Machine Learning: Teori, Algoritma, dan Implementasinya

Description

Buku Machine Learning: Teori, Algoritma, dan Implementasinya menguraikan secara komprehensif konsep dasar hingga lanjutan dalam pembelajaran mesin, mencakup definisi formal serta taksonomi seperti supervised, unsupervised, semi-supervised, self-supervised, dan reinforcement learning, yang didukung oleh landasan matematika meliputi aljabar linear, kalkulus, probabilitas, dan teori informasi. Pembahasan dilanjutkan dengan berbagai algoritma utama seperti regresi linear, regresi logistik, K-Nearest Neighbors, Naive Bayes, Support Vector Machines, Decision Tree, Random Forest, XGBoost, LightGBM, dan CatBoost, disertai perbandingan performa untuk memahami karakteristik masing-masing pendekatan, serta metode clustering dan reduksi dimensionalitas seperti K-Means, DBSCAN, PCA, t-SNE, dan UMAP. Selain itu, diuraikan pula perkembangan deep learning melalui Convolutional Neural Networks beserta evolusi arsitekturnya, Recurrent Neural Networks termasuk LSTM dan GRU, serta pemrosesan bahasa alami dengan model seperti BERT dan GPT yang dilengkapi teknik modern seperti fine-tuning efisien dan Retrieval-Augmented Generation. Topik lanjutan mencakup model generatif seperti VAE, GAN, dan Diffusion Models, serta Explainable AI melalui LIME dan SHAP, sehingga keseluruhan isi menghadirkan gambaran menyeluruh tentang pengembangan sistem kecerdasan buatan yang andal, efisien, dan bertanggung jawab.