MEDIUM_Buku Catatan
Repositori yang berisi buku catatan postingan saya di MEDIUM.
Untuk mendapat pemberitahuan setiap kali postingan baru diterbitkan, BERLANGGANAN DI SINI .
Postingan diurutkan berdasarkan tanggal penerbitan terbaru
- Proxy SHAP: Mempercepat Penjelasan dengan Model yang Lebih Sederhana [posting] [kode]
- Perkiraan Rangkaian Waktu di Era GenAI: Jadikan Peningkatan Gradien Berperilaku seperti LLM [posting] [kode]
- Panduan Hitchhiker untuk MLOps untuk Perkiraan Rangkaian Waktu dengan Sklearn [post]|[code]
- Mencapai Peramalan Waktu: Cara Lain untuk Peramalan Probabilistik Rangkaian Waktu [post]|[code]
- Peramalan dengan Kausalitas Granger: Memeriksa Korelasi Palsu Rangkaian Waktu [post]|[code]
- Inferensi Kausal Peretasan: Kontrol Sintetis dengan pendekatan ML [post]|[code]
- Pemilihan Model dengan Data Ketidakseimbangan: Hanya AUC yang Tidak Menyelamatkan Anda [posting]|[code]
- PCA untuk Rangkaian Waktu Multivariat: Perkiraan Data Dinamis Dimensi Tinggi [post]|[code]
- Signifikansi Statistik Peretasan: Pengujian Hipotesis dengan Pendekatan ML [post]|[code]
- Peramalan Rangkaian Waktu dengan Interval Prediksi Konformal: Scikit-Learn adalah Semua yang Anda Butuhkan [post]|[code]
- Memikirkan Kembali Analisis Kelangsungan Hidup: Cara Membuat Model Anda Menghasilkan Kurva Kelangsungan Hidup [post]|[code]
- Prediksi Churn Ekstrim: Perkiraan Tanpa Fitur [post]|[code]
- Rangkaian Waktu Perkiraan dengan Nilai yang Hilang: Melampaui Interpolasi Linier [post]|[code]
- Peramalan Ketidakpastian dengan Model Linier seperti pada Deep Learning [post]|[code]
- Perkiraan Rangkaian Waktu dengan Pemilihan Fitur: Mengapa Anda mungkin memerlukannya [posting]|[code]
- Deteksi Anomali dalam Rangkaian Waktu Multivariat dengan Grafik Jaringan [post]|[code]
- Cara Meningkatkan Peramalan Rangkaian Waktu Rekursif [post]|[code]
- Melatih kembali, atau tidak Melatih kembali? Pembelajaran Mesin Online dengan Peningkatan Gradien [posting]|[kode]
- Penjelasan Penyimpangan Data: Deteksi Pergeseran yang Dapat Ditafsirkan dengan NannyML [post]|[code]
- Word2Vec dengan Time Series: Pendekatan Pembelajaran Transfer [posting]|[kode]
- SHAP untuk Deteksi Drift: Pemantauan Pergeseran Data yang Efektif [post]|[code]
- Peramalan dengan Pohon: Pengklasifikasi Hibrid untuk Rangkaian Waktu [post]|[code]
- Boruta SHAP untuk Pemilihan Fitur Temporal [post]|[code]
- Peramalan dengan Pohon: Pemodelan Hibrid untuk Rangkaian Waktu [post]|[code]
- Pemilihan Fitur Rekursif: Penambahan atau Penghapusan? [postingan]|[kode]
- Meningkatkan Random Forest dengan Model Linier [post]|[code]
- Apakah Peningkatan Gradien bagus sebagai Nabi untuk Perkiraan Rangkaian Waktu? [postingan]|[kode]
- Peningkatan Linier dengan Rekayasa Fitur Otomatis [post]|[code]
- Meningkatkan Regresi Linier untuk Peramalan Rangkaian Waktu [post]|[code]
- Boruta dan SHAP untuk Pemilihan Fitur yang lebih baik [post]|[code]
- AI yang dapat dijelaskan dengan Pohon Linear [posting]|[kode]
- SHAP untuk Pemilihan Fitur dan Penyetelan HyperParameter [post]|[code]
- Model Tree: menangani Pergeseran Data yang menggabungkan Model Linier dan Pohon Keputusan [post]|[code]
- Tambahkan Interval Prediksi ke Model Peramalan Anda [post]|[code]
- Pohon Linier: perpaduan sempurna antara Model Linier dan Pohon Keputusan [posting]
- ARIMA untuk Klasifikasi dengan Soft Labels [post]|[code]
- Pentingnya Permutasi Tingkat Lanjut untuk Menjelaskan Prediksi [post]|[code]
- Bootstrap Time Series di era Pembelajaran Mendalam [post]|[code]
- Deteksi Anomali dengan Analisis Nilai Ekstrim [post]|[code]
- Pembuatan Time Series dengan VAE LSTM [posting]|[code]
- Pemrosesan Awal Rangkaian Waktu Peristiwa Ekstrem [posting]|[kode]
- Jaringan Neural Satu Kelas di Keras [post]|[code]
- Deteksi Anomali Rangkaian Waktu Nyata [posting]|[kode]
- Penerapan Entropi di Pasar Saham [post]|[code]
- Pemulusan Rangkaian Waktu untuk Peramalan yang lebih baik [posting]|[code]
- Pemulusan Rangkaian Waktu untuk Pengelompokan yang lebih baik [posting]|[code]
- Pemeliharaan Prediktif dengan ResNet [post]|[code]
- Ensemble Jaringan Neural [posting]|[kode]
- Deteksi Anomali pada Rangkaian Waktu Multivariat dengan VAR [post]|[code]
- Corr2Vec: arsitektur WaveNet untuk Rekayasa Fitur di Pasar Keuangan [post]|[code]
- BERT Siam dan Ganda untuk Klasifikasi Multi Teks [post]|[code]
- Peramalan Rangkaian Waktu dengan Grafik Convolutional Neural Network [post]|[code]
- Kalibrasi Jaringan Neural dengan Keras [post]|[code]
- Gabungkan LSTM dan VAR untuk Peramalan Rangkaian Waktu Multivariat [post]|[code]
- Pentingnya Fitur dengan Rangkaian Waktu dan Jaringan Neural Berulang [post]|[code]
- Group2Vec untuk Pengkodean Kategoris Tingkat Lanjut [posting]|[kode]
- Analisis Kelangsungan Hidup dengan Pembelajaran Mendalam di Keras [post]|[code]
- Analisis Kelangsungan Hidup dengan LightGBM plus Regresi Poisson [posting]|[kode]
- Pemeliharaan Prediktif: mendeteksi Kesalahan dari Sensor dengan CRNN dan Spektogram [post]|[code]
- Dropout Multi-Sampel di Keras [post]|[code]
- Ketika Neural Net Anda tidak mengetahuinya: pendekatan bayesian dengan Keras [post]|[code]
- Penyematan Meta Dinamis di Keras [post]|[code]
- Pemeliharaan Prediktif dengan Jaringan Siam LSTM [post]|[code]
- Augmentasi Data Teks membuat model Anda lebih kuat [post]|[code]
- Deteksi Anomali dengan Permutasi Undersampling dan Ketergantungan Waktu [post]|[code]
- Time2Vec untuk fitur Time Series mengkodekan [post]|[code]
- Otomatiskan Pembersihan Data dengan Pembelajaran Tanpa Pengawasan [post]|[code]
- Pelacakan Orang dengan Machine Learning [posting]|[code]
- Pengelompokan Rangkaian Waktu dan Pengurangan Dimensi [posting]|[kode]
- Deteksi Anomali pada Gambar [post]|[code]
- Pentingnya Fitur dengan Neural Network [post]|[code]
- Deteksi Anomali dengan LSTM di Keras [post]|[code]
- Segmentasi Pakaian dengan Autoencoder di Keras [post]|[code]
- Perkiraan Peristiwa Ekstrim dengan LSTM Autoencoders [post]|[code]
- Rekomendasi dan Penandaan Gaun Zalando [posting]|[code]
- Estimasi Sisa Hidup dengan Keras [post]|[code]
- Kontrol Kualitas dengan Machine Learning [postingan]|[code]
- Pemeliharaan Prediktif: mendeteksi Kesalahan dari Sensor dengan CNN [post]|[code]
