max; V = max
Remote SensingTerbuka
Indeks Spektral: NDVI, NDWI, SAVI
Tumpuk Band 4 dan Band 8, pilih indeks, lalu ikuti perhitungan setiap piksel.
NDVI = (B8 - B4) / (B8 + B4)
Signal Processing
Amati sinyal pada domain waktu, frekuensi, dan komponennya.
Filter Sinyal
Masukkan sinyal, tentukan cutoff dalam Hz, lalu bandingkan sinyal awal dan hasil filter.
y[n] = alpha x[n] + (1-alpha)y[n-1]
Frequency DomainTerbuka
FFT Spectrum
Masukkan sinyal dan lihat komponen frekuensinya hingga batas Nyquist.
X[k] = sum x[n] exp(-j 2 pi kn / N)
DecompositionTerbuka
Dekomposisi Sinyal
Masukkan sinyal, lalu pisahkan trend, seasonality, dan residual pada sumbu waktu yang sama.
observed = trend + seasonal + residual