Midnight Maranatha Infinite Discoveries at Night
[[index	Home]]/Semester 4/Kecerdasan Mesin

Pertemuan 9 - Support Vector Machines

Transclude of pertemuan-9

Pertemuan 10 - Decision Tree

Kecerdasan Mesin - Pertemuan 10

Decision Tree

Kelemahan utama dari Decision Tree adalah overfitting

Nilai Gini besar = Ketidakmurniannya (Impurity) besar

Semakin kecil nilai Gini, maka peluang untuk memurnikan suatu keputusan itu semakin besar —> Kemampuan pemisahannya akan semakin tinggi

Nilai Gini = 0, artinya sangat murni sekali

Nilai Gini harus menurun setiap kali terjadi percabangan

Kedalaman pohon akan berlanjut semakin banyaknya kelas

Pada kasus ini, class setosa murni tidak bisa diganggu gugat, jika petal length (cm) $\le$ 2.45 sudah pasti pasti setosa

Jika ingin membuat classifier yang dapat menentukan arah keputusan dan mempertanggunjawabakna arah keputusan, Tree adalah algoritmanya

Jadi setiap keputusan itu kelihatan langsung alasannya

Ini disebut dengan White Box

Kita dapat mengestimasikan probabilitas kelas dengan menggunakan fungsi predict_proba()

Dalam Sckit-Learn, secara default, algoritma yang digunakan adalah CART, yang secara default akan membangun binary-tree

Pemisahan tree, jika misal kita memiliki N1, N2, N3, Decision
maka Tree paling atas akan menggunakan N1, lalu berikutnya menggunakan N2, dst…

Parameter lain: Entropy
Sebenarnya mirip dengan Gini, secara rumus, hanya berbeda di $lo{g}_2$ $P_{i,k}$

Dari nilai Entropy 0.9911 awalnya, ini artinya mixing datanya sangat besar sekali
Hair Length $\le$ 5, angka 5 didapat dari nilai median panjang rambut (Hair Length)

Lalu berikutnya setelah pemisahan berdasarkan panjang rambut, masih terjadi percampuran, 0.8113 masih cukup besar, masih ada 1 Female yang masuk, dan 0.9710, artinya percampurannya malah lebih parah

Nilai yang penting adalah Entropy dan Gini

Bagaimana jika atribut yang digunakan adalah Weight:

Bagaimana jika atribut yang digunakan adalah Age?

Jadi, parameter terbaik untuk root adalah Weight

Tree itu sangat sensitif terhadap overfitting, cenderung tidak berlaku lagi jika datanya berubah, dan sangat rentan terhadap perubahan, karena Gini dan Entropy berubahah, Treshold juga berubah jika kita memasukkan data baru misalnya

Tree itu paling jelas, paling transparan, mengapa suatu keputusan itu diambil, meski sangat rentan terhadap overfitting

Perbedaan Gini vs Entropy:

Tree itu mudah untuk dibentuk dan digunakan, tetapi bahaya yang paling besar dari tree itu adalah overfitting

bagaimana kita menghasilkan pohon yang lebih general? yang lebih bisa digunakan untuk lebih banyak macam kasus?

Sebenarnya Entropy itu sama saja dengan Gini jika Pi dikuadratkan dan log dihapus

Hyperparameter Regularisasi Decision Tree

Agar pohon kita tidak terlalu overfit (ada errornya), maka caranya adalah dengan kita mengurangi kedalaman pohon

Hyperparameter penting dalam tree:

Jika area tidak diberikan restriction:

Ada area yang sangat eksklusif, pemisahan pada model yang no_restriction, itu sampai sangat detail sekali, ini artinya terjadi overfitting

Regression Tree

Tree bukan hanya klasifikasi, tapi bisa juga melakukan regresi

Semakin tidak murni, ia akan menjadi pemisah yang paling bawah

Terlihat jika tidak ada restriction, Tree memisahkan sampai ke detail-detail terkecil, itu adalah ciri-ciri overfitting

Max_depth

Jika terlihat detail-detail kecil, itu kemungkinan besar terjadi overfitting

Pilih Decision Boundaries yang lebih menguntungkan, pada kasus ini menggunakan garis horizontal/garis vertikal

kita perlu memiliki nilai acuan yang sama saat bereksperimen, misal random_state=42, ini perlu sama

fun fact

Angka random_state bebas bulat, angka 42 hanya karena pembuatnya suka dengan angka itu

Misalnya untuk membandingkan 2 algoritma, maka agar training dan testingnya sama antar 2 algoritma, maka random_state harus sama agar datanya tidak ngacak, jika tidak sama, maka metrik yang dihasilkan tidak fair/tidak seimbang

Link to original

Pertemuan 11 - Argos Club

Kecerdasan Mesin - Workshop Argos Club

Workshop: Argos Club - The IO Foundation

anu

Quote

“I’d love to change the world” but “they won’t give me the source code”

Objective:

• Understand the Argos Clob and it’s services

anjer cepet banget cok, aku masih lemes

What is an Argos Club? idk

Why should i join? nah, no

• Learn new technologies and complement your stuides
• Gaind exposure to cutting-edge topics
• Try new thing without worries of breaking anything
• Good practices handing is real case senarios
• Build and expand your professional network
• Become part of the TechUp Community

Club Structure

Comittee	Member	Adm
President Vice President Secretary Treasurer IT Admin	Students Alumni (?)	Host Org Reps Mentors Club Reps TIOF Reps

Club Architecture

ga kebaca wak, kecil banget

Club Services

Promptforge Lab

• AMD Ryzen AI 9 HX 370
• AMD Radeon 890M
• 32GB DDR5
• 2TB SSD
• Expansion?

Uses:

• Virtualization
• AI
• Networking
• Cybersecurity
• DCDR Framework
• SDOs (Standard Developing Organization) and ProtocolWatch

Ketika kita berpikir untuk membuat/membeli suatu teknologi kita berpikir bahwa itu adalah ide bagus

• Misalnya kita telah menciptakan Dog Food yang kita rasa bagus, tapi apakah kita telah bertanya pada dog itu? ide bagus itu hanya berada pada kita saja sebenarnya

Sebuah teknologi maju cenderung tidak dapat dibedakan dengan Magic/ajaib

Tapi kita ingin untuk mengerti bagaimana itu bekerja? banyak orang tidak begitu peduli bagaimana itu bekerja, it just works, seperti magic

Misal jika kita membeli NeuraLink dan sebuah tangan yang bisa mengambilkan minum untuk kita? apa bedanya dengan sihir?

Misalnya ketika kita menggunakan LLM, kita tidak begitu peduli teknologi apa yang ada di bawahnya, kita mungkin menganggapnya sebagai “Genies” (Jin)

Tapi apapun itu, jika kita tidak tau cara untuk menggunakan suatu benda, tidak tau cara melakukan prompting, tidak tau cara mengucapkan magic spell jika itu adalah sihir, hasilnya tidak akan sesuai dengan yang kita inginkan

Kebanyakan teknologi akan kita kendalikan melalui suara/pikiran kita

Roadmap Services

	Manage	Play With
Apps	(Partially)	Launch
VMs	Q3	Launch
Proxmox	Q3/Q4	Q3
Machine	?	?

Coming Up

Services

• Task Repository
• LMS
• Member Dashborad
• Club Microsite
• Club Dashboard
• Rewards Mechanism
• TechUp Virtual community

Activities

• Training
• Competitions
• Guests
• Events

(and much more, actually) — but tbh i’m not interested

Basic Concept

• Credentials vs Passwords
• Authentication
• The 3 Somethings
  • Someting that I know (password, question like “what was the name of my first pet?”)
  • Something that I am (Face, Fingerprint ---- Biometrics)
  • Something that I own (devices: Phones, Laptops, etc)
• Password Safe
• Wallets

information are stolen because the person is tricked

• Sumber data pencurian informasi bisa dari Search Engine, Media sosial, dsb

Kita bisa tetap bertanggung jawab dengan kredensial yang kita punya, dan tidak menjadikan kita sendiri sebagai titik terlemahnya

• Bagaimana kita juga tidak mengetahui password, tetapi kita tau bagaimana cara menemukannya

Introduction to Vaultwarden

• Overview
• Vaultwarded | Bitwarden
• Client Installation
• User Interface

Bitwarden sempat punya versi komunitas setidaknya sampai zaman covid 2019
sejak 2020, versi komunitas dihilangkan, untuk fokus pada versi enterprise, agar bisa menggunakan cloud milik Bitwarden

Vaultwarden as the backend, Bitwarden as the client
Client dapat kompatibel dengan kedua backend (bitwarden backend dan Vaultwarden backend) karena backendnya dibuat kompatibel

Cybersecurity Posture —> Paranoia —> Berpikir semua cara bagaimana penyerang/attacker dapat membobol keamanan siber

Best case scenario —> 95% case yang diprediksi tidak terjadi

We don’t know what we don’t know —> Unknown’s unknown
Adalah hal yang harus kita persiapkan

Link to original

Pertemuan 12 - Ensemble Learning

Transclude of pertemuan-12---ensemble-learning

Pertemuan 13 - Dimensionality Reduction

Transclude of pertemuan-13---dimensionality-reduction

Pertemuan 14 - Unsupervised Learning Technique

Transclude of pertemuan-14---unsupervised-learning-technique

Tugas Besar - Guide

Overview Tugas Besar

Transclude of tugas-besar

Submisi Tugas Besar