› › Tumor Otak Analisis Klasifikasi Dan Deteksi Menggunakan Machine Learning Dan Deep Learning Dengan Python Gui

TUMOR OTAK: Analisis, Klasifikasi, dan Deteksi Menggunakan Machine Learning dan Deep Learning dengan Python GUI

Author : Vivian Siahaan

Publisher : BALIGE PUBLISHING

Page : 204 pages

File Size : 45,83 MB

Release : 2021-08-13

Category : Computers

ISBN :

Get eBook

Book Description

Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “BRAIN TUMOR: Analysis, Classification, and Detection Using Machine Learning and Deep Learning with Python GUI”. Anda dapat menemukannya di Google Books dan Amazon. Tentu, Anda telah banyak menjumpai buku-buku yang memberikan pemahaman fundamental dan teoritis yang berkaitan dengan Machine Learning dan Deep Learning. Berbeda dari buku-buku tersebut, buku ini diperuntukkan bagi Anda yang ingin mengupas data science, khususnya Machine Learning dan Deep Learning, dengan secara langsung mempraktekkannya dalam sebuah proyek. Hal ini akan meningkatkan kemampuan pemrograman Anda ketika Anda nantinya berniat untuk menjadi seorang Data Scientist. Pada proyek ini, Anda akan mempelajari cara menggunakan Scikit-Learn, TensorFlow, Keras, NumPy, Pandas, Seaborn, dan pustaka lainnya untuk menerapkan analisis, klasifikasi dan deteksi tumor otak dengan pembelajaran mesin (Machine Learning) dan Deep Learning menggunakan dataset Brain Tumor yang disediakan di Kaggle. Dataset ini berisi lima fitur orde pertama: Mean (kontribusi intensitas piksel individu untuk seluruh gambar), Variance (digunakan untuk menemukan bagaimana setiap piksel bervariasi dari piksel tetangga 0, Standard Deviation (deviasi nilai terukur atau data dari mean), Skewness (ukuran simetri), dan Kurtosis (menggambarkan puncak, misalnya, distribusi frekuensi). Dataset ini juga berisi delapan fitur orde kedua: Contrast, Energy, ASM (Angular second moment), Entropy, Homogeneity, Dissimilarity, Correlation, dan Coarseness. Model machine learning yang digunakan dalam proyek ini adalah K-Nearest Neighbor, Random Forest, Naive Bayes, Logistic Regression, Decision Tree, dan Support Vector Machine. Model deep learning yang digunakan dalam proyek ini adalah MobileNet dan ResNet50. Pada proyek ini, Anda akan mengembangkan GUI menggunakan PyQt5 untuk menampilkan decision boundary, ROC, distribusi fitur, feature importance, skor validasi silang, dan nilai terprediksi versus nilai sebenarnya, confusion matrix, rugi pelatihan, dan akurasi pelatihan.



Data Mining for the Masses, Third Edition

Author : Matthew North

Publisher :

Page : 310 pages

File Size : 39,62 MB

Release : 2018-09-05

Category :

ISBN : 9781727102475

Get eBook

Book Description

Some say we live in the Information Age; others, the Social Age; and still others, the Big Data Age. Regardless of what name we give it, we live in an age that generates monumental amounts of data-in all different kinds of formats. In business, and in our personal lives, we use smartphones and tablets, web sites and watches; with apps and interfaces to shop, learn, entertain and inform. Businesses increasingly use technology to interact with consumers to provide marketing, customer service, product information and more. All of this technological activity generates data, and we're increasingly good at gathering, storing and analyzing it.Data mining can help to identify interesting patterns and messages that exist in data, often hidden beneath the surface. In this modern age of information systems, it is easier than ever before to extract meaning from data. From classification to prediction, data mining can help.In Data Mining for the Masses, Third Edition, professor Matt North-a former risk analyst and software engineer at eBay-uses simple examples and clear explanations with free, powerful software tools to teach you the basics of data mining. In this Third Edition, implementations of these examples are offered in current versions of the RapidMiner software, and in the increasingly popular R Statistical Package.You've got more data than ever before and you know it's got value, if only you can figure out how to get to it. This book can show you how. Let's start digging!



Predictive Analytics and Data Mining

Author : Vijay Kotu

Publisher : Morgan Kaufmann

Page : 447 pages

File Size : 26,97 MB

Release : 2014-11-27

Category : Computers

ISBN : 0128016507

Get eBook

Book Description

Put Predictive Analytics into ActionLearn the basics of Predictive Analysis and Data Mining through an easy to understand conceptual framework and immediately practice the concepts learned using the open source RapidMiner tool. Whether you are brand new to Data Mining or working on your tenth project, this book will show you how to analyze data, uncover hidden patterns and relationships to aid important decisions and predictions. Data Mining has become an essential tool for any enterprise that collects, stores and processes data as part of its operations. This book is ideal for business users, data analysts, business analysts, business intelligence and data warehousing professionals and for anyone who wants to learn Data Mining.You’ll be able to:1. Gain the necessary knowledge of different data mining techniques, so that you can select the right technique for a given data problem and create a general purpose analytics process.2. Get up and running fast with more than two dozen commonly used powerful algorithms for predictive analytics using practical use cases.3. Implement a simple step-by-step process for predicting an outcome or discovering hidden relationships from the data using RapidMiner, an open source GUI based data mining tool Predictive analytics and Data Mining techniques covered: Exploratory Data Analysis, Visualization, Decision trees, Rule induction, k-Nearest Neighbors, Naïve Bayesian, Artificial Neural Networks, Support Vector machines, Ensemble models, Bagging, Boosting, Random Forests, Linear regression, Logistic regression, Association analysis using Apriori and FP Growth, K-Means clustering, Density based clustering, Self Organizing Maps, Text Mining, Time series forecasting, Anomaly detection and Feature selection. Implementation files can be downloaded from the book companion site at www.LearnPredictiveAnalytics.com Demystifies data mining concepts with easy to understand language Shows how to get up and running fast with 20 commonly used powerful techniques for predictive analysis Explains the process of using open source RapidMiner tools Discusses a simple 5 step process for implementing algorithms that can be used for performing predictive analytics Includes practical use cases and examples



Advances in Knowledge Discovery and Data Mining

Author : Usama M. Fayyad

Publisher :

Page : 638 pages

File Size : 40,97 MB

Release : 1996

Category : Computers

ISBN :

Get eBook

Book Description

Eight sections of this book span fundamental issues of knowledge discovery, classification and clustering, trend and deviation analysis, dependency derivation, integrated discovery systems, augumented database systems and application case studies. The appendices provide a list of terms used in the literature of the field of data mining and knowledge discovery in databases, and a list of online resources for the KDD researcher.



Exchange Rate Forecasting

Author : Christian Dunis

Publisher : Irwin Professional Publishing

Page : 356 pages

File Size : 41,86 MB

Release : 1989

Category : Foreign exchange

ISBN : 9781557381002

Get eBook

Book Description



Implementasi DEEP LEARNING Menggunakan Scikit-Learn, Keras, Dan Tensorflow Dengan Python GUI

Author : Vivian Siahaan

Publisher : BALIGE PUBLISHING

Page : 262 pages

File Size : 15,79 MB

Release : 2021-05-02

Category : Computers

ISBN :

Get eBook

Book Description

Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “The Practical Guides On Deep Learning Using SCIKIT-LEARN, KERAS, and TENSORFLOW with Python GUI” yang dapat dilihat di Amazon maupun Google Books. Dalam buku ini, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy, dan library lainnya untuk mengimplementasikan deep learning dalam mengenali rambu lalu lintas menggunakan dataset GTSRB, mendeteksi tumor otak menggunakan dataset MRI Brain Image, mengklasifikasikan gender, dan mengenali ekspresi wajah menggunakan dataset FER2013. Pada bab 1, Anda akan belajar membuat aplikasi GUI untuk menampilkan grafik garis menggunakan PyQt. Anda juga akan belajar bagaimana mengkonversi citra menjadi keabuan, menjadi ruang warna YUV, dan menjadi ruang warna HSV. Bab ini juga mengajarkan bagaimana menampilkan citra dan histogramnya dan merancang GUI untuk mengimplementasikannya. Pada bab 2, Anda akan belajar menggunakan TensorFlow, Keras, Scikit-Learn, Pandas, NumPy dan sejumlah pustaka lain untuk memprediksi digit-digit tulisan tangan menggunakan dataset MNIST. Pada bab 3, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, PIL, Pandas, NumPy, dan pustaka lain untuk mengenali rambu lalu lintas menggunakan dataset GTSRB dari Kaggle. Ada beberapa jenis rambu lalu lintas seperti batas kecepatan, dilarang masuk, rambu lalu lintas, belok kiri atau kanan, anak-anak menyeberang, tidak ada kendaraan berat yang lewat, dll. Klasifikasi rambu lalu lintas adalah proses untuk mengidentifikasi kelas rambu lalu lintas tersebut. Pada proyek Python ini, Anda akan membangun model jaringan saraf tiruan (deep neural network) yang dapat mengklasifikasikan rambu lalu lintas dalam citra ke dalam kategori yang berbeda. Dengan model ini, Anda akan dapat membaca dan memahami rambu lalu lintas yang merupakan pekerjaan yang sangat penting bagi semua kendaraan otonom. Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 4, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, Pandas, NumPy dan pustaka lainnya untuk melakukan pendeteksian tumor otak menggunakan dataset Brain Image MRI yang disediakan oleh Kaggle (https://www.kaggle.com/navoneel/brain-mri-images-for-brain-tumor-detection). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 5, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan library lain untuk melakukan klasifikasi gender menggunakan dataset yang disediakan oleh Kaggle (https://www.kaggle.com/cashutosh/gender-classification-dataset). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 6, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan pustaka lain untuk melakukan pengenalan ekspresi wajah menggunakan dataset FER2013 yang disediakan oleh Kaggle (https://www.kaggle.com/nicolejyt/facialexpressionrecognition). Anda juga akan membangun sebuah GUI untuk tujuan ini.