Pengantar Deep Learning: Algoritma dan Studi Kasus
Ermatita; dkk
Telah di baca oleh 0 pemustaka, dengan total durasi baca 00:00:00
Deskripsi Buku
Buku Pengantar Deep Learning Algoritma dan Studi Kasus dirancang sebagai panduan komprehensif untuk memahami konsep dan implementasi deep learning Buku ini sangat cocok untuk mahasiswa peneliti dan praktisi yang ingin mendalami Deep Learning secara teori dan praktik Buku ini adalah buku ajar yang mata kuliah deep learning Bahasan pokok dari buku ini antara lain Pendahuluan Convolutional Neural Network MobileNets Inception VGG ResNet Optimasi Model Evaluasi Kinerja dan Beberapa Studi Kasus yang masing masing dijelaskan dari segi konsep dan cara kerjanya Buku ini juga membahas teknik optimasi model seperti Dropout L2 Regularization Batch Normalization dan Data Augmentation yang dirancang untuk membantu pembaca meningkatkan performa model Pada bagian evaluasi kinerja pembaca akan mempelajari metrik metrik utama seperti akurasi precision recall F1 score dan confusion matrix yang sangat penting untuk mengevaluasi keberhasilan model Keunggulan utama buku ini adalah studi kasus praktis menggunakan dataset CIFAR 10 Pembaca akan dipandu melalui proses pengembangan model mulai dari persiapan dataset pembuatan arsitektur model hingga evaluasi dan finalisasi model Beberapa studi kasus lain juga membahas pengembangan model baseline penerapan regularisasi hingga teknik peningkatan performa menggunakan kombinasi metode Buku "Pengantar Deep Learning: Algoritma dan Studi Kasus" dirancang sebagai panduan komprehensif untuk memahami konsep dan implementasi deep learning. Buku ini sangat cocok untuk mahasiswa, peneliti, dan praktisi yang ingin mendalami Deep Learning secara teori dan praktik. Buku ini adalah buku ajar yang mata kuliah deep learning. Bahasan pokok dari buku ...ini antara lain Pendahuluan, Convolutional Neural Network, MobileNets, Inception, VGG, ResNet, Optimasi Model, Evaluasi Kinerja dan Beberapa Studi Kasus, yang masing-masing dijelaskan dari segi konsep dan cara kerjanya. Buku ini juga membahas teknik optimasi model seperti Dropout, L2-Regularization, Batch Normalization, dan Data Augmentation yang dirancang untuk membantu pembaca meningkatkan performa model. Pada bagian evaluasi kinerja, pembaca akan mempelajari metrik-metrik utama seperti akurasi, precision, recall, F1-score, dan confusion matrix, yang sangat penting untuk mengevaluasi keberhasilan model. Keunggulan utama buku ini adalah studi kasus praktis menggunakan dataset CIFAR-10. Pembaca akan dipandu melalui proses pengembangan model, mulai dari persiapan dataset, pembuatan arsitektur model, hingga evaluasi dan finalisasi model. Beberapa studi kasus lain juga membahas pengembangan model baseline, penerapan regularisasi, hingga teknik peningkatan performa menggunakan kombinasi metode.
