Machine Learning Dan Deep Learning Konsep Dan Pemrograman Python

DOWNLOAD
Download Machine Learning Dan Deep Learning Konsep Dan Pemrograman Python PDF/ePub or read online books in Mobi eBooks. Click Download or Read Online button to get Machine Learning Dan Deep Learning Konsep Dan Pemrograman Python book now. This website allows unlimited access to, at the time of writing, more than 1.5 million titles, including hundreds of thousands of titles in various foreign languages. If the content not found or just blank you must refresh this page
Machine Learning Dan Deep Learning Konsep Dan Pemrograman Python
DOWNLOAD
Author : Prof. Drs. Ec. Ir. Riyanarto Sarno, M. Sc., Ph. D.
language : id
Publisher: Penerbit Andi
Release Date :
Machine Learning Dan Deep Learning Konsep Dan Pemrograman Python written by Prof. Drs. Ec. Ir. Riyanarto Sarno, M. Sc., Ph. D. and has been published by Penerbit Andi this book supported file pdf, txt, epub, kindle and other format this book has been release on with Business & Economics categories.
Buku ini disusun berdasarkan pengalaman dan kolaborasi penelitian bersama kolega praktisi dan dosen dari Institut Teknologi Sepuluh Nopember, Kyushu Institute of Technology, Universitas Airlangga, Universitas Surabaya, Universitas Indonesia, Institut Teknologi Bandung, Universitas Telkom Bandung, Universitas Gadjah Mada, Universitas Hasanudin dan perguruan tinggi lain. Buku ini untuk pembelajaran Machine Learning (ML) dan Deep Learning (DL) secara konsep dan pemrograman. Pembahasan konsep memberi landasan keilmuan ML dan DL, kemudian pemaparan dasar pemrograman untuk memandu penulisan program ML dan DL secara mudah dimengerti. Aplikasi ML dan DL juga dibahas untuk memandu pembuatan program yang lebih lengkap. Pada setiap materi akan disajikan contoh dan program python sehingga dapat memudahkan Anda untuk mengimplementasikan secara langsung. Topik yang dibahas dalam buku meliputi: 1. Pengenalan artificial intelligence, machine learning, deep learning, perbedaan supervised learning dan unsupervised learning, instalasi python dan bahasa pemrograman python; 2. Analisis data statistik, ekstraksi dan seleksi fitur, pre-processing data, aggregation, normalisasi, reduksi dimensi, validasi data dan metode evaluasi; 3. Metode Clustering; 4. Metode Klasifikasi; 5. Metode Regresi; 6. Algoritma Neural Network (pa ra meter dan hyperparameter); 7.Algoritma Deep Learning (Deep Neural Network, Convolution Neural Network, Fully Connected Deep Network, Recurrent Neural Network), autoencoder, optimizer dan activation function. Buku ini dilengkapi dengan pembahasan artikel jurnal bereputasi internasional berindeks Scopus QI dan memiliki Impact Factor dari Web of Science. Teori dan aplikasi yang dipaparkan pada buku ini termasuk State of The Art, sehingga dapat digunakan oleh pemula, mahasiswa sarjana, dan pasca sarjana maupun peneliti.
Artificial Intelligence
DOWNLOAD
Author : Sudirwo Sudirwo
language : id
Publisher: PT. Sonpedia Publishing Indonesia
Release Date : 2025-05-01
Artificial Intelligence written by Sudirwo Sudirwo and has been published by PT. Sonpedia Publishing Indonesia this book supported file pdf, txt, epub, kindle and other format this book has been release on 2025-05-01 with Computers categories.
Buku "ARTIFICIAL INTELLIGENCE : Teori, Konsep, dan Implementasi di Berbagai Bidang" menghadirkan pemahaman menyeluruh tentang kecerdasan buatan (AI), mulai dari konsep dasar hingga aplikasi nyata dalam berbagai sektor. Buku ini membahas pengantar AI, komponen utama seperti penalaran, pembelajaran, dan persepsi, serta algoritma dasar yang meliputi machine learning dan deep learning. Selain itu, diuraikan pula topik penting seperti pengolahan bahasa alami (NLP), yang memungkinkan mesin memahami bahasa manusia, serta robotika yang memanfaatkan AI untuk menciptakan sistem cerdas yang mampu bergerak dan berinteraksi dengan lingkungan secara otonom. Buku ini juga menyentuh dimensi etis dan tantangan dalam pengembangan AI, termasuk isu privasi, bias algoritma, dan tanggung jawab sosial. Di bagian akhir, pembaca diajak memahami implementasi AI dalam berbagai bidang seperti bidang pendidikan, kesehatan serta bidang agama . Ditulis dengan bahasa yang mudah dipahami dan dilengkapi contoh aplikatif, buku ini menjadi referensi penting bagi mahasiswa, peneliti, maupun praktisi yang ingin memahami perkembangan AI secara menyeluruh, kritis, dan aplikat
Deep Learning Convolutional Neural Networks Pemrograman Python Arduino Serta Aplikasi Pada Komputer Vision Speech Recognition Dan Mobile Robot
DOWNLOAD
Author : Mada Sanjaya W. S., Ph.D.
language : id
Publisher: Bolabot
Release Date : 2024-06-30
Deep Learning Convolutional Neural Networks Pemrograman Python Arduino Serta Aplikasi Pada Komputer Vision Speech Recognition Dan Mobile Robot written by Mada Sanjaya W. S., Ph.D. and has been published by Bolabot this book supported file pdf, txt, epub, kindle and other format this book has been release on 2024-06-30 with Computers categories.
Sebagai bagian dari praktisi, kami memahami pentingnya kebutuhan akan sumber daya yang dapat memberikan pandangan mendalam dan pemahaman yang komprehensif tentang teknologi mutakhir. Dalam buku ini, kami berusaha untuk memberikan landasan yang kokoh dan aplikasi praktis dalam penggunaan CNN, yang telah menjadi salah satu alat utama dalam riset dan pengembangan di berbagai bidang, termasuk Komputer Vision, Speech Recognition, dan Navigasi Mobile Robot. Setiap bab dalam buku ini disusun dengan literatur yang relevan dan contoh kode yang terperinci. Kami percaya bahwa buku ini dapat menjadi referensi yang berharga bagi para peneliti, mahasiswa, dan praktisi yang tertarik dalam memahami dan mengaplikasikan konsep Deep Learning dalam konteks praktis. Dalam proses penyusunan buku ini, kami ingin mengucapkan terima kasih kepada semua pihak yang telah memberikan dukungan, inspirasi, dan bimbingan. Semoga buku ini dapat memberikan kontribusi yang berarti dalam upaya Anda untuk mengembangkan pengetahuan dan keterampilan dalam bidang pemrograman Deep Learning.
Pengantar Pembelajaran Mesin Menggunakan Bahasa Pemrograman Python
DOWNLOAD
Author : Hari Suparwito, S.J.
language : id
Publisher: Sanata Dharma University Press
Release Date : 2023-10-31
Pengantar Pembelajaran Mesin Menggunakan Bahasa Pemrograman Python written by Hari Suparwito, S.J. and has been published by Sanata Dharma University Press this book supported file pdf, txt, epub, kindle and other format this book has been release on 2023-10-31 with Education categories.
Buku "Pengantar Pembelajaran Mesin Menggunakan Bahasa Pemrograman Python" bertujuan memberikan pemahaman komprehensif kepada pembaca tentang konsep, teknik, dan aplikasi penting dalam pembelajaran mesin. Pembahasan dalam buku ini dimulai dengan pengantar dan pemahaman dasar tentang pembelajaran mesin. Pembaca juga diajak untuk menjelajahi berbagai metode pembelajaran mesin, dengan membahas berbagai algoritma, seperti SVM, Naïve Bayes, Jaringan Saraf Tiruan dan Deep Learning. Selain itu, juga diulas berbagai teknik pengolahan data, seperti pemrosesan teks dan pengolahan gambar, yang menjadi bagian integral dari pembelajaran mesin modern. Melalui studi kasus, latihan praktis, dan sumber daya tambahan, buku ini dirancang untuk membantu para pembaca mengembangkan keterampilan yang diperlukan untuk menjadi seorang praktisi yang kompeten dalam bidang pembelajaran mesin.
Pemrograman Deep Learning Menggunakan Python Dan Keras
DOWNLOAD
Author : Windra Swastika, Ph.D
language : id
Publisher: Ma Chung Press
Release Date : 2025-01-01
Pemrograman Deep Learning Menggunakan Python Dan Keras written by Windra Swastika, Ph.D and has been published by Ma Chung Press this book supported file pdf, txt, epub, kindle and other format this book has been release on 2025-01-01 with Computers categories.
Buku ajar ini, merupakan salah satu referensi bagi mahasiswa yang mempelajari dunia soft-computing, di mana pemrograman deep learning berperan sebagai salah satu pilar utama dalam membangun dan mengembangkan sistem cerdas yang dapat memahami, belajar, meramalkan, dan beradaptasi dengan lingkungan yang berubah-ubah. Dengan fokus pada Python dan Keras, buku ini dirancang untuk memberikan pemahaman mendalam tentang konsep-konsep dasar serta aplikasi praktis dalam pemrograman deep learning, sehingga pembaca dapat langsung mengimplementasikan pengetahuan yang diperoleh dalam proyek nyata.
Deep Learning Untuk Pemula Jilid 2
DOWNLOAD
Author : Dony Novaliendry, S.Kom., M.Kom
language : id
Publisher: Penerbit CV. SARNU UNTUNG
Release Date :
Deep Learning Untuk Pemula Jilid 2 written by Dony Novaliendry, S.Kom., M.Kom and has been published by Penerbit CV. SARNU UNTUNG this book supported file pdf, txt, epub, kindle and other format this book has been release on with Computers categories.
Buku ini ditujukan untuk orang-orang yang menghargai waktu mereka dan ingin mempelajari resep deep learning yang diperlukan untuk melakukan hal-hal tertentu. Deep learning untuk Pemula Jilid 2 dapat menjadi menakutkan jika Anda tidak memahami dasar-dasarnya. Banyak orang merasa putus asa karena tidak dapat mengikuti terminologi atau program contoh yang mereka lihat di web. Hal ini menyebabkan orang membuat keputusan buruk tentang pemilihan algoritma deep learning dan membuat mereka tidak dapat memperkirakan konsekuensi dari pilihan tersebut. Oleh karena itu, buku ini ditujukan untuk orang-orang yang melakukan hal-hal berikut:
Klasifikasi Alfabet Sistem Isyarat Bahasa Indonesia Sibi Menggunakan Computer Vision Dan Deep Learning
DOWNLOAD
Author : Saiful Nur Budiman
language : id
Publisher: Penerbit NEM
Release Date : 2023-10-03
Klasifikasi Alfabet Sistem Isyarat Bahasa Indonesia Sibi Menggunakan Computer Vision Dan Deep Learning written by Saiful Nur Budiman and has been published by Penerbit NEM this book supported file pdf, txt, epub, kindle and other format this book has been release on 2023-10-03 with Computers categories.
Buku ini mengungkapkan peran teknologi dalam membantu komunikasi bagi individu dengan kebutuhan khusus, seperti tunarungu dan tunawicara. Dalam buku ini, pembaca akan dibawa ke dalam dunia SIBI (Sistem Bahasa Isyarat Indonesia), sebuah inovasi canggih yang memanfaatkan teknologi Komputer Vision dan Machine Learning untuk memfasilitasi komunikasi yang lebih efektif dan inklusif. Penulis membahas perkembangan SIBI, mulai dari latar belakangnya hingga konsep dasar bahasa isyarat Indonesia. Pembaca akan diperkenalkan kepada teknologi Komputer Vision, yang memungkinkan SIBI untuk mengenali gerakan dan isyarat tangan pengguna. Lebih lanjut, pembaca akan memahami kontribusi Machine Learning dalam proses pelatihan dan pemahaman bahasa isyarat. Buku ini ditujukan tidak hanya untuk praktisi dan peneliti dalam bidang teknologi, tetapi juga untuk siapa pun yang ingin memahami bagaimana teknologi dapat digunakan untuk menciptakan perubahan positif dalam komunikasi dan inklusi sosial. Dengan membaca buku ini, pembaca akan mendapatkan wawasan yang mendalam tentang SIBI dan inspirasi untuk terlibat dalam pengembangan teknologi yang mempromosikan kesetaraan dan inklusi.
Seven Books In One Sinyal Digital Citra Digital Machine Learning Deep Learning Dan Data Science Dengan Python Gui
DOWNLOAD
Author : Vivian Siahaan
language : id
Publisher: BALIGE PUBLISHING
Release Date : 2021-07-24
Seven Books In One Sinyal Digital Citra Digital Machine Learning Deep Learning Dan Data Science Dengan Python Gui written by Vivian Siahaan and has been published by BALIGE PUBLISHING this book supported file pdf, txt, epub, kindle and other format this book has been release on 2021-07-24 with Computers categories.
BUKU 1: Konsep dan Implementasi Pemrograman Python Buku ini merupakan buku teks pemrograman komputer menggunakan Python yang difokuskan untuk pembelajaran efektif. Sengaja dirancang untuk pelbagai tingkat ketertarikan dan kemampuan pembelajar, buku ini cocok untuk siswa SMA/SMK, mahasiswa, insinyur, dan bahkan peneliti dalam berbagai displin ilmu. Tidak ada pengalaman pemrograman yang diperlukan, dan hanya sedikit kemampun aljabar tingkat sekolah menenga atas yang diperlukan. Buku ini memang dirancang untuk mengambil rute tradisional, dengan lebih dahulu menekankan sintaksis-sintaksis dasar, struktur-struktur kendali, fungsi, dekomposisi prosedural, dan struktur data built-in seperti list, set, dan kamus (dictionary). Panduan langkah-demi-langkah di dalamnya diharapkan bisa membantu kepercayaan diri pembaca untuk menjadi programer yang bisa menyelesaikan permasalahan-permasalahan pemrograman. Sejumlah contoh disediakan untuk mendemonstrasikan bagaimana menerapkan konsep-konsep yang telah disajikan terhadap sejumlahan tantangan pemrograman. Pada Bab 1, Anda akan diajari mengenal IDE Spyder untuk memprogram Python dan mengetahui sintaksis dasar dari program sederhana Python. Pada Bab 2, Anda akan belajar: Mendefinisikan dan menggunakan variabel dan konstanta; Memahami sejumlah watak dan keterbatasan bilangan integer (bilangan bulat) dan titik-mengambang (bilangan pecahan); Memahami pentingnya komentar dan tataletak kode; Menulis ekspresi aritmatik dan statemen penugasan; Menciptakan program yang membaca dan memproses masukan, dan menampilkan hasilnya; Bagaimana menggunakan string Python; Menciptakan program grafika menggunakan sejumlah bangun dasar dan teks. Pada Bab 3, Anda akan belajar: Mengimplementasikan keputusan menggunakan statemen if; Membandingkan bilangan integer, titik-mengambang, dan string; Menuliskan statemen menggunakan ekspresi Boolean; Memvalidasi masukan user. Pada Bab 4, Anda akan belajar: Mengimplementasikan loop while dan for; Menjadi familiar dengan algoritma-algoritma yang melibatkan loop; Memahami loop bersarang; Memproses string. Pada Bab 5, Anda akan belajar: Bagaimana mengimplementasikan fungsi; Menjadi familiar dengan konsep pelewatan parameter; Mengembangkan strategi pendekomposisian pekerjaan kompleks menjadi pekerjaan-pekerjaan yang lebih mudah; Mampu menentukan skop variabel. Pada Bab 6, Anda akan belajar: Mengumpulkan elemen-elemen menggunkan list; Menggunakan loop for untuk menjelajah list; Menggunakan sejumlah algoritma umum untuk memproses list; Menggunakan list dengan fungsi; Bekerja dengan tabel data. Pada Bab 7, Anda akan belajar: Membangun dan menggunakan kontainer set; Menggunakan operasi-operasi set untuk memproses data; Membangun dan menggunakan kontainer dictionary; Menggunakan dictionary untuk tabel; Menggunakan struktur kompleks. BUKU 2: SINYAL DAN CITRA DIGITAL dengan PYTHON GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “LEARN FROM SCRATCH SIGNAL AND IMAGE PROCESSING WITH PYTHON GUI”. Anda bisa mengaksesnya di Amazon maupun di Google Books. Pada buku ini, Anda akan belajar bagaimana menggunakan OpenCV, NumPy dan sejumlah pustaka lain untuk melakukan pemrosesan sinyal, pemrosesan citra, deteksi objek, dan ekstraksi fitur dengan memanfaatkan Python GUI (PyQt). Anda akan belajar cara memfilter sinyal, mendeteksi tepi dan segmen, dan menekan derau pada citra dengan memanfaatkan PyQt. Anda juga akan belajar cara mendeteksi objek (wajah, mata, dan mulut) menggunakan Haar Cascades dan cara mendeteksi fitur pada citra menggunakan Harris Corner Detection, Shi-Tomasi Corner Detector, Scale-Invariant Feature Transform (SIFT), dan Features from Accelerated Uji Segmen (FAST). Pada bab 1, Anda akan mempelajari secara langkah demi langkah: membuat aplikasi gui sederhana; menggunakan tombol radio; mengelompokkan tombol radio; menggunakan widget kotak centang; menggunakan dua grup kotak centang; memahami sinyal dan slot; mengonversi jenis data; menggunakan widget spin box; menggunakan scrollbar dan slider; menggunakan list widget; menggunakan kotak kombo; dan menggunakan widget Table. Pada bab 2, Anda akan mempelajari secara langkah demi langkah: membuat grafik garis sederhana; membuat grafik garis sederhana dengan python gui; membuat grafik garis sederhana dengan python gui: bagian 2; membuat dua atau lebih banyak grafik di sumbu yang sama;membuat dua sumbu dalam satu kanvas; menggunakan dua widget;menggunakan dua widget, masing-masing memiliki dua sumbu; menggunakan sumbu dengan tingkat opacity tertentu; memilih warna garis dari combo box; menghitung fast fourier transform; membuat gui untuk FFT; membuat gui untuk FFT dengan beberapa sinyal input lain; membuat gui untuk sinyal bising; membuat gui untuk penapisan sinyal berderau; dan membuat gui untuk penapisan sinyal wav. Pada bab 3, Anda akan mempelajari secara langkah demi langkah: mengkonversi citra RGB menjadi grayscale; mengubah citra RGB menjadi citra YUV; mengkonversi citra RGB menjadi citra HSV; memfilter citra; menampilkan histogram citra; menampilkan histogram citra tertapis; memfilter citra dengan memanfaatkan opsi pada kotak centang; menerapkan ambang batas citra; dan menerapkan ambang batas citra adaptif. Pada bab 4, Anda akan mempelajari secara langkah demi langkah: membangkitkan dan menampilkan citra berderau; menerapkan deteksi tepi pada citra; menerapkan segmentasi citra menggunakan algoritma multiple thresholding dan k-means; dan menerapkan penekanan derau citra. Pada bab 5, Anda akan mempelajari secara langkah demi langkah: mendeteksi wajah, mata, dan mulut menggunakan haar cascades; mendeteksi wajah menggunakan haar cascades dengan pyqt; mendeteksi mata, dan mulut menggunakan haar cascades dengan pyqt; dan mengekstraksi objek yang terdeteksi. Pada bab 6, Anda akan mempelajari secara langkah demi langkah: mendeteksi fitur citra menggunakan deteksi harris corner; mendeteksi fitur citra menggunakan deteksi sudut shi-tomasi; mendeteksi fitur citra menggunakan Scale-Invariant Feature Transform (SIFT); dan mendeteksi fitur citra menggunakan Features from Accelerated Uji Segmen (FAST). BUKU 3: IMPLEMENTASI MACHINE LEARNING DENGAN PYTHON GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “LEARN FROM SCRATCH MACHINE LEARNING WITH PYTHON GUI”. Anda bisa mengaksesnya di Amazon maupun di Google Books. Pada buku ini, Anda akan mempelajari cara menggunakan NumPy, Pandas, OpenCV, Scikit-Learn, dan pustaka lain untuk memplot grafik dan memproses citra digital. Kemudian, Anda akan mempelajari cara mengklasifikasikan fitur menggunakan model Perceptron, Adaline, Logistic Regression (LR), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), dan K-Nearest Neighbor (KNN). Anda juga akan belajar cara mengekstraksi fitur menggunakan algoritma Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), Kernel Principal Component Analysis (KPCA) dan menggunakannya dalam pembelajaran mesin (machine learning). Pada Bab 1, Anda akan mempelajari dasar-dasar penggunakan Python GUI dengan Qt Designer. Pada Bab 2, Anda akan mempelajari: Langkah-Langkah Menciptakan Grafik Garis Sederhana; Langkah-Langkah Menampilkan Grafik Garis dengan Python GUI: Bagian 1; Langkah-Langkah Menampilkan Grafik Garis dengan Python GUI: Bagian 2; Langkah-Langkah Menampilkan Dua atau Lebih Grafik pada Sumbu yang Sama; Langkah-Langkah Menciptakan Dua Sumbu pada Satu Canvas; Langkah-Langkah Menggunakan Dua Widget; Langkah-Langkah Menggunakan Dua Widget, Masing-Masing Memiliki Dua Sumbu; Langkah-Langkah Menggunakan Sumbu dengan Tingkat Keburaman Tertentu; Langkah-Langkah Memilih Warna Garis dari Combo Box; Langkah-Langkah Menghitung Fast Fourier Transform; Langkah-Langkah Menciptakan GUI untuk FFT; Langkah-Langkan Menciptakan GUI untuk FFT atas Sinyal-Sinyal Masukan Lain; Langkah-Langkah Menciptakan GUI untuk Sinyal Berderau; Langkah-Langkah Menciptakan GUI untuk Penapisan Sinyal Berderau; Langkah-Langkah Mencipakan GUI untuk Penapisan Sinyal Wav; Langkah-Langkah Mengkonversi Citra RGB Menjadi Keabuan; Langkah-Langkah Mengkonversi Citra RGB Menjadi Citra YUV; Langkah-Langkah Mengkonversi Citra RGB Menjadi Citra HSV; Langkah-Langkah Menapis Citra; Langkah-Langkah Menampilkan Histogram Citra ; Langkah-Langkah Menampilkan Histogram Citra Tertapis; Langkah-Langkah Menapis Citra: Memanfaatkan CheckBox; Langkah-Langkah Mengimplementasikan Ambang Batas Citra; dan Langkah-Langkah Mengimplementasikan Ambang Batas Adaptif. Pada Bab 3, Anda akan mempelajari: Langkah-Langkah Implementasi Perceptron; Langkah-Langkah Implementasi Perceptron dengan PyQt; Langkah-Langkah Implementasi Adaline (ADAptive LInear NEuron); dan Langkah-Langkah Implementasi Adaline dengan PyQt. Pada Bab 4, Anda akan mempelajari: Langkah-Langkah Implementasi Perceptron Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Model Logistic Regression (LR); Langkah-Langkah Implementasi Model Logistic Regression dengan PyQt; Langkah-Langkah Implementasi Model Logistic Regression Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Mode Support Vector Machine (SVM) Menggunakan Scikit-Learn; Langkah-Langkah Implementasi Decision Tree (DT) Menggunakan Scikit-Learn; Langkah-Langkah Implementasi Model Random Forest (RF) Menggunakan Scikit-Learn; dan Langkah-Langkah Implementasi Model K-Nearest Neighbor (KNN) Menggunakan Scikit-Learn. Pada Bab 5, Anda akan mempelajari: Langkah-Langkah Implementasi Principal Component Analysis (PCA); Langkah-Langkah Implementasi Principal Component Analysis (PCA); Menggunakan Scikit-Learn; Langkah-Langkah Implementasi Principal Component Analysis (PCA) Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Linear Discriminant Analysis (LDA); Langkah-Langkah Implementasi Linear Discriminant Analysis (LDA) dengan scikit-learn; Langkah-Langkah Implementasi Linear Discriminant Analysis (LDA); Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Kernel Principal Component Analysis (KPCA) Menggunakan Scikit-Learn; dan Langkah-Langkah Implementasi Kernel Principal Component Analysis (KPCA) Menggunakan Scikit-Learn dengan PyQt. Pada Bab 6, Anda akan mempelajari: Langkah-Langkah Memuat Dataset MNIST; Langkah-Langkah Memuat Dataset MNIST dengan PyQt; Langkah-Langkah Implementasi Perceptron dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Perceptron dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Perceptron dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Logistic Regression (LR) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Logistic Regression (LR) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Logistic Regression (LR) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Support Vector Machine (SVM) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Support Vector Machine (SVM) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Support Vector Machine (SVM) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Decision Tree (DT) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Decision Tree (DT) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Decision Tree (DT) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Random Forest (RF) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Random Forest (RF) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Random Forest (RF) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi K-Nearest Neighbor (KNN) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi K-Nearest Neighbor (KNN) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; dan Langkah-Langkah Implementasi K-Nearest Neighbor (KNN) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt. Pada Bab 7, Anda akan mempelajari: Langkah-Langkah Membangkitkan dan Menampilkan Citra Berderau; Langkah-Langkah Mengimplemantasikan Deteksi Tepi pada Citra; Langkah-Langkah Mengimplementasikan Segmentasi Menggunakan Ambang Batas Jamak dan Algoritma K-Means; Langkah-Langkah Mengimplementasikan Penekanan Derau pada Citra; Langkah-Langkah Mendeteksi Wajah, Mata, dan Mulut dengan Haar Cascades; Langkah-Langkah Mendeteksi Wajah Menggunakan Haar Cascades dengan PyQt; Langkah-Langkah Mendeteksi Mata dan Mulut Menggunakan Haar Cascades dengan PyQt; Langkah-Langkah Mengekstraksi Objek-Objek Terdeteksi; Langkah-Langkah Mendeteksi Fitur Citra dengan Harris Corner Detection; Langkah-Langkah Mendeteksi Fitur Citra dengan Shi-Tomasi Corner Detection; Langkah-Langkah Mendeteksi Fitur Citra dengan Scale-Invariant Feature Transform (SIFT) ; dan Langkah-Langkah Mendeteksi Fitur Citra dengan Accelerated Segment Test (FAST). BUKU 4: Implementasi DEEP LEARNING Menggunakan Scikit-Learn, Keras, Dan Tensorflow Dengan Python GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “The Practical Guides On Deep Learning Using SCIKIT-LEARN, KERAS, and TENSORFLOW with Python GUI” yang dapat dilihat di Amazon maupun Google Books. Dalam buku ini, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy, dan library lainnya untuk mengimplementasikan deep learning dalam mengenali rambu lalu lintas menggunakan dataset GTSRB, mendeteksi tumor otak menggunakan dataset MRI Brain Image, mengklasifikasikan gender, dan mengenali ekspresi wajah menggunakan dataset FER2013. Pada bab 1, Anda akan belajar membuat aplikasi GUI untuk menampilkan grafik garis menggunakan PyQt. Anda juga akan belajar bagaimana mengkonversi citra menjadi keabuan, menjadi ruang warna YUV, dan menjadi ruang warna HSV. Bab ini juga mengajarkan bagaimana menampilkan citra dan histogramnya dan merancang GUI untuk mengimplementasikannya. Pada bab 2, Anda akan belajar menggunakan TensorFlow, Keras, Scikit-Learn, Pandas, NumPy dan sejumlah pustaka lain untuk memprediksi digit-digit tulisan tangan menggunakan dataset MNIST. Pada bab 3, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, PIL, Pandas, NumPy, dan pustaka lain untuk mengenali rambu lalu lintas menggunakan dataset GTSRB dari Kaggle. Ada beberapa jenis rambu lalu lintas seperti batas kecepatan, dilarang masuk, rambu lalu lintas, belok kiri atau kanan, anak-anak menyeberang, tidak ada kendaraan berat yang lewat, dll. Klasifikasi rambu lalu lintas adalah proses untuk mengidentifikasi kelas rambu lalu lintas tersebut. Pada proyek Python ini, Anda akan membangun model jaringan saraf tiruan (deep neural network) yang dapat mengklasifikasikan rambu lalu lintas dalam citra ke dalam kategori yang berbeda. Dengan model ini, Anda akan dapat membaca dan memahami rambu lalu lintas yang merupakan pekerjaan yang sangat penting bagi semua kendaraan otonom. Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 4, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, Pandas, NumPy dan pustaka lainnya untuk melakukan pendeteksian tumor otak menggunakan dataset Brain Image MRI yang disediakan oleh Kaggle (https://www.kaggle.com/navoneel/brain-mri-images-for-brain-tumor-detection). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 5, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan library lain untuk melakukan klasifikasi gender menggunakan dataset yang disediakan oleh Kaggle (https://www.kaggle.com/cashutosh/gender-classification-dataset). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 6, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan pustaka lain untuk melakukan pengenalan ekspresi wajah menggunakan dataset FER2013 yang disediakan oleh Kaggle (https://www.kaggle.com/nicolejyt/facialexpressionrecognition). Anda juga akan membangun sebuah GUI untuk tujuan ini. BUKU 5: Panduan Praktis Deep Learning Menggunakan Scikit-Learn, Keras, Dan Tensorflow Dengan Python GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “STEP BY STEP TUTORIALS ON DEEP LEARNING USING SCIKIT-LEARN, KERAS, AND TENSORFLOW WITH PYTHON GUI” yang dapat dilihat di Amazon maupun Google Books. Dalam buku ini, Anda akan mempelajari cara menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy, dan library lainnya untuk mengimplementasikan deteksi wajah, mata, dan mulut menggunakan Haar Cascades, klasifikasi/prediksi buah, klasifikasi/prediksi kucing/anjing, klasifikasi/prediksi mebel, klasifikasi/prediksi mode (fashion). Pada bab 1, Anda akan belajar bagaimana menggunakan pustaka OpenCV, PIL, NumPy dan pustaka lain untuk melakukan deteksi wajah, mata, dan mulut menggunakan Haar Cascades dengan Python GUI (PyQt). Pada bab 2, Anda akan mempelajari bagaimana memanfaatkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan pustaka-pustaka lain untuk mengimplementasikan klasifikasi buah menggunakan dataset Fruits 360 yang disediakan oleh Kaggle (https://www.kaggle.com/moltean/fruits/code). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 3, Anda akan belajar menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk klasifikasi kucing/anjing menggunakan dataset yang disediakan oleh Kaggle (https://www.kaggle.com/chetankv/dogs-cats-images). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 4, Anda akan belajar menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan pustakan lain untuk mendeteksi atau mengklasifikasi mebel menggunakan dataset Furniture Detector yang disediakan oleh Kaggle (https://www.kaggle.com/akkithetechie/furniture-detector). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 5, Anda akan memanfaatkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah modul lain untuk melakukan klasifikasi terhadap citra-citra mode menggunakan dataset Fashion MNIST yang disediakan oleh Kaggle (https://www.kaggle.com/zalando-research/fashionmnist/code). Anda juga akan membangun sebuah GUI untuk tujuan ini. BUKU 6: Tutorial Langkah Demi Langkah DEEP LEARNING Menggunakan Scikit-Learn, Keras, Dan TensorFlow Dengan Python GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “Step by Step Tutorials Image Classification Using Scikit-Learn, Keras, and Tensorflow with Python GUI” yang dapat dilihat di Amazon maupun Google Books. Pada bab 1, Anda akan belajar dasar-dasar penggunaan PyQt untuk pemrosesan citra digital. Sejumlah projek Python GUI yang diimplementasikan di sini adalah mengkonversi citra RGB menjadi keabuan, mengkonversi citra RGB menjadi citra YUV, mengkonversi citra RGB menjadi citra HSV, menapis citra, menampilkan histogram citra, menampilkan histogram citra tertapis, dan memanfaatkan widget checkbox untuk penapisan citra, dan menerapkan ambang batas citra. Pada bab 2, Anda akan memanfaatkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mengklasifikasi spesies monyet menggunakan dataset 10 Monkey Species yang disediakan oleh Kaggle (https://www.kaggle.com/slothkong/10-monkey-species/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 3, Pada tutorial ini, Anda akan belajar menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustakan lain untuk mengklasifikasi batu, kertas, dan gunting menggunakan dataset yang disediakan oleh Kaggle (https://www.kaggle.com/sanikamal/rock-paper-scissors-dataset/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 4, Anda akan belajar menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mengklasifikasi pesawat, mobil, dan kapal menggunakan dataset Multiclass-image-dataset-airplane-car-ship yang disediakan oleh Kaggle (https://www.kaggle.com/abtabm/multiclassimagedatasetairplanecar). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 5, Anda akan belajar menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mendeteksi face mask menggunakan dataset Face Mask Detection Dataset yang disediakan oleh Kaggle (https://www.kaggle.com/omkargurav/face-mask-dataset/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. BUKU 7: Klasifikasi Citra Berbasis Deep Learning Menggunakan Scikit-Learn, Tensorflow, Dan Keras Dengan Python GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “Project-Based Approach On DEEP LEARNING Using Scikit-Learn, Keras, and Tensorflow with Python GUI” yang dapat dilihat di Amazon maupun Google Books. Dalam buku ini, Anda akan mempelajari cara menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy, dan library lainnya untuk mengimplementasikan klasifikasi citra. Pada Bab 1, Anda akan menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy danb sejumlah pustaka lain untuk klasifikasi cuaca menggunakan dataset Multi-class Weather Dataset yang disediakan oleh Kaggle (https://www.kaggle.com/pratik2901/multiclass-weather-dataset/download). Pada Bab 2, Anda akan menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mengenali jenis bunga menggunakan dataset Flowers Recognition dataset yang disediakan oleh Kaggle (https://www.kaggle.com/alxmamaev/flowers-recognition/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada Bab 3, Anda akan menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mendeteksi plat nomor kendaraan menggunakan dataset Car License Plate Detection yang disediakan oleh Kaggle (https://www.kaggle.com/andrewmvd/car-plate-detection/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada Bab 4, Anda akan belajar bagaimana menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk melakukan pengenalan bahasa isyarat menggunakan Sign Language Digits Dataset yang disediakan oleh Kaggle (https://www.kaggle.com/ardamavi/sign-language-digits-dataset/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada Bab 5, Anda akan belajar bagaimana menerapkan pustaka TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mendeteksi keretakan permukaan beton menggunakan dataset Surface Crack Detection yang disediakan oleh Kaggle (https://www.kaggle.com/arunrk7/surface-crack-detection/download). Anda juga akan membangun sebuah GUI untuk tujuan ini.
Deep Learning Untuk Pemula Jilid 1
DOWNLOAD
Author : Dony Novaliendry, S.Kom., M.Kom
language : id
Publisher: Penerbit CV. SARNU UNTUNG
Release Date :
Deep Learning Untuk Pemula Jilid 1 written by Dony Novaliendry, S.Kom., M.Kom and has been published by Penerbit CV. SARNU UNTUNG this book supported file pdf, txt, epub, kindle and other format this book has been release on with Computers categories.
Buku Deep Learning Jilid 1 ini tidak mengasumsikan bahwa pembaca memiliki paparan sebelumnya yang luas terhadap jaringan saraf dan deep learning, dan dimulai dengan meninjau dasar-dasar pembelajaran mesin yang dibutuhkan untuk deep learning. Kemudian, buku ini menjelaskan bagaimana mempersiapkan data dengan membersihkannya dan memprosesnya untuk deep learning dan secara bertahap memperkenalkan jaringan saraf dan arsitektur jaringan saraf terawasi populer, seperti convolutional neural networks (CNN), recurrent neural networks (RNN), dan generative adversarial networks (GAN), dan arsitektur tak terawasi, seperti autoencoder (AE), variational autoencoder (VAE), dan restricted Boltzmann machine (RBM). Di akhir setiap bab, Anda akan memiliki kesempatan untuk menguji pemahaman konsep dan merenungkan pertumbuhan Anda sendiri.
Deep Learning Citra Medis Berbasis Pemrograman Python
DOWNLOAD
Author : Mada Sanjaya W. S., Ph.D.
language : id
Publisher: Bolabot
Release Date : 2023-08-31
Deep Learning Citra Medis Berbasis Pemrograman Python written by Mada Sanjaya W. S., Ph.D. and has been published by Bolabot this book supported file pdf, txt, epub, kindle and other format this book has been release on 2023-08-31 with Computers categories.
Dalam era modern ini, citra medis telah menjadi sumber data yang sangat penting dalam diagnosis penyakit. Namun, memahami, menganalisis, dan menginterpretasikan citra medis secara manual dapat menjadi tugas yang rumit dan memakan waktu. Inilah mengapa deep learning, dengan kemampuannya dalam mempelajari pola-pola kompleks dari data, menjadi sangat relevan dalam bidang citra medis. Buku ini dirancang untuk membantu pembaca memahami konsep dasar deep learning serta mengimplementasikannya dalam pemrograman Python. Kami akan membahas berbagai topik yang diperlukan untuk memulai perjalanan Anda dalam menerapkan deep learning pada citra medis. Pada bagian awal buku, kita akan menjelajahi dasar-dasar deep learning, termasuk jaringan saraf tiruan (neural network) dan arsitektur dasar seperti Convolutional Neural Network (CNN). Selanjutnya, kami akan melangkah ke tahap pemrosesan citra, termasuk teknik pra-pemrosesan yang diperlukan untuk meningkatkan kualitas citra medis. Setelah mempelajari dasar-dasar, kita akan beralih ke aplikasi praktis deep learning pada citra medis. Kami akan menggunakan pemrograman Python dan library seperti TensorFlow dan Keras untuk membangun dan melatih model deep learning. Beberapa aplikasi yang akan kita bahas meliputi prediksi jenis tumor otak dari citra MRI, prediksi penyakit dari citra CT scan ginjal, serta prediksi COVID-19 dari citra chest x-ray dan chest CT scan. Kami juga akan membahas prediksi tuberculosis dari citra chest x-ray, serta prediksi dan segmentasi kanker payudara dari citra ultrasound. Selama Anda menjelajahi buku ini, kami harap Anda dapat mengembangkan pemahaman yang mendalam tentang deep learning dalam citra medis dan mampu mengimplementasikannya dalam proyek-proyek nyata. Dengan memadukan pengetahuan ilmiah dengan kekuatan pemrograman Python, kita dapat meningkatkan diagnosis dan pengobatan penyakit secara signifikan.