Source : hitechnectar
Halo, Sobat Data!
Selamat datang di #KuliahData! Di sesi ini, Sobat Data akan diajak untuk mengenali berbagai mata kuliah yang ada di Data Science Telkom University Surabaya. Mulai dari pengenalan pemograman, analisis data, dan keterampilan lain yang akan mendukung Sobat Data dalam proses belajar di Data Science Telkom University Surabaya.
Tidak seperti biasanya, pada #KuliahData kali ini, Sobat Data akan diajak mengenal perbedaan hyperparameter dan parameter, sebuah konsep yang akan sangat membantu dalam memahami dan mengelola data, baik dalam perkuliahan maupun di dunia kerja.
Apakah Sobat Data pernah mendengarkan tentang hyperparameter dan parameter sebelumnya?
Jika berbicara mengenai machine learning, tentunya hyperparamater dan parameter memiliki kaitan yang sangat erat loh Sobat Data! Dengan hyperparamater yang baik dan parameter yang optimal dapat menghasilkan model machine learning yang akurat dan efisien!
Sebelumnya telah dibahas mengenai salah satu implementasi machine learning pada AirTag yang bisa Sobat Data cek pada link berikut ya!
Source : medium
Simak sekilas pembahasan mengenai hyperparameter dan parameter berikut Sobat Data!
- Hyperparameter
Menurut James et al. (2013) dalam bukunya “An Introduction to Statistical Learning”, hyperparameter adalah parameter yang tidak ditentukan oleh data, melainkan harus ditentukan oleh pengguna. Secara sederhana, Hyperparameter adalah nilai yang harus ditemtukan sebelum melakukan training atau pelatihan pada model.
Fungsi dari Hyperparameter adalah untuk mengontrol cara model belajar, mengoptimalkan kinerja model mesin, dan lain-lain. Penggunaan Hyperparameter harus dilakukan dengan hati-hati, karena jika terdapat kesalahan maka Hyperparameter dapat memengaruhi kinerja model dan dapat menyebabkan overfitting maupun underfitting.
Terdapat banyak contoh dari Hyperparameter yang sering kalian temui, seperti epoch, batch size, learning rate, dan lain-lain.
- Parameter
Parameter adalah nilai yang dipelajari model selama training. Tanpa parameter, model tidak akan bisa melakukan prediksi. Ketika model dilatih, akan dilakukan proses pencarian parameter terbaik. Proses tersebut terjadi selama beberapa iterasi hingga agar dapat memprediksi data hingga akurat.
Contoh peran parameter dalam beberapa model terletak pada :
- Neural Network, model memperbarui bobot dan bias agar semakin akurat.
- Decision Tree, model menentukan batas split optimal.
- Regresi Linear, model mecari nilai terbaik untuk koefisien dan intercept.
Source : deepai.org
Parameter dan hyperparameter memainkan peran penting dalam membangun model Machine Learning. Parameter dipelajari selama pelatihan, sedangkan hyperparameter harus ditentukan sebelum pelatihan. Memahami perbedaan ini membantu Data Scientist dalam mengembangkan model yang lebih optimal dan meningkatkan performa prediksi. Dengan memilih hyperparameter yang tepat dan mengoptimalkan parameter selama pelatihan, kita dapat membangun model yang lebih akurat dan efisien.
Nah itu tadi sekilas mengenai perbedaan Hyperparameter dan Parameter Sobat Data!
Sampai jumpa di #KuliahData selanjutnya! Teruslah termotivasi dan jangan berhenti mengejar mimpi-mimpimu! 🚀📊
Yuk segera daftarkan diri kamu di Data Science Telkom University Surabaya dan wujudkan impianmu!
Playing with Data, Winning the Era.
More info :
-Website : https://bds-sby.telkomuniversity.ac.id/
-Instagram : https://www.instagram.com/ds.telkomsurabaya/