QuickSort

BubbleSort

Sorting Algorithm

Machine Learning Algorithm

Deep Learning Algorithm

Logika Fuzzy

Neural Networks

Genetic Algorithms

Forecast

Decision Trees

Pemrosesan Gambar

Pengenalan Suara

Pengolahan Teks

Pengatur AI

Penyimpanan Data

Pengenalan Wajah

Komunikasi Manusia-Mesin

Pengolahan Citra

Pemodelan 3D

Pengelola AI

Reinforcement Learning

Supervised Learning

Unsupervised Learning

Deep Learning

Machine Learning

Model dilatih dengan label data

Model dilatih tanpa label data

Model menggunakan reinforcement

Model menggunakan deep learning

Model AI

Membuat keputusan tanpa data

Memberikan saran berbasis aturan

Mengolah citra dan video

Membuat Algoritma AI

Menganalisis sentimen sosial media

Proses pembelajaran alami

Pengolahan bahasa manusia oleh komputer

Pengolahan bahasa manusia oleh manusia

Mengelola keputusan dari sistem

Proses pembelajaran komputer

Pengenalan pola

Pencarian solusi optimal

Pengolahan bahasa alami

Pengelola pembelajaran komputer

Pengambilan keputusan

Kemampuan komputer untuk melihat

Pengolahan bahasa komputer

Pengenalan suara

Pengenalan pola

Proses Genetika

Clustering

Regression

Decision Trees

Genetic Algorithms

CNN

Model terlalu sederhana

Model cocok dengan data pelatihan tetapi tidak umum

Model tidak cocok dengan data pelatihan

Model terlalu kompleks

Model sistem AI

AI kuat dapat menyelesaikan semua tugas manusia; AI lemah memiliki batasan

AI lemah dapat menyelesaikan semua tugas manusia; AI kuat memiliki batasan

Keduanya memiliki kemampuan yang sama

Tidak ada perbedaan antara keduanya

Lebih ke arah akurasi

Kemampuan untuk memproses citra dengan lebih baik

Peningkatan dalam pengenalan suara

Peningkatan model AI

Kemampuan untuk berinteraksi dengan manusia melalui bahasa alami

Peningkatan dalam kecepatan komputasi

Menentukan arsitektur model

Memberikan petunjuk untuk pelatihan model

Menyediakan API untuk model

Pengelola API untuk model

Mengoptimalkan kecepatan inferensi model

Hanya untuk meningkatkan kecepatan inferensi

Untuk mengurangi kompleksitas model

Agar model dapat mengatasi variasi data yang sebenarnya

Hanya untuk memastikan keakuratan tinggi

Pengelola API untuk model

Proses memilih dataset yang tepat

Proses memproses data sebelum digunakan untuk pelatihan model

Proses menghapus data yang tidak relevan

Pengelola API untuk model

Proses mengoptimalkan model setelah pelatihan

Menentukan arsitektur model

Memberikan petunjuk untuk pelatihan model

Menyediakan API untuk model

Untuk mengurangi kompleksitas model

Mengoptimalkan kecepatan inferensi model

Proses menggabungkan dua dataset

Proses menyiapkan dataset sebelum digunakan

Proses menyusun dataset menjadi kategori

Proses menghapus outlier dari dataset

Untuk mengurangi kompleksitas model

Untuk meningkatkan kompleksitas model

Agar model dapat mengatasi variasi data yang sebenarnya

Hanya untuk mengurangi waktu pelatihan

Untuk menghindari overfitting pada model

Proses menghapus outlier dari dataset

Mempercepat pelatihan model

Memudahkan interpretasi pola dan tren dalam data

Mengurangi kebutuhan preprocessing

Proses menghapus outlier dari dataset

Meningkatkan akurasi model secara otomatis

AI Kuat (Strong AI)

AI Lemah (Weak AI)

Narrow AI

Human-like AI

Susarrow AI

Berdasarkan kompleksitas model yang dapat dibangun

Dengan melihat jumlah kolom dalam dataset

Dengan memeriksa kualitas dan representativitas data

Berdasarkan waktu pelatihan yang diperlukan

Proses menghapus outlier dari dataset

Mengurangi dimensi dataset

Mengubah data kategorikal menjadi bentuk yang dapat diproses oleh model

Mengurangi variabilitas data

Dengan melihat jumlah kolom dalam dataset

Meningkatkan kompleksitas model

Untuk menampilkan hubungan antar variabel

Untuk mengidentifikasi pencilan (outliers) dalam data

Untuk menunjukkan distribusi frekuensi data

Meningkatkan kompleksitas model

Untuk menampilkan pola waktu dalam data

Proses mengajarkan komputer untuk berpikir seperti manusia

Teknik membuat mesin dapat belajar dari data tanpa pemrograman eksplisit

Penggunaan algoritma untuk meningkatkan kecerdasan komputer

Proses membuat mesin dapat menggantikan pekerjaan manusia

Untuk menampilkan hubungan antar variabel

Deep Learning hanya menggunakan satu lapisan neural

Deep Learning memerlukan lebih banyak data untuk pelatihan

Deep Learning menggunakan model dengan banyak lapisan neural

Deep Learning hanya cocok untuk tugas klasifikasi sederhana

Deep Learning memerlukan hubungan antar variabel

Pengurangan kompleksitas model

Kemampuan untuk memproses data terbatas

Kemampuan untuk menangani tugas yang kompleks dan besar

Penyederhanaan tugas klasifikasi

Model dilatih dengan label data

Dengan menggunakan lebih banyak lapisan neural

Dengan mengurangi dimensi data

Dengan mempercepat proses pelatihan

Penyederhanaan tugas klasifikasi

Dengan menggabungkan berbagai jenis model

Python

C++

Ruby

Perl

Php

Sebuah program komputer

Kumpulan data terstruktur

Sebuah algoritma pemrograman

Sebuah model

Php

Visualisasi data

Kumpulan data terstruktur

Pengumpulan data

Cleaning data

Analisis data

Visualisasi data

Evaluasi data

Pengumpulan data

Normalisasi

Deployment

Prediksi data

Evaluasi data

Pengumpulan data

Normalisasi

Menampilkan data dalam bentuk grafik

Algoritman pencarian di internet

Metode membersihkan data

Pengumpulan data

Normalisasi penyimpanan data

Subset dari AI yang memungkinkan mesin belajar dari data

Algoritma menganalisis gambar pencarian di internet

Mendeteksi anomali

Membagi data menjadi beberapa kelompok

Mengklasifikasikan data ke dalam kategori tertentu

Subset dari AI yang memungkinkan mesin belajar dari data

Clustering

Mendeteksi anomali

Forecasting

Classification

Text Mining

Teknik pembersihan data

Teknik pengelompokan data berdasarkan kesamaan

Teknik pengenalan gambar

Teknik prediksi nilai data

Teknik pengklasifikasian text Mining

Subset dari Machine Learning dengan model yang lebih kompleks

Algoritma untuk visualisasi data

Teknik pengenalan kompresi gambar

Algoritma prediksi nilai

Teknik pengklasifikasian text Mining

Kumpulan data berukuran besar dan kompleks

Data besar yang tidak penting

Teknik pengenalan kompresi gambar

Algoritma prediksi nilai sederhana

Model Visualisasi

Proses menampilkan data dalam bentuk grafik

Proses mencari pola dari data besar

Proses pembersihan data

Proses kompresi data

Proses membuat model visualisasi

Proses menampilkan data dalam bentuk expert system

Proses mencari pola dari data besar

Model yang menggunakan data berlabel untuk belajar

Proses kompresi data

Proses manipulasi data

Proses menampilkan data dalam bentuk pola

Proses mencari pola dari data besar

Model yang menggunakan data berlabel untuk belajar

Mencari pola pada data tidak berlabel

Proses manipulasi data

Proses menampilkan data dalam bentuk tabel

Proses mencari pola dari data besar

Proses model yang menggunakan data berlabel untuk belajar

Proses mencari pola pada data tidak berlabel

Proses pemrosesan bahasa manusia oleh mesin

Proses menampilkan data dalam bentuk suara

Algoritma untuk pengelompokan data

Sistem untuk penyimpanan data

Sistem pemrosesan bahasa manusia oleh mesin

Sistem yang dirancang untuk meniru keputusan pakar manusia

Mengenali suara

Algoritma untuk pengelompokan data

Sistem untuk penyimpanan data

Mengenali objek dalam gambar

Mengenali pola pada data teks

TensorFlow

PowerDesigner

RapidMiner

Google Chrome

Pandas

Mengklasifikasikan gambar

Mengekstrak informasi dari teks

Memprediksi nilai numerik

Mengklasifikasikan pola data

Membersihkan data

Mengidentifikasi hubungan antara item dalam dataset

Memprediksi harga saham

Memprediksi nilai numerik

Mendeteksi anomali

Memprediksi cuaca

Membuat prediksi tentang masa depan

Memprediksi harga saham

Memprediksi nilai numerik

Memprediksi pola masa lampau

Memprediksi data text

Membuat prediksi tentang masa depan

Mencari data yang tidak sesuai pola

Mengelompokan data

Menganalisis pola data berupa text

Memprediksi data text

System.out.println (”Aku Suka Kamu”)

echo ”Aku Suka Kamu”

print (”Aku Suka Kamu”)

console.writeline (”Aku Suka Kamu”)

printf (”Aku Suka Kamu”)

import panda as pd

import seaborn as sns

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import panda as pd

import seaborn as sns

import numpy as np

import matplotlib as plt

import matplotlib.pyplot as plt

Untuk mempercepat waktu pelatihan model

Untuk menghemat ruang penyimpanan

Untuk meningkatkan akurasi model secara otomatis

Untuk memudahkan proses visualisasi data

Untuk menghindari overfitting

Random Forest

Logistik Regression

Naive Bayes

K-Means

Decision Tree

Random Forest

Logistik Regression

Decision Tree

Naive Bayes

K-Means

Random Forest

ARIMA

Decision Tree

Naive Bayes

K-Means

Menghapus baris atau kolom yang berisi missing values

Menghapus duplikat dalam dataset

Mengonversi data menjadi bentuk numerik

Membagi dataset menjadi subset

Memfilter data berdasarkan kondisi tertentu

Teknologi untuk analisis citra digital

Proses mengubah kode sumber menjadi aplikasi

Teknologi yang memungkinkan komputer memahami, menganalisis, dan menghasilkan bahasa manusia

Proses pembuatan jaringan saraf tiruan

Teknologi untuk meningkatkan keamanan jaringan

Stemming

Lemmatization

Tokenization

Part-of-Speech Tagging

Parsing

Menerjemahkan teks ke bahasa lain.

Menghapus kata-kata umum yang tidak relevan seperti "dan," "atau," "adalah."

Menghitung jumlah kata dalam dokumen.

Mengonversi teks menjadi angka.

Memecah dokumen menjadi paragraf.

Stemming menghapus stop words, sedangkan Lemmatization menggabungkan kata.

Stemming menghasilkan kata dasar tanpa memperhatikan konteks, sedangkan Lemmatization mempertahankan makna linguistik.

Stemming hanya digunakan untuk bahasa Inggris, sedangkan Lemmatization untuk semua bahasa.

Stemming memecah kalimat, sedangkan Lemmatization menggabungkan kata.

Stemming digunakan dalam parsing, sedangkan Lemmatization dalam tokenization.

Metode untuk mengukur jarak antar kalimat.

Representasi teks sebagai kumpulan kata tanpa memperhatikan urutan.

Teknik untuk memperbaiki kesalahan tata bahasa.

Model berbasis jaringan saraf.

Cara membuat kamus untuk bahasa tertentu.

K-Means Clustering

Naive Bayes

Principal Component Analysis

Decision Tree Regression

K-Nearest Neighbors

Mengubah teks menjadi representasi numerik yang mempertahankan hubungan semantik antar kata.

Menghapus kata yang tidak penting dari dokumen.

Membuat ringkasan otomatis dari dokumen panjang.

Mengonversi teks ke bentuk audio.

Mengidentifikasi bahasa dari teks tertentu.

Tokenization

Parsing

Clustering

Lemmatization

Text Normalization

Memecah teks menjadi kata-kata.

Mengidentifikasi entitas penting seperti nama orang, tempat, atau organisasi dalam teks.

Menghapus tanda baca dari dokumen.

Mengklasifikasikan teks menjadi kategori tertentu.

Membuat ringkasan dari dokumen panjang.

Random Forest

Support Vector Machine

Transformer (seperti BERT dan GPT)

Decision Tree

Linear Regression

AI digunakan untuk mengumpulkan data yang diperlukan oleh Data Science.

Data Science digunakan untuk melatih model AI dengan menyediakan data dan analisis.

AI dan Data Science adalah dua bidang yang tidak saling terkait.

AI menggantikan kebutuhan Data Science dalam analisis data.

Data Science hanya fokus pada prediksi, sedangkan AI pada optimasi.

Sebagai input untuk melatih model AI.

Sebagai alat untuk menghapus bias dalam algoritma.

Sebagai output dari model AI.

Sebagai hasil akhir dari Data Science.

Sebagai dasar untuk membuat visualisasi.

Sistem pengenalan wajah berdasarkan pola data gambar.

Pembuatan model statistik untuk analisis populasi.

Menggunakan algoritma sorting untuk data kecil.

Membuat grafik interaktif untuk laporan.

Memfilter email secara manual berdasarkan subjek.

Dengan membuat model AI tanpa data historis.

Dengan menyediakan data bersih dan insight untuk melatih model AI.

Dengan menggantikan AI dalam tugas-tugas analisis otomatis.

Dengan membatasi kemampuan AI untuk mengolah data.

Dengan hanya berfokus pada visualisasi data.

Memastikan bahwa AI dapat bekerja tanpa data.

Membantu dalam interpretasi hasil model AI.

Menghindari kebutuhan akan algoritma lain.

Mengelola dan membersihkan data pelatihan.

Mengganti kebutuhan akan algoritma berbasis statistik.