artinya saat memproses dataloader tersebut menggunakan 4 proses CPU sekaligus. Tips nya: - Jangan kebanyakan karena kalau kepakai semua CPU malah ga ada resource untuk komputer nya jadinya bisa ngelag / hang. - kalau proses di dataloader nya ringan, pakai num_worker=0 sudah cukup (default)

karena versi yang digunakan sudah berbeda dengan yang dulu digunakan saat saya mengajar sejak versi berapa dari sklearn, itu KNN nya memang ada diupdate dan berubah, jadi tidak apa kalau ada berbeda (selama sudah yakin itu bukan karena typo).

ya, bisa saja pakai random forest tergantung datanya, ya, bisa saja untuk prediksi kualitas air yang nantinya kualitas air bisa dipakai untuk penentuan apakah airnya mau diganti atau tidak jadi bukan "kapan" nya, lebih ke notifikasi ketika kualitas air sudah menurun kalau untuk prediksi "kapan" nya itu mungkin agak berbeda, dan saya tidak bisa jawab kalau tidak lihat langsung data yang tersedia

bisa, sama seperti yang di episode-episode sebelumnya itu kan multiclass ya

instalasinya seperti apa ya? apakah pakai cara yang saya arahkan?

bebas, boleh dibuang boleh tidak

Good job 👍

Yah, sayang sekali. Ini menarik tuh boleh buat blog pribadi. Nanti saya juga ada rencana blog supaya tidak bergantung sama situs-situs lama yang takutnya sudah mati hahaha

@@JCOpUntukIndonesia siap kak wir di tunggu :))

Thankss ilmunya

Terima kasih kembali 🙏

Wah saya tidak tahu kalau itu, bisa coba ke paper nya kalau begitu - Breiman, “Random Forests”, Machine Learning, 45(1), 5-32, 2001 - P. Geurts, D. Ernst., and L. Wehenkel, “Extremely randomized trees”, Machine Learning, 63(1), 3-42, 2006. kalau textbook ya semestinya buku yang mas Fariz gunakan di perkuliahannya itu mestinya ada.

ada, di jupyter yang baru itu sudah built-in

Terima kasih kembali 🙏

Betul, fitur makin banyak, tapi seberapa banyak fiturnya... 1 trial kan tetap N kali fit dimana N itu berapa banyak fold cross validasi nya Jadi tidak pengaruh ke berapa banyaknya fiturnya.

Ikuti instruksi di kzbin.infoabout

X = X_train + X_test X_val subset dari X_train Jadi saat ngefit itu ke X_train nya ya Kalau pakai X, nanti X_val diambil dari keduanya (X_train dan X_test) yang akibatnya jadi data leakage karena kita malah ngefit ke data test

@@JCOpUntukIndonesia Terima kasih atas jawabannya bang.

bisa, tapi untuk hal tersebut lebih umum dikenal sebagai fine-tuning

@@JCOpUntukIndonesia makasih udah jawab bang. ini mau bertanya lagi😅, Transfer learning sebenarnya bisa pake laptop gasih bang?. apa perlu PC gitu? mohon pencerahannya bang.

dataset yang saya gunakan kurang lebih 3000 saja

Bisa saja, apalagi laptop gaming yang ada GPU nya. Dengan freeze layer ya itu jadi lebih ringan ya, dan lebih cepat lagi kalau menggunakan model yang kecil seperti mobilenet.

boleh coba lampirkan error nya? sudah yakin tidak ada typo?

@@JCOpUntukIndonesia udah bisa kak

apakah dengan data yang sama? sudah yakin tidak ada typo? terlepas dari itu, versi sklearn yang digunakan di video itu berbeda dengan yang ada di env sekarang dan seingat saya ada update di model KNN ketika versi berapa gitu yang akibatnya bisa beda hasilnya dengan di video. Selama sudah yakin tidak ada typo dan valid, maka tidak apa kalau ada perbedaan dengan yang di video.

coba pakai browser lain

coba pakai browser lain

Saya sudah tidak mengajar di tempat lama semenjak covid. Untuk pelatihan bisa hubungi saya sesuai instruksi di kzbin.infoabout

ga itu bukan validasi, itu memang test set. Kan tidak ada tuning, jadi tidak ada validation set. Kecuali mau ada tuning, tapi di deep learning juga tidak perlu-perlu banget selama training nya menggunakan minibatch, tetapi jika memiliki resource dan waktu yang cukup, tidak ada salahnya tetap menggunakan cross val, cuman ya tetap tidak ada manfaat kalau tidak ada tuning. Review kembali masing-masing tujuan dari train set, validation set, test set, dan submission set. Gunakan sesuai kebutuhan.

@JCOpUntukIndonesia thanks kak

Terima kasih kembali atas semangat belajarnya 🙏

Singkatnya, semenjak Notebook sudah v7.x, extension-extension jupyter breaking, termasuk snippet tersebut. Penjelasan lengkapnya ada di Note saat instalasi github.com/wiradkp/supervised_learning?tab=readme-ov-file#note

@@JCOpUntukIndonesia kk untuk versi jcop yang baru pakai snippet engine sendiri buatan jcop yang mana ya.

​@@AzharZuhro-lr3wf ga ada di rekaman yang ini, dan kalau mau pakai nanti bakal bingung karena beda dengan yang di video kalau tetap mau coba, maka pastikan saja pakai versi jcopml terbaru, lalu >> import jcopml.snippets

kalau tanpa fitur university hasilnya bisa lebih baik ya tidak perlu digunakan. Tidak harus semua fitur itu digunakan. Itu 0.83 kan juga masih simulasi, nanti yang menentukan score submission nya dan nanti ada penjelasan lebih lanjut di episode setelah ini saat bahas jawaban

@JCOpUntukIndonesia okay terimakasih pak wira😁

sorry, maksudnya bahasa inggris itu apanya? atau ada yang beda dengan yang di video maksudnya?

iya, kalau kita bahas sekarang di 2024, ada banyak vector db yang sangat membantu dan membuat code kita menjadi rapi. Secara software engineering, saya recommend menggunakan vector db. tapi fokusnya bukan hanya untuk cek similarity (karena itu tidak butuh vector db), tapi lebih ke kemudahan dalam maintain data kita. Kalau hanya kebutuhan hitung cosine similarity, tidak butuh vector db... overkill.

tidak, itu bukan GNN

@@JCOpUntukIndonesia terima kasih pak, sehat selalu ^^.

@@dhiazrusyda3916 terima kasih kembali 🙏

Mohon ikuti panduan instalasi dan download materi di episode pertama ya Yang video ini sudah di episode 11

@@JCOpUntukIndonesia sudah mas, saya dapet dari kaggle mirip dengan data yg digunakan di video tapi tidak dalam satu file terpisah2, apa mas ini menggabungkannya manual atau gimana mas ? penasaran aja hehe✌️😂

@@developer_anything iya, saya gabungkan untuk kebutuhan mengajar

@@JCOpUntukIndonesia wah menarik, kalo boleh tau menggabungkan nya menggunakan apa mas pandas kah atau library python yg lain? atau ada tutorialnya di chanel ini mas

@developer_anything saya sudah lupa dulu pakai apa, tapi yang pasti sih pakai pandas saja sudah lebih dari cukup.

boleh, email saja kzbin.infoabout

Kalau sudah ditimpa ya tidak bisa dikembalikan ya. Jadi biasakan untuk cek dulu hasilnya sebelum ditimpa. Kalau sudah terlanjur ditimpa ya bisa load balik raw datanya lalu diproses ulang. Kedepannya kita akan pakai yang namanya pipeline agar hal-hal seperti ini ga kejadian, tapi itu silahkan lanjut saja dulu belajarnya step by step.

@JCOpUntukIndonesia berarti emang harus bener" Teliti ya pak wira

ya, yang namanya overwrite ya mesti teliti di kasus ini sih tidak begitu masalah karena data asli tidak akan keganggu tapi misal kedepannya ada interaksi dengan data di database, ya itu mesti sangat-sangat teliti. Karena kalau sampai salah nimpa data, dan ga ada backup database ... ya itu hilang hahaha

Apakah menggunakan environment yang saya berikan atau pakai environment pribadi? Secara umum tidak apa kok, itu hanya karena beda versi saja biasanya. Di versi yang lebih baru dia encode jadi True / False jika ingin tetap dalam angka, bisa tambahkan argumen >> pd.get_dummies(..., dtype=float) atau >> pd.get_dummies(..., dtype=int) nanti dia balik jadi angka 0 dan 1

Saya pakai enviroment pribadi dan pakai Jupyter Lab Siap, thanks pencerahannya pak Wira

kalau belum paham terkait jupyter notebook, saran saya mulai dari course basic dulu dan tidak langsung lompat ke GAN. Silahkan cek playlist ya di course 1.

Bisa, nanti setelah encode per katanya bisa diagregat misal menggunakan sum() sebagai alternatif ada juga yang namanya doc2vec, atau di zaman sekarang banyak pretrained model yang ringan dan lebih modern untuk encode dokumen. Semua itu bisa digunakan untuk document similarity 👍

@JCOpUntukIndonesia Oh okayy kak, terima kasih atas jawabannya🙏

running ulang disini itu training ulang? kalau di training ulang ya pasti akan berubah

Saya sudah tidak mengajar lagi di tempat lama semenjak pandemi pak Soetrisno 🙏 Jika ingin mengadakan pelatihan perusahaan, atau jasa konsultasi, atau hanya sekedar bertanya-tanya. Bisa di kolom komentar atau ikuti instruksi di sini kzbin.infoabout Terima kasih

Mestinya akan ada dibahas nanti di episode-episode kedepan, tapi saya kasih ilustrasi singkat ya. contoh aliran dari kiri ke kanan di sumbu X Tekanan (P) di kiri kan lebih besar dari di kanan ya (makannya fluida ngalir ke kanan) deltaP nya itu kan jadi negatif ya, padahal v nya positif, dan deltaX nya juga positif. Itulah kenapa persamaan aliran nya itu ada negatif (-dP/dx), karena v itu bertolak belakang dengan dP jadi bukan karena k dan μ nya Semoga menjawab 🙏

Oh, yang ga cocok itu kriteria AIC BIC nya, bukan AutoARIMA nya. AutoARIMA bisa otomatis menentukan nilai d kok, di jcopml yang baru saya juga ada buat AutoARIMA sendiri yang otomatis menentukan d. Karena untuk differencing (d), intinya adalah mencari nilai d ketika time series nya stasioner kan jadi di dalam AutoARIMA itu akan melakukan uji kpss dan adf untuk mengautomasi / mengestimasi nilai d yang perlu dicoba

Tidak, Neural Style Transfer yang ini belum cukup kuat untuk hasil sebagus itu. Kalau yang cartoonize begitu, style transfer nya menggunakan model berbasis GAN atau Difusi