Belajar Data Science: Klasifikasi dengan Bahasa Pemrograman R

Bagi yang tidak punya kartu kredit, maka pembelian dapat dilakukan dengan potong pulsa jika transaksi dilakukan pada device Android.

**Isi Buku**

Metode atau teknik matematika, statistik atau machine learning yang dibahas pada buku ini adalah telah umum digunakan.  Sehingga buku ini tidak akan membahas tentang konsep metode dan teknik tersebut.  Buku hanya fokus membahas implementasi setiap metode dan teknik pada lingkungan R.

Topik machine learning yang dibahas pada buku ini hanya fokus kepada supervised learning pada umumnya dan klasifikasi pada khususnya.  Setiap teknik klasifikasi yang dibahas disertai contoh masalah dan penyelesaian langkah demi langkah sehingga dapat diikuti oleh pembaca dengan mudah.

Selain membahas teknik-teknik supervised learning - klasifikasi, buku ini juga membahas teknik yang digunakan untuk mengukur kinerja teknik klasifikasi yang digunakan.  Sehingga pembaca dapat memiliki pengetahuan yang lengkap untuk menyelesaikan masalah klasifikasi pada lingkungan R.

Daftar isi dari buku ini adalah sebagai berikut:

1. Pendahuluan.

Bagaimana manusia belajar mengenali?

Kenapa komputer perlu mempunyai kemampuan belajar seperti manusia?

Machine learning.

Machine learning & data mining.

2. Pengantar Pemrograman R.

Installasi.

Tool Pemrograman.

3. Fungsi-Fungsi dasar R.

Package.

Working directory.

Dataset.

Menulis data ke file.

Membaca file text.

Membaca file Excel.

Akses database.

Menampilkan data.

Memfilter data.

Menggabung data.

Eksplorasi data.

Visualisasi data.

Help.

4. Pengantar Klasifikasi.

Definisi.

Data.

Langkah-langkah pengembangan.

5. Pengenalan & Pembagian Data.

Pengenalan data.

Pembagian data.

6. Rancangan Aplikasi Klasifikasi.

Apakah langkah selanjutnya?

Rancangan aplikasi.

7. K-Nearest Neighbors (KNN).

Cara kerja.

Persiapan.

Sintaks.

Implementasi.

Catatan.

8. Naïve Bayes.

Cara kerja.

Persiapan.

Sintaks.

Implementasi.

Catatan.

9. Support Vector Machine.

Cara kerja.

Persiapan.

Sintaks.

Implementasi.

Catatan.

10. Decision Tree.

Cara kerja.

Persiapan.

Sintaks.

Implementasi.

Catatan.

11. Klasifikasi Kelas Tidak Seimbang

Definisi & Efek Kelas Tidak Seimbang

Solusi Masalah

Dataset Class Tidak Seimbang

Solusi Pendekatan Data (Undersampling, Oversampling, Gabungan Undersampling & Oversampling)

Solusi Pendekatan Algoritma (Bagging, Boosting & Stacking)

Penutup

**Source Code & Free Ebook**

Terima kasih bagi Anda mau membeli ebook ini. Ebook ini juga tersedia gratis jika Anda belum ingin membeli buku ini sekarang. Ebook gratis dapat di akses di link berikut: https://www.researchgate.net/publication/312160783_Seri_Data_Science_Klasifikasi_dengan_Bahasa_Pemrograman_R.