Perbedaan utama antara supervised dan unsupervised learning adalah..., Supervised tidak memerlukan label data, sedangkan unsupervised memerlukannya, Supervised menggunakan data berlabel, sedangkan unsupervised tidak, Keduanya sama-sama tidak memerlukan label data, Teknik early stopping digunakan untuk.., Menghentikan pelatihan sebelum model mulai overfitting, Meningkatkan jumlah epoch agar model lebih akurat, Menambah bobot neuron secara acak, Dalam reinforcement learning, komponen utama yang memberikan umpan balik terhadap aksi agen disebut..., Environment, Policy, Reward, Perbedaan utama antara Bayesian Network dan Markov Random Field adalah..., Bayesian Network menggunakan graf tidak berarah, sedangkan MRF berarah, Bayesian Network berarah dan merepresentasikan ketergantungan kausal, Keduanya identik secara struktural namun berbeda algoritma inferensi, Mengapa logistic regression menggunakan fungsi sigmoid?, Karena menghasilkan output kontinu, Karena mengubah output menjadi probabilitas antara 0 dan 1, Karena mempercepat perhitungan gradien, Jika bobot awal jaringan saraf diinisialisasi terlalu besar, apa yang mungkin terjadi?, Gradien menjadi terlalu kecil, Aktivasi neuron bisa jenuh (saturated), menyebabkan vanishing gradient, Model belajar lebih cepat dan akurat, Semakin besar area di bawah kurva ROC (AUC), maka..., Performa model semakin buruk, Model semakin baik dalam membedakan kelas positif dan negatif, Model tidak dapat digunakan untuk klasifikasi, Metode boosting seperti AdaBoost bekerja dengan cara..., Melatih beberapa model lemah secara berurutan dengan memperhatikan kesalahan model sebelumnya, Melatih semua model secara paralel dan menggabungkan hasilnya, Menghapus model lemah agar performa meningkat, Dalam Support Vector Machine, pemilihan kernel yang tidak sesuai dapat menyebabkan.., Model gagal menemukan hyperplane pemisah di ruang fitur, Overfitting berkurang karena margin meningkat, Model konvergen ke solusi global lebih cepat, Teorema PAC (Probably Approximately Correct) learning menjamin bahwa..., Model pasti mencapai akurasi 100% pada data uji, Dengan cukup banyak data, model akan mendekati fungsi target dengan probabilitas tinggi, Model hanya bergantung pada kompleksitas arsitektur, bukan data.

machine learning

prie
Spausdinti
Įterpti

Lyderių lentelė

Vizualinis stilius

Parinktys

Pakeisti šabloną

)
Atkurti automatiškai įrašytą: ?