[PDF] Machine Learning Menggunakan Pemrograman Python 3 - eBooks Review
Home eBooks Download › machine learning menggunakan pemrograman python 3

Machine Learning Menggunakan Pemrograman Python 3


Machine Learning Menggunakan Pemrograman Python 3
DOWNLOAD

Download Machine Learning Menggunakan Pemrograman Python 3 PDF/ePub or read online books in Mobi eBooks. Click Download or Read Online button to get Machine Learning Menggunakan Pemrograman Python 3 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 Menggunakan Pemrograman Python 3


Machine Learning Menggunakan Pemrograman Python 3
DOWNLOAD
Author : Mada Sanjaya W. S., Ph. D.
language : id
Publisher: Bolabot
Release Date : 2021-09-01

Machine Learning Menggunakan Pemrograman Python 3 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 2021-09-01 with Computers categories.


Buku ini terdiri dari tiga belas bab, yaitu: Bab 1 membahas Pengenalan Software Python 3. Bab 2 membahas Dasar Pemrograman Python 3. Bab 3 membahas Pemrograman Operasi Matriks menggunakan Numpy. Bab 4 membahas Visualisasi Data menggunakan Matplotlib. Bab 5 membahas Dasar Machine Learning untuk Klasifikasi Data. Bab 6 membahas Dasar Machine Learning untuk Regresi Data. Bab 7 membahas Supervised Machine Learning pada Prediksi Tipe Bunga Iris. Bab 8 membahas Unsupervised Machine Learning pada Klustering Tipe Bunga Iris. Bab 9 membahas Supervised Machine Learning pada Prediksi Harga Saham. Bab 10 membahas Machine Learning untuk Speech Recognition. Bab 11 membahas Machine Learning untuk Color Recognition. Bab 12 membahas Machine Learning untuk Face Recognition serta Penerapannya pada Sistem Keamanan. Bab 13 membahas Machine Learning untuk Expresssion Recognition serta Penerapannya pada Robot Sosial. Bab 14 membahas penerapan Machine Learning pada Penerjemah Bahasa Isyarat. Bab 15 membahas penerapan Machine Learning pada Penentuan Arah Kiblat suatu lokasi.



Fisika Komputasi Berbasis Machine Learning Dengan Pemrograman Python


Fisika Komputasi Berbasis Machine Learning Dengan Pemrograman Python
DOWNLOAD
Author : Mada Sanjaya W. S., Ph.D.
language : id
Publisher: Bolabot
Release Date : 2024-12-31

Fisika Komputasi Berbasis Machine Learning Dengan 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 2024-12-31 with Computers categories.


Buku ini dibagi menjadi beberapa bab yang mencakup dasar-dasar fisika komputasi, konsep machine learning, implementasi Python, hingga aplikasi nyata seperti simulasi gerak partikel, optimasi sistem fisika, dan prediksi berbasis data. Setiap bab disusun dengan pendekatan yang terstruktur dan disertai dengan contoh implementasi program Python agar pembaca dapat memahami konsep secara praktis dan aplikatif.



Machine Learning Dan Deep Learning Konsep Dan Pemrograman Python


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.



Machine Learning Menggunakan Python


Machine Learning Menggunakan Python
DOWNLOAD
Author : Chastine Fatichah
language : id
Publisher: Penerbit Andi
Release Date : 2025-07-15

Machine Learning Menggunakan Python written by Chastine Fatichah and has been published by Penerbit Andi this book supported file pdf, txt, epub, kindle and other format this book has been release on 2025-07-15 with Computers categories.


Pembelajaran mesin (Machine Learning) merupakan cabang ilmu dari Kecerdasan Artifisial (Artificial Intelligence) yang fokus pada pengembangan metode atau teknik pembelajaran berdasarkan data. Pembelajaran mesin mempunyai kemampuan untuk mengenali pola, memperbaiki kesalahan, dan memberikan hasil dalam proses yang kompleks dan sangat cepat dengan ribuan data. Hal ini penting, karena banyak perusahaan memiliki terlalu banyak informasi yang perlu dikelola, dievaluasi, dan diklasifikasi untuk mencapai tujuan bisnis. Banyak perusahaan menerapkan pembelajaran mesin dalam operasional proses bisnis untuk menghemat waktu dan mengoptimalkan hasil. Penerapan pembelajaran mesin telah dilakukan pada berbagai bidang seperti kesehatan, keamanan, keuangan, pendidikan,industri, dan pertanian.



Pengenalan Praktis Supervised Machine Learning Dengan Jupyter Notebook


Pengenalan Praktis Supervised Machine Learning Dengan Jupyter Notebook
DOWNLOAD
Author : Yudha Nurdin, Khairun Saddami, Nasaruddin
language : id
Publisher: USK Press
Release Date : 2025-03-26

Pengenalan Praktis Supervised Machine Learning Dengan Jupyter Notebook written by Yudha Nurdin, Khairun Saddami, Nasaruddin and has been published by USK Press this book supported file pdf, txt, epub, kindle and other format this book has been release on 2025-03-26 with Education categories.


Buku ajar ini disusun sebagai pendukung beberapa mata kuliah di antaranya Kecerdasan Artifisial, Machine Learning, dan Deep Learning untuk memberikan pemahaman dasar bagi mahasiswa/i tentang teknik pembelajaran mesin terawasi menggunakan Jupyter Notebook. Supervised machine learning atau pembelajaran mesin terawasi merupakan salah satu metode yang banyak digunakan dalam berbagai aplikasi, mulai dari analisis data hingga pengembangan kecerdasan artifisial. Dengan Jupyter Notebook, pengguna dapat memanfaatkan lingkungan interaktif untuk mengembangkan dan mengeksplorasi model machine learning dengan mudah dan efisien. Buku ajar ini diawali dengan konsep dasar supervised machine learning, gambaran praktis hingga penerapannya menggunakan Jupyter Notebook. Dalam pembahasannya, kami menyajikan contoh-contoh sederhana yang dapat diikuti oleh pemula untuk memulai eksplorasi lebih lanjut dalam bidang ini. Kami berharap buku ini dapat memberikan manfaat bagi pembaca yang tertarik dalam dunia pembelajaran mesin, khususnya yang ingin memahami dasar-dasar penggunaan Jupyter Notebook dalam implementasi model-model supervised machine learning.



Bahasa Pemrograman Python


Bahasa Pemrograman Python
DOWNLOAD
Author : Siti Maesaroh
language : id
Publisher: Sada Kurnia Pustaka
Release Date : 2024-05-30

Bahasa Pemrograman Python written by Siti Maesaroh and has been published by Sada Kurnia Pustaka this book supported file pdf, txt, epub, kindle and other format this book has been release on 2024-05-30 with Computers categories.


Python adalah bahasa pemrograman tingkat tinggi yang dirancang dengan filosofi yang menekankan keterbacaan kode dan sintaks yang bersih. Dibuat oleh Guido van Rossum dan dirilis pertama kali pada tahun 1991, Python telah berkembang menjadi salah satu bahasa pemrograman yang paling populer di dunia. Python adalah bahasa pemrograman yang sering digunakan dalam pengembangan aplikasi web, perangkat lunak, ilmu data, dan machine learning (ML). Para pengembang memilih Python karena efisiensinya, kemudahan belajar, dan kemampuannya berjalan di berbagai platform. Python dapat diunduh secara gratis, terintegrasi dengan baik ke semua jenis sistem, dan mempercepat proses pengembangan. Buku ini disusun secara sistematis untuk memudahkan pembaca memahami konsep dasar hingga teknik-teknik lanjutan dalam pemrograman Python yang terdiri dari: pengenalan python, variabel dan tipe data, operator, fungsi, input dan output, struktur data lanjutan, file handling, paket standar python, pemrograman fungsional, concurrency, GUI programming, web development, data science dan machine learning, testing dan debugging serta penggunaan python untuk pengembangan aplikasi.



Pemrograman Dasar Python 3 0


Pemrograman Dasar Python 3 0
DOWNLOAD
Author : Dr. Abdiansah, S.Kom., M.CS.
language : id
Publisher: Bening Media Publishing
Release Date :

Pemrograman Dasar Python 3 0 written by Dr. Abdiansah, S.Kom., M.CS. and has been published by Bening Media Publishing this book supported file pdf, txt, epub, kindle and other format this book has been release on with Computers categories.


Buku ini berisi materi teori dan praktik untuk belajar bahasa pemrograman Python versi 3. Meskipun masih banyak yang menggunakan Python versi 2, tetapi dukungan untuk Python versi 2 secara resmi sudah mulai dikurangi. Sasaran buku ini adalah para pemula yang belum pernah belajar bahasa pemrograman sama sekali, atau yang sudah pernah punya pengalaman belajar bahasa pemrograman lain tapi belum pernah mencoba Python.



Buku Ajar Machine Learning


Buku Ajar Machine Learning
DOWNLOAD
Author : Satrio Junaidi
language : id
Publisher: PT. Sonpedia Publishing Indonesia
Release Date : 2024-02-19

Buku Ajar Machine Learning written by Satrio Junaidi 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 2024-02-19 with Education categories.


Buku Ajar Machine Learning ini disusun sebagai buku panduan komprehensif yang menjelajahi kompleksitas dan mendalamnya tentang ilmu teknologi sistem informasi. Buku ini dapat digunakan oleh pendidik dalam melaksanakan kegiatan pembelajaran di bidang ilmu machine learning dan diberbagai bidang Ilmu terkait lainnya. Buku ini dapat digunakan sebagai panduan dan referensi mengajar mata kuliah Medikal mechine learning dan menyesuaikan dengan Rencana Pembelajaran Semester tingkat Perguruan Tinggi masing-masing. Secara garis besar, buku ajar ini pembahasannya mulai dari pengenalan machine learning, data dalam machine learning, tipe-tipe machine learning, tahapan machine learning, supervised learning : linear regression, K-NN, naïve bayes dan decision tree (pyhton), unsupervised learning : k-means, association rule : apriori algorithm. Selain itu materi mengenai supervised learning: backpropagation neural network (python) juga di bahas secara mendalam. Buku ajar ini disusun secara sistematis, ditulis dengan bahasa yang jelas dan mudah dipahami, dan dapat digunakan dalam kegiatan pembelajaran.



Belajar Mudah Dan Singkat Machine Learning


Belajar Mudah Dan Singkat Machine Learning
DOWNLOAD
Author : Kusnawi
language : id
Publisher: Penerbit Andi
Release Date : 2024-06-13

Belajar Mudah Dan Singkat Machine Learning written by Kusnawi and has been published by Penerbit Andi this book supported file pdf, txt, epub, kindle and other format this book has been release on 2024-06-13 with Computers categories.


Dalam era di mana data telah menjadi aset paling berharga, kemampuan untuk menggali wawasan berharga dari data tersebut melalui machine learning telah menjadi suatu keharusan. Buku ini dirancang dengan tujuan untuk mengatasi hambatan-hambatan yang seringkali membuat pembelajaran tentang machine learning terasa kompleks dan sulit dipahami. Dengan pendekatan yang jelas, sederhana, dan disertai studi kasus nyata, buku ini mengajak Anda untuk memahami konsep-konsep dasar serta langkah-langkah praktis dalam mengaplikasikan machine learning.



Seven Books In One Sinyal Digital Citra Digital Machine Learning Deep Learning Dan Data Science Dengan Python Gui


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.