OPAC - STMIK IM & STIE STAN IM

  • Beranda
  • Informasi
  • Berita
  • Bantuan
  • Pustakawan
  • Area Anggota
  • Pilih Bahasa :
    Bahasa Arab Bahasa Bengal Bahasa Brazil Portugis Bahasa Inggris Bahasa Spanyol Bahasa Jerman Bahasa Indonesia Bahasa Jepang Bahasa Melayu Bahasa Persia Bahasa Rusia Bahasa Thailand Bahasa Turki Bahasa Urdu

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

{{tmpObj[k].text}}
Image of Dasar-Dasar Graph Machine Learning Dan Implementasinya Menggunakan Bahasa Python
Penanda Bagikan

Text

Dasar-Dasar Graph Machine Learning Dan Implementasinya Menggunakan Bahasa Python

Dr. Ir. Yaya Heryadi, M.Sc., Cds. - Nama Orang; Dr.Ir..Ilvico Sonata.,ST.,MM.,MT.,IPM.,ASEAN ENG - Nama Orang;

Machine Learning merupakan sebuah cabang ilmu Kecerdasan Artifisial yang berfokus kepada pengembangan algoritma "cerdas" yang mampu mempelajari pola dari data yang terstruktur maupun tidak-terstruktur tanpa diprogram secara eksplisit. Menggunakan proses pembelajaran model bersifat iteratif, sebuah model Machine Learning dapat dipergunakan untuk menganalisis data berukuran sangat besar secara efisien sehingga dapat dimanfaatkan ke dalam sejumlah teknologi untuk membantu manusia menyelesaikan pekerjaan rutin yang semula dikerjakan secara manual, antara lain: mendeteksi objek di dalam citra, melakukan segmentasi citra, dan mendeteksi ujaran kebencian di dalam kalimat.
Namun demikian, algoritma Machine Learning tidak dapat diaplikasikan langsung ke dalam data berstruktur graf disebabkan oleh beberapa hal, antara lain: struktur data graf yang bersifat kompleks, tidak memiliki titik referensi, dan bersifat dinamis. Oleh karena itu, algoritma Machine Learning perlu diadaptasi agar dapat dipergunakan untuk menganalisis data graf. Publikasi yang ditulis oleh Gori, Monfardini, dan Scarselli (2005) mungkin menjadi salah satu titik awal berkembangnya Graph Machine Learning, sebuah cabang ilmu Kecerdasan Artifisial yang menggabungkan Machine Learning dan Teori Graf. Dengan menggunakan metode Graph Machine Learning, data graf dapat dianalisis pada beberapa level, yaitu (i) level vertex, misalnya: memprediksi kategori akun dari data sebuah jaringan media sosial, (ii) level edge, misalnya: memprediksi apakah seorang calon konsumen akan menyukai sebuah produk/layanan yang ditawarkan, dan (iii) level sub-graf atau graf, misalnya: memprediksi apakah subgraf hasil pembelajaran seorang mahasiswa sampai semester tertentu memiliki kemiripan dengan dengan subgraf hasil pembelajaran mahasiswa lain yang telah lulus dengan IPK tinggi atau mahasiswa dropout.


Ketersediaan
#
My Library 01.01.1120
011121
Tersedia
#
My Library 01.01.1120
011122
Tersedia
Informasi Detail
Judul Seri
-
No. Panggil
01.01.1120
Penerbit
Yogyakarta : Gava Media., 2022
Deskripsi Fisik
16x23 cm.,196 hal
Bahasa
Indonesia
ISBN/ISSN
9786235690162
Klasifikasi
NONE
Tipe Isi
-
Tipe Media
-
Tipe Pembawa
-
Edisi
edisi 1
Subjek
-
Info Detail Spesifik
-
Pernyataan Tanggungjawab
Gava Media
Versi lain/terkait

Tidak tersedia versi lain

Lampiran Berkas
Tidak Ada Data
Komentar

Anda harus masuk sebelum memberikan komentar

OPAC - STMIK IM & STIE STAN IM
  • Informasi
  • Layanan
  • Pustakawan
  • Area Anggota

Tentang Kami

Perpustakaan OPAC STMIK IM dan STIE STAN IM menyediakan akses mudah ke koleksi buku, jurnal, dan sumber digital untuk mendukung pembelajaran dan penelitian di bidang Teknologi Informasi dan Manajemen. Kami berkomitmen memberikan layanan terbaik bagi mahasiswa, dosen, dan peneliti dalam mengakses informasi akademik yang dibutuhkan.

Cari

masukkan satu atau lebih kata kunci dari judul, pengarang, atau subjek

Donasi untuk SLiMS Kontribusi untuk SLiMS?

© 2025 — Senayan Developer Community

Ditenagai oleh SLiMS
Pilih subjek yang menarik bagi Anda
  • Karya Umum
  • Filsafat
  • Agama
  • Ilmu-ilmu Sosial
  • Bahasa
  • Ilmu-ilmu Murni
  • Ilmu-ilmu Terapan
  • Kesenian, Hiburan, dan Olahraga
  • Kesusastraan
  • Geografi dan Sejarah
Icons made by Freepik from www.flaticon.com
Pencarian Spesifik
Kemana ingin Anda bagikan?