Description
Buku ini membahas konsep dan teknik utama dalam analisis data dan pembelajaran mesin secara sistematis dan terpadu. Pembahasan diawali dengan pra-proses data sebagai fondasi penting, dilanjutkan dengan metode pembelajaran terawasi seperti regresi linear, regresi logistik, Naive Bayes, Support Vector Machine, dan Decision Tree. Buku ini juga mengulas metode ensemble learning meliputi Bagging, Random Forest, AdaBoost, Gradient Boosting, dan XGBoost, serta teknik optimasi model melalui GridSearchCV. Selain itu, dibahas pembelajaran tak terawasi, termasuk K-Means, clustering hierarkis, DBSCAN, PCA, dan t-SNE, beserta evaluasi menggunakan Silhouette. Tantangan aplikasi nyata seperti data tidak seimbang, kalibrasi probabilitas, dan penentuan ambang keputusan turut menjadi perhatian. Buku ini dirancang untuk mahasiswa, dosen, dan praktisi yang membutuhkan pemahaman konseptual dan praktis dalam membangun model pembelajaran mesin yang andal.
