Introduction to Computer Science


Dalam rangka (rencana) sekolah lagi jadi harus siap-siap belajar giat supaya tidak ketinggalan. Monggo-monggo silahkan dinikmati

Advertisements

Class Notes – Machine Learning, Lecture 1


Subject : Machine Learning (CS 229)
Instructor : Prof. Andrew Ng

machine learning

  • come as part of Artificial Intelligence research
  • Used to solve problem which difficult to be manually programmed
  • Used for data mining

Indirect use of Machine Learning on our daily life :

  • US Mail – to read zip code on envelope
  • Check – to read money number
  • Amazon, ebay, netflix – Suggest product
  • Understanding Human Genome

prerequisite, know about:

  • Big O
  • Basic Data structure (Queue, Stack, Binary search)
  • programming
  • Basic probability and statistics
  • Basic Linear Algebra especially using matrix

Machine Learning Definition :

  • Field of Study that gives computer the ability to learn without being explicitly programmed (Arthur Samuel, 1959)
  • Well Posed learning problem. A Computer program is said to learn from experience E with some respect to some task T and some performance measure P if its performance on T, as measured by P improves with experience E

Machine Learning Classification :

  • Supervised Learning : supervise the algorithm by providing data to it.
  • Learning Theory
  • Unsupervised Learning :  give data to algorithm and let them find interesting structure from data
  • Reinforced Learning : Give algoritm reward when it right and punishment when it wrong. Application Sample : autopilot helicopter

Application of Unsupervised Learning

  • Organize Computer Cluster
  • Social Network Analysis
  • Market Segmentation
  • Astronomical Data analysis
  • Computer Vision / Computer image processing (build 3D view from single still image)

Cocktail party problem : lots of people talking to each other how to just hear from people that you want to hear or in the other way filtering noises.

Computer Science Technical Report Collection


University Official Channel on Youtube.com


Karena di youtube kelihatannya gak adalah halaman yang membuat daftar Channel resmi berbagai universitas, akhirnya buat daftar sendiri. semoga suatu saat bisa didownload semua dishare diserver lokal kampus:)

Tentang ARIMA


“Preeet…… posting opo to kowe ki???”, yayaya saya tau anda pasti akan komen seperti itu, tapi gak papa, sembari menunggu mood nulis skripsi mengingat apa yang sudah dipelajari tentang ARIMA dan hasil tanya ke bos saya di lab(ya, bos saya dilab adalah pakar ekonometrika, just my luck). ndak papa kalau ndak mau baca, tapi gak usah ribut, ini sekedar untuk catatan pengingat gw sendiri.

ARIMA (Autoregressive Integrated Moving Average) terdiri atas dua metode yang digabung menjadi satu yaitu AR(Autoregressive) dan MA(Moving Average). kalau anda ketemu dengan ARIMA biasanya dibelakangnya terdapat keterangan mengenai model yang digunakan misal ARIMA(2,1,2) atau ARIMA(1,0,1) dan sebagainya. Angka pertama menunjukkan derajat (wah bingung mau pake istilah apa, dibukunya studenmund ditulis term, di Thesis anak MAKSI UNDIP dia pake kata orde koefisien) AR angka kedua derajat integrasi, angka ketiga derajat MA. biasanya modelnya ditulis ARIMA (p,d,q) ya p,d,q berturut-turut seperti keterangan sebelumnya.

Ketika kita punya data time series pertama kali dicek stasionaritasnya, kalau datanya non-stasioner bisa didiferensiasi sampe stasioner, jadi bukan cuma didiferensiasi satu kali atau dua kali. “lha kalau sudah stasioner gimana?”, nek udah stasioner ya udah to tinggal diolah, gitu aja kok repot. he he he. terus ngecek stasionernya gimana? anda bisa pake Box-Ljung test atau Dickey-Fuller test(sekarang saya belum belajar ini, nanti kalau udah mudheng saya tulis disini, insya ALLAH). Lha misalnya kita melakukan diferensiasi dua kali angka “2” mengganti huruf “d” pada model ARIMA kita. misalnya : ARIMA (p,2,q), ARIMA (p,1,q) dsb. “p sama q nya gimana???”, sek to sabar, ini kan baru nyari orde koefisien integrasi. kalau anda pakar matematika atau kalau pelajaran matematika gak tidur atau baca buku cerita kayak saya, pasti tau cara melakukan diferensiasi. yang lupa atau pura-pura lupa padahal gak tau ya gak papa. diferensiasi(diferensiasi ini sama dengan turunan kan?) itu selisih nilai pada saat t dengan nilai sebelumnya (t-1). lha diferensiasi kedua gimana ya sama tapi selisih nilai saat t*(t setelah diferensiasi pertama) dengan t-1* (t-1 setelah diferensiasi pertama). sederhananya gini :

Yt*=Y(t)-Y(t-1)

Maaf saya kasih tanda dalam kurung biar jelas bahwa itu adalah t dan t-1

untuk diferensiasi kedua :

Yt** = Y(t)*- Y(t-1)*

Untuk menentukan nilai p dan q kita pake ACF(Autocorrelation Function) dan PACF (Partial AutoCorrelation Function). dari sini nanti kita bisa nggambar correlogram dan dari situ akan kelihatan pada tingkat kepercayaan 95% misalnya sampe data keberapa yang signifikan. Cara ngitung ACF dan PACF nya besok ya belum paham soalnya. nilai ACF akan dipake untuk ngisi bagian q, sementara nilai PACF akan dipake untuk ngisi p. bisa saja data kita signifikan di beberapa titik jadi model yang kita dapat bisa beragam dan dari beberapa model tersebut kita harus cari yang paling bagus untuk dipake melakukan prediksi.

kalau hasilnya nanti misalnya ARIMA (1,0,0) artinya dia cuma AutoRegressive(AR), AR(1). kalau ARIMA (0,0,1) artinya dia cuma Moving Average(MA),MA(1). kalau misalnya ARIMA (1,0,1) berarti dia ARMA(1,1). Ok sekian dulu. saatnya baca-baca dan tulis-tulis yang lain. selamat berakhirpekan.