Tuesday, August 22, 2017

Tips Meningkatkan Kinerja Machine Learning

Hal utama yang paling menarik dan berharga dari pembelajaran mesin (machine learning) adalah pemodelan prediktif. Maksudnya, machine learning digunakan untuk membangun model prediksi berdasarkan data historis untuk kemudian digunakan untuk memprediksi data baru.



Pertanyaan yang paling sering muncul adalah:

Bagaimana mendapatkan prediksi yang lebih baik?
Panduan (Cheat sheet) ini berisi saran terbaik yang disuling dari para pakar dan praktisi pembelajaran mesin top dan pemenang kompetisi. Menggunakan Dengan panduan ini, Anda tidak hanya dapat meningkatkan kualitas/akurasi prediksi anda, namun Anda mungkin mencapai model prediksi kelas dunia.

Secara garis besar, Teknik/Metode untuk meningkatkan kualitas model/prediksi machine learning dapat dikategorisasikan ke dalam 4 hal, yaitu:

    1. Peningkatan Prediksi dengan Data
    2. Peningkatan Prediksi dengan Algoritma
    3. Peningkatan Prediksi dengan Tuning
    4. Peningkatan Prediksi dengan Ensembles
Kategori tersebut diurutkan sesuai dengan besarnya pengaruh metode terhadap kualitas prediksi. Artinya, Semakin ke bawah peningkatan prediksi yang diprediksi semakin rendah. Hal ini tidak selalu terjadi pada setiap kasus, namun umumnya akan mengikuti kecenderungan tersebut.

Sumber: Machine Learning Mastery (Jason Brownlee)


Thursday, February 09, 2017

Memahami Overfitting dengan mudah menggunakan contoh

Problem - Sulit memahami overfitting

Beberapa orang menyampaikan kesulitan dalam memahami overfitting. Artikel berikut dibuat dengan tujuan untuk memberikan kemudahan dalam memahami overfitting. Anda dapat memahami overfitting dengan mudah menggunakan contoh kasus yang diberikan pada dunia nyata.
Memahami Overfitting dengan mudah menggunakan contoh
Memahami Overfitting dengan mudah menggunakan contoh

Generalisasi - pengenalan pola

Overfitting adalah suatu kondisi yang mungkin terjadi pada proses generalisasi. Generalisasi adalah suatu proses induksi yang berusaha mengenali suatu pola dari suatu kejadian pada masa lampau untuk memprediksi kejadian pada masa yang akan datang.

Contoh Generalisasi: 

Perlu prediksi apakah seorang mahasiswa baru akan mampu berprestasi atau tidak.

Oleh karena itu dikumpulkan data dari mahasiswa-mahasiswa yang telah lalu untuk mengenali ciri-ciri mahasiwa yang akan berprestasi. Beberapa ciri atau atribut yang dimiliki oleh mahasiswa adalah:

  • Usia
  • Asal
  • Jenis kelamin
  • Agama
  • Golongan Darah
  • Pekerjaan Ayah
  • Pendidikan Ayah
  • Jurusan SMA
  • Prestasi (label yang ingin diprediksi)

Oleh karena itu dilakukan proses generalisasi (istilah pada machine learning) pada data mahasiswa lama untuk menentukan apakah seorang mahasiswa baru akan berprestasi atau tidak. Hasil proses generalisasi berupa model. Prediksi prestasi mahasiswa baru dilakukan dengan memasukan ciri/atribut mahasiwa baru tersebut ke dalam model yang telah dibangun.

OVERFITTING


Overfitting adalah suatu kondisi dimana model, dibangun dengan memperhitungkan seluruh ciri yang ada, termasuk noise
Padahal, bisa jadi satu atau lebih ciri tidak berkontribusi atau lebih dikenal sebagai noise (dalam kasus diatas, tidak semua ciri/atribut mahasiswa menentukan prestasi mahasiswa). Konsekuensinya, meskipun model yang dibangun sangat cocok pada data training (mahasiswa lama), namun salah dalam memprediksi prestasi mahasiswa baru.

Contoh Overfitting:

Sebetulnya yang mempengaruhi prestasi mahasiwa adalah usia, asal, pendidikan ayah, pekerjaan ayah, dan jurusan SMA. Maka noise di sini adalah jenis kelamin, agama, dan golongan darah.

Sehingga jika kebetulan golongan darah pada semua mahasiswa lama semuanya A (dan ini dikenali sebagai pola), maka ketika ada mahasiswa baru yang memenuhi kriteria usia, asal, pendidikan ayah, pekerjaan ayah, dan jurusan SMA akan diprediksi tidak berprestasi hanya karena golongan darah B.
Sementara pada kenyataannya ia berpretasi (prediksi salah).

Semoga bermanfaat

ditulis oleh: Syarif Hidayat

Catatan:
Diperbolehkan menyalin dan mempublikasikan artikel di atas selama memberi kredit dan/atau referensi kepada situs syarifhidayat.net dengan cara mencantumkan logo dan/atau menulis sumbernya yaitu situs syarifhidayat.net serta memberi link ke halaman situs syarifhidayat.net pada setiap materi yang digunakan. (Sesuai ketentuan Undang-Undang Republik Indonesia Nomor 19 Tahun 2002 tentang Hak Cipta)




Wednesday, February 08, 2017

Solusi Super Loop versus Real Time Operating System

Super Loop vs Real Time OS
Super Loop vs Real Time OS


Embedded system sederhana biasanya menggunakan sebuah konsep super-loop dimana aplikasi menjalankan setiap fungsi dalam urutan yang pasti. Interrupt Service Routing (ISR) digunakan untuk bagian program yang time-critical. Pendekatan ini cocok untuk sistem kecil namun memiliki keterbatasan untuk aplikasi yang lebih rumit.
Kekurangan konsep super-loop:
  • Operasi time-critical harus diolah dalam ISR. ISR menjadi lebih kompleks dan memerlukan waktu yang lebih panjang untuk meng-eksekusinya.Percabangan ISR dapat membuat waktu eksekusi dan kebutuhan stack menjadi tidak dapat diperkirakan.
  • Pertukaran data antara super-loop dan ISR dilakukan melalui variabel yang di-share secara global. Ini berarti, pengembang aplikasi harus memastikan konsistensi data.
  • Sebuah super-loop dapat dengan mudah di-sinkronkan dengan system timer, namun:
  1. Bila sebuah sistem memerlukan siklus waktu yang berbeda, hal ini sulit untuk diwujudkan.
  2. Memecah fungsi yang boros waktu yang melebihi siklus super-loop akan menjadi kendala.
  3. Membuat kendala dalam software dan program menjadi sulit untuk dimengerti.
  • Aplikasi super-loop menjadi kompleks dan sulit untuk dikembangkan. Sebuah perubahan yang sederhana dapat menimbulkan efek samping yang tidak bisa diperkirakan.
Kekurangan dari konsep super-loop dapat diselesaikan dengan menggunakan Real-Time Operating System (RTOS).
RTOS memisahkan fungsi-fungsi program ke dalam self-contained task dan meng-implementasikan sebuah penjadwalan eksekusinya sesuai dengan permintaan.
Sebuah RTOS memberikan manfaat, seperti:
  • Task scheduling - task dipanggil ketika dibutuhkan menjamin aliran program dan respons event yang lebih baik.
  • Multitasking - penjadwalan task memberikan ilusi menjalankan sejumlah task secara simultan.
  • Deterministic behaviour - event dan interupsi ditangani dalam sebuah waktu yang ter-definisi.
  • Shorter ISR - memungkinkan perilaku interupsi yang lebih dapat ditentukan.
  • Inter-task communication - mengelola sharing data, memori dan sumber daya perangkat keras diantara beberapa task.
  • Defined stack usage - setiap task dialokasikan ruang stack, memungkinkan penggunaan memori yang dapat diperkirakan.
  • System management - memungkinkan kita untuk fokus pada pengembangan aplikasi daripada mengelola sumber daya.
Dalam implementasinya, RTOS memerlukan resources ekstra, terutama dalam hal processing power (CPU) dan RAM. Mikrokontroler 32-bit ARM Cortex-M menjawab kebutuhan ini, dengan menyediakan CPU yang powerful serta ketersediaan RAM yang cukup besar. Sebagai contoh, STM32F401 yang tertanam dalam board STM32 Nucleo, dapat bekerja pada frekuensi 84 MHz dan memiliki RAM 96k. Bandingkan dengan mikrokontroler AVR 8-bit, misal ATmega2560 yang tertanam dalam board Arduino Mega, yang bekerja pada frekuensi 16 MHz dan memiliki RAM 4k.

Memahami konsep dan implementasi Real Time Operating System tidak sesulit dan serumit yang dibayangkan. Satu hal yang perlu kita ingat, perkembangan teknologi pasti membawa kemudahan, guna mendorong peningkatan produktivitas. Bila sudah menggunakan teknologi namun produktivitas tidak meningkat, berarti ada yang salah - salah pilih teknologi :) 
 

Semoga bermanfaat.
 
Sumber: email dari salah satu provider pelatihan

Wednesday, February 01, 2017

Random Forest (6) - Kode

Artikel ini merupakan kelanjutan dari artikel sebelumnya tentang Random Forest.

  Kode Random Forest

Kode Random Forest

======================

  Matlab

======================

======================

  R

======================

======================

  C/C++

======================

======================

  Python

======================

======================

  Java Script

======================

======================

  Go (Golang)

======================



Semoga bermanfaat dan tunggu artikel mengenai Decision Forest berikutnya.

Random Forest (5) - Desain Model

Artikel ini merupakan kelanjutan dari artikel sebelumnya tentang Random Forest.

  Flowchart Random Forest

Flowchart Random Forest
Flowchart Random Forest

======================

  Practical Consideration

======================

  • Splits dipilih berdasarkan ukuran purity:

    • Contoh: squared error (regression), Gini index atau deviance (classification)
  • Bagaimana memilih N (kasus)?

    • Bangun pohon keputusan hingga tidak terjadi penurunan nilai error
  • Bagaimana memilih M(variabel)?

    • Usulkan M berdasarkan rekomendasi default, coba separuhnya, coba 2x nya untuk kemudian dipilih m dengan nilai terbaik.

Semoga bermanfaat dan tunggu artikel mengenai Decision Forest berikutnya.

Random forest (4) - Aplikasi

Artikel ini merupakan kelanjutan dari artikel sebelumnya tentang Random Forest.

  Aplikasi Random Forest

Aplikasi Random Forest
Aplikasi Random Forest

======================

 Image classification

======================

  • ETH Zurich [Paper-CVPR15] [Paper-CVPR14] [Paper-ECCV]

    • Marko Ristin, Juergen Gall, Matthieu Guillaumin, and Luc Van Gool, From Categories to Subcategories: Large-scale Image Classification with Partial Class Label Refinement, CVPR 2015
    • Marko Ristin, Matthieu Guillaumin, Juergen Gall, and Luc Van Gool, Incremental Learning of NCM Forests for Large-Scale Image Classification, CVPR 2014
    • Lukas Bossard, Matthieu Guillaumin, and Luc Van Gool, Food-101 – Mining Discriminative Components with Random Forests, ECCV 2014
  • University of Girona & University of Oxford [Paper]

    • Anna Bosch, Andrew Zisserman, and Xavier Munoz, Image Classification using Random Forests and Ferns, ICCV 2007

 ======================

Object Detection

======================

  • Graz University of Technology [Paper-CVPR] [Paper-ICCV]

    • Samuel Schulter, Christian Leistner, Paul Wohlhart, Peter M. Roth, and Horst Bischof, Accurate Object Detection with Joint Classification-Regression Random Forests, CVPR 2014
    • Samuel Schulter, Christian Leistner, Paul Wohlhart, Peter M. Roth, and Horst Bischof, Alternating Regression Forests for Object Detection and Pose Estimation, ICCV 2013
  • ETH Zurich + Microsoft Research Cambridge [Paper]

    • Juergen Gall, and Victor Lempitsky, Class-Specific Hough Forests for Object Detection, CVPR 2009

======================

 Object Tracking

======================

  • Technische Universitat Munchen [Paper]

    • David Joseph Tan, and Slobodan Ilic, Multi-Forest Tracker: A Chameleon in Tracking, CVPR 2014
  • ETH Zurich + Leibniz University Hannover + Stanford University [Paper]

    • Laura Leal-Taixe, Michele Fenzi, Alina Kuznetsova, Bodo Rosenhahn, and Silvio Savarese, Learning an image-based motion context for multiple people tracking, CVPR 2014
  • Graz University of Technology [Paper]

    • Martin Godec, Peter M. Roth, and Horst Bischof, Hough-based Tracking of Non-Rigid Objects, ICCV 2011

======================

 Edge Detection

======================

  • University of California, Irvine [Paper] [Code]

    • Sam Hallman, and Charless C. Fowlkes, Oriented Edge Forests for Boundary Detection, CVPR 2015
  • Microsoft Research [Paper] [Code]

    • Piotr Dollar, and C. Lawrence Zitnick, Structured Forests for Fast Edge Detection, ICCV 2013
  • Massachusetts Inst. of Technology + Microsoft Research [Paper] [Code]

    • Joseph J. Lim, C. Lawrence Zitnick, and Piotr Dollar, Sketch Tokens: A Learned Mid-level Representation for Contour and Object Detection, CVPR 2013

 ======================

Semantic Segmentation

======================

  • Fondazione Bruno Kessler, Microsoft Research Cambridge [Paper]

    • Samuel Rota Bulo, and Peter Kontschieder, Neural Decision Forests for Semantic Image Labelling, CVPR 2014
  • INRIA + Microsoft Research Cambridge [Paper]

    • Herve Lombaert, Darko Zikic, Antonio Criminisi, and Nicholas Ayache, Laplacian Forests:Semantic Image Segmentation by Guided Bagging, MICCAI 2014
  • Microsoft Research Cambridge + GE Global Research Center + University of California + Rutgers Univeristy [Paper]

    • Albert Montillo1, Jamie Shotton, John Winn, Juan Eugenio Iglesias, Dimitri Metaxas, and Antonio Criminisi, Entangled Decision Forests and their Application for Semantic Segmentation of CT Images, IPMI 2011
  • University of Cambridge + Toshiba Corporate R&D Center [Paper]

    • Jamie Shotton, Matthew Johnson, and Roberto Cipolla, Semantic Texton Forests for Image Categorization and Segmentation, CVPR 2008

======================

Human / Hand Pose Estimation

======================

  • Microsoft Research Cambridge [Paper-CHI][Video-CHI] [Paper-CVPR]

    • Toby Sharp, Cem Keskin, Duncan Robertson, Jonathan Taylor, Jamie Shotton, David Kim, Christoph Rhemann, Ido Leichter, Alon Vinnikov, Yichen Wei, Daniel Freedman, Pushmeet Kohli, Eyal Krupka, Andrew Fitzgibbon, and Shahram Izadi, Accurate, Robust, and Flexible Real-time Hand Tracking, CHI 2015
    • Jonathan Taylor, Jamie Shotton, Toby Sharp, and Andrew Fitzgibbon, The Vitruvian Manifold:Inferring Dense Correspondences for One-Shot Human Pose Estimation, CVPR 2012
  • Microsoft Research Haifa [Paper]

    • Eyal Krupka, Alon Vinnikov, Ben Klein, Aharon Bar Hillel, and Daniel Freedman, Discriminative Ferns Ensemble for Hand Pose Recognition, CVPR 2014
  • Microsoft Research Asia [Paper]

    • Shaoqing Ren, Xudong Cao, Yichen Wei, and Jian Sun, Face Alignment at 3000 FPS via Regressing Local Binary Features, CVPR 2014
  • Imperial College London [Paper-CVPR-Face] [Paper-CVPR-Hand] [Paper-ICCV]

    • Xiaowei Zhao, Tae-Kyun Kim, and Wenhan Luo, Unified Face Analysis by Iterative Multi-Output Random Forests, CVPR 2014
    • Danhang Tang, Hyung Jin Chang, Alykhan Tejani, and Tae-Kyun Kim, Latent Regression Forest: Structured Estimation of 3D Articulated Hand Posture, CVPR 2014
    • Danhang Tang, Tsz-Ho Yu, and Tae-Kyun Kim, Real-time Articulated Hand Pose Estimation using Semi-supervised Transductive Regression Forests, ICCV 2013
  • ETH Zurich + Microsoft [Paper]

    • Matthias Dantone, Juergen Gall, Christian Leistner, and Luc Van Gool, Human Pose Estimation using Body Parts Dependent Joint Regressors, CVPR 2013

======================

3D localization

======================

  • Imperial College London [Paper]

    • Alykhan Tejani, Danhang Tang, Rigas Kouskouridas, and Tae-Kyun Kim, Latent-Class Hough Forests for 3D Object Detection and Pose Estimation, ECCV 2014
  • Microsoft Research Cambridge + University of Illinois + Imperial College London [Paper]

    • Abner Guzman-Rivera, Pushmeet Kohli, Ben Glocker, Jamie Shotton, Toby Sharp, Andrew Fitzgibbon, and Shahram Izadi, Multi-Output Learning for Camera Relocalization, CVPR 2014
  • Microsoft Research Cambridge [Paper]

    • Jamie Shotton, Ben Glocker, Christopher Zach, Shahram Izadi, Antonio Criminisi, and Andrew Fitzgibbon, Scene Coordinate Regression Forests for Camera Relocalization in RGB-D Images, CVPR 2013

======================

Low-Level vision

======================

  • Super-Resolution

    • Technicolor R&I Hannover [Paper]
      • Jordi Salvador, and Eduardo Pérez-Pellitero, Naive Bayes Super-Resolution Forest, ICCV 2015
    • Graz University of Technology [Paper]
      • Samuel Schulter, Christian Leistner, and Horst Bischof, Fast and Accurate Image Upscaling with Super-Resolution Forests, CVPR 2015
  • Denoising

    • Microsoft Research + iCub Facility - Istituto Italiano di Tecnologia [Paper]
      • Sean Ryan Fanello, Cem Keskin, Pushmeet Kohli, Shahram Izadi, Jamie Shotton, Antonio Criminisi, Ugo Pattacini, and Tim Paek, Filter Forests for Learning Data-Dependent Convolutional Kernels, CVPR 2014

======================

Facial expression recognition

======================

  • Sorbonne Universites [Paper]

    • Arnaud Dapogny, Kevin Bailly, and Severine Dubuisson, Pairwise Conditional Random Forests for Facial Expression Recognition, ICCV 2015

======================

Interpretability, regularization, compression pruning and feature selection

======================

  • Global Refinement of Random Forest [Paper]

    • Shaoqing Ren, Xudong Cao, Yichen Wei, Jian Sun, Global Refinement of Random Forest, CVPR 2015
  • L1-based compression of random forest models Arnaud Joly, Fran¸cois Schnitzler, Pierre Geurts and Louis Wehenkel ESANN 2012 [Paper]

  • Feature-Budgeted Random Forest [Paper] [Supp]

    • Feng Nan, Joseph Wang, Venkatesh Saligrama, Feature-Budgeted Random Forest, ICML 2015
    • Pruning Random Forests for Prediction on a Budget Feng Nan, Joseph Wang, Venkatesh Saligrama NIPS 2016 [Paper]
  • Meinshausen, Nicolai. "Node harvest." The Annals of Applied Statistics 4.4 (2010): 2049-2072. [Paper] [Code R] [Code Python]

  • Making Tree Ensembles Interpretable: A Bayesian Model Selection Approach S. Hara, K. Hayashi, [Paper] [Code]

  • Cui, Zhicheng, et al. "Optimal action extraction for random forests and boosted trees." ACM SIGKDD 2015. [Paper]

  • DART: Dropouts meet Multiple Additive Regression Trees K. V. Rashmi, Ran Gilad-Bachrach [Paper]

  • Begon, Jean-Michel, Arnaud Joly, and Pierre Geurts. Joint learning and pruning of decision forests. (2016). [Paper]


Semoga bermanfaat dan tunggu artikel mengenai Decision Forest berikutnya.

Tuesday, January 31, 2017

Random Forest (3) - Varian

Artikel ini merupakan kelanjutan dari artikel sebelumnya tentang Random Forest.

 Variasi Random Forest

Variasi Random Forest
Variasi Random Forest


Terdapat banyak turunan atau variasi dari Algoritma Random Forest (RF). Beberapa diantaranya adalah: 
  • Deep Neural Decision Forests [Paper]

    • Peter Kontschieder, Madalina Fiterau, Antonio Criminisi, and Samuel Rota Bulo, Deep Neural Decision Forests, ICCV 2015
  • Canonical Correlation Forests [Paper]

    • Tom Rainforth, and Frank Wood, Canonical Correlation Forests, arxiv 2015
  • Relating Cascaded Random Forests to Deep Convolutional Neural Networks [Paper]

    • David L Richmond, Dagmar Kainmueller, Michael Y Yang, Eugene W Myers, and Carsten Rother, Relating Cascaded Random Forests to Deep Convolutional Neural Networks for Semantic Segmentation, arxiv 2015
  • Bayesian Forests [Paper]

    • Taddy Matthew, Chun-Sheng Chen, Jun Yu, Mitch Wyle, Bayesian and Empirical Bayesian Forests, ICML 2015
  • Mondrian Forests: Efficient Online Random Forests [Paper] [Code] [Slides]

    • Balaji Lakshminarayanan, Daniel M. Roy and Yee Whye Teh, Mondrian Forests: Efficient Online Random Forests, NIPS 2014
  • Extremely randomized trees P Geurts, D Ernst, L Wehenkel - Machine learning, 2006 [Paper] [Code]

  • Decision Jungles [Paper]

    • Jamie Shotton, Toby Sharp, Pushmeet Kohli, Sebastian Nowozin, John Winn, and Antonio Criminisi, Decision Jungles: Compact and Rich Models for Classification, NIPS 2013
    • Laptev, Dmitry, and Joachim M. Buhmann. Transformation-invariant convolutional jungles. CVPR 2015. [Paper]
  • Semi-supervised Node Splitting for Random Forest Construction [Paper]

    • Xiao Liu, Mingli Song, Dacheng Tao, Zicheng Liu, Luming Zhang, Chun Chen and Jiajun Bu, Semi-supervised Node Splitting for Random Forest Construction, CVPR 2013
  • Improved Information Gain Estimates for Decision Tree Induction [Paper]

    • Sebastian Nowozin, Improved Information Gain Estimates for Decision Tree Induction, ICML 2012
  • MIForests: Multiple-Instance Learning with Randomized Trees [Paper] [Code]

    • Christian Leistner, Amir Saffari, and Horst Bischof, MIForests: Multiple-Instance Learning with Randomized Trees, ECCV 2010
  • Alternating Decision Forests.

    • Samuel Schulter, Paul Wohlhart, Christian Leistner, Amir Saffari, Peter M. Roth, Horst Bischof,CVPR 2013 Paper
  • Decision Forests, Convolutional Networks and the Models in-Between [Paper]

  • Random Uniform Forests Saïp Ciss [Paper] [Code R]

  • Autoencoder Trees, Ozan İrsoy, Ethem Alpaydın 2015 [Paper

 

Semoga bermanfaat dan tunggu artikel mengenai Decision Forest berikutnya.

Random Forest (2) - Algoritma

Artikel ini merupakan kelanjutan dari artikel sebelumnya tentang Random Forest.

Algoritma Random Forest (RF)

Algoritma Voting pada Random Forest (FR)
Algoritma Voting pada Random Forest (FR)

Setiap pohon keputusan dalam RF dibentuk menggunakan algoritma berikut:
1.Let the number of training cases be N, and the number of variables in the classifier be M.
2.We are told the number m of input variables to be used to determine the decision at a node of the tree; m should be much less than M.
3.Choose a training set for this tree by choosing n times with replacement from all N available training cases (i.e. take a bootstrap sample). Use the rest of the cases to estimate the error of the tree, by predicting their classes.
4.For each node of the tree, randomly choose m variables on which to base the decision at that node. Calculate the best split based on these m variables in the training set.
5.Each tree is fully grown and not pruned (as may be done in constructing a normal tree classifier).
Untuk memprediksi, sample baru dimasukkan ke dalam pohon keputusan yang ada untuk ditentukan kelas dari sample tersebut. Prosedur ini dilakukan berulang ke dalam keseluruhan pohon keputusan yang tergabung di dalam FR. Kesimpulan akhir mengenai kelas dari sample baru tersebut ditentukan dengan cara voting hasil kelas oleh seluruh pohon keputusan di dalam FR.

Semoga bermanfaat dan tunggu artikel mengenai Decision Forest berikutnya.

Random Forest (1) - Definisi

Definition 

Ilustrasi Random Forest
Ilustrasi Random Forest


Random forest (atau random forests) adalah sekumpulan classifier yang terdiri dari banyak pohon keputusan dan melakukan klasifikasi berdasarkan keluaran dari hasil klasifikasi setiap pohon keputusan anggota.

  • Istilah tersebut pertama kali diusulkan oleh Tin Kam Ho dari Bell Labs pada tahun 1995.
  • Metode ini menggabungkan ide "bagging" dari Breiman dengan pemilihan fitur dengan acak.


Untuk dapat memahami Random Forest (RF) lebih lanjut diperlukan pemahaman mengenai algoritma pohon keputusan.


Tips Mudah Lulus Sertifikasi Cisco (1)

Tips Mudah lulus Sertifikasi Cisco CCNA 200-125
Tips Mudah Lulus Sertifikasi Cisco CCNA Routing & Switching (200-125)

Materi: Ethernet - Duplex Mode

Tips Mudah Lulus Sertifikasi Cisco


Suatu jaringan menggunakan shared twisted pair yang menjalankan carrier sensing (CSMA). Salah satu port pada  network interface port mendeteksi tabrakan (collision detection). Apa yang dapat disimpulkan menganai interface port pada jaringan diatas berdasarkan informasi tersebut adalah:

.
.
.
.
.

Port pada interface tersebut adalah port Ethernet yang beroperasi pada mode half duplex.

Nantikan seri: "Tips Mudah Lulus Sertifikasi Cisco" berikutnya.

PENTING...DAFTAR AMALAN HATI dan dalilnya

Jika ia baik, seluruh tubuh baik. Jika ia rusak, seluruh tubuh juga rusak. Ketahuilah (segumpal daging) itu ialah hati

 PENGERTIAN



Yang dimaksud dengannya adalah semua amalan yang letaknya di dalam hati atau yang mempunyai hubungan dengannya. Amalan hati paling besar adalah keimanan kepada Allah.

Hati adalah standar kebaikan amalan badan. Ia ibarat pemimpin bagi badan. Baiknya hati akan berpengaruh pada baiknya amalan badan. Dan buruknya hati akan berpengaruh pada buruknya amalan badan. Rasulullah shallahu’alaihi wasallam bersabda:

أَلَا وَإِنَّ فِي الْجَسَدِ مُضْغَةً إِذَا صَلَحَتْ صَلَحَ الْجَسَدُ كُلُّهُ وَإِذَا فَسَدَتْ فَسَدَ الْجَسَدُ كُلُّهُ أَلَا وَهِيَ الْقَلْبُ
Ketahuilah, sesungguhnya di dalam tubuh manusia terdapat segumpal daging. Jika ia baik, seluruh tubuh baik. Jika ia rusak, seluruh tubuh juga rusak. Ketahuilah (segumpal daging) itu ialah hati..” (HR. Muslim).

BERIKUT ADALAH BEBERAPA AMALAN HATI:

 1. Niat

ٍعَنْ عُمَرَ أَنَّ رَسُولَ اللَّهِ صَلَّى اللَّهم عَلَيْهِ وَسَلَّمَ قَالَ إِنَّمَا الْأَعْمَالُ بِالنِّيَّةِ وَلِكُلِّ امْرِئٍ مَا نَوَى فَمَنْ كَانَتْ هِجْرَتُهُ إِلَى اللَّهِ وَرَسُولِهِ فَهِجْرَتُهُ إِلَى اللَّهِ وَرَسُولِهِ وَمَنْ كَانَتْ هِجْرَتُهُ لدُنْيَا يُصِيبُهَا أَوِ امْرَأَةٍ يَتَزَوَّجُهَا فَهِجْرَتُهُ إِلَى مَا هَاجَرَ إِلَيْهِ
Dari Umar radhiyallahu ‘anhu, bahwa Rasulullah shallallahu ‘alaihi wa sallam bersabda, “Amal itu tergantung niatnya, dan seseorang hanya mendapatkan sesuai niatnya. Barang siapa yang hijrahnya kepada Allah dan Rasul-Nya, maka hijrahnya kepada Allah dan Rasul-Nya, dan barang siapa yang hijrahnya karena dunia atau karena wanita yang hendak dinikahinya, maka hijrahnya itu sesuai ke mana ia hijrah.” 
(HR. Bukhari, Muslim, dan empat imam Ahli Hadits)

2. Roja’ (Rasa Harap)


فَمَنْ كَانَ يَرْجُو لِقَاءَ رَبِّهِ فَلْيَعْمَلْ عَمَلًا صَالِحًا وَلَا يُشْرِكْ بِعِبَادَةِ رَبِّهِ أَحَدًا
“…Maka barang siapa mengharap pertemuan dengan Rabb-nya maka hendaklah dia mengerjakan kebajikan dan janganlah dia mempersekutukan dengan sesuatu pun dalam beribadah kepada Rabb-nya.” 
[QS. Al-Kahfi: 110]

 3. Khauf (Rasa Takut)


فَلَا تَخۡشَوُاْ ٱلنَّاسَ وَٱخۡشَوۡنِ
“Maka janganlah kalian takut kepada manusia dan takutlah kalian kepada-Ku.”
  (al-Ma’idah: 44)

وَمَنْ يُطِعِ اللهَ وَرَسُوْلَهُ وَيَحْشَ اللهَ وَ يَتَّقْهِ فَأُوْلَئِكَ هُمُ الفَائِزُوْنَ

“Dan barang siapa yang taat kepada Allah dan Rasul-Nya dan takut kepada Allah dan bertaqwa kepada-Nya, maka mereka adalah orang-orang yang mendapat kemenangan.”
(An Nur: 52)
 


وَادْعُوهُ خَوْفًا وَطَمَعًا إِنَّ رَحْمَتَ اللَّهِ قَرِيبٌ مِنَ الْمُحْسِنِينَ
“Berdoalah kepada-Nya dengan rasa takut dan penuh harap. Sesungguhnya rahmat Allah sangat dekat kepada orang yang berbuat kebaikan.”
(Al-A’rof: 56)

4. Mahabbah (Rasa Cinta)


قُلْ اِنْ كُنْتُمْ تُحِبُّوْنَ اللهَ فَاتَّبِعُوْنِيْ يُحْبِبْكُمُ اللهَ وَيَغْفِرْ لَكُمْ ذُنُوْبَكُمْ وَاللهُ غَفُوْرٌ رَّحِيْمٌ
Katakanlah (Muhammad) “Jika kamu mencintai Allah, ikutilah aku, niscaya Allah mencintaimu dan mengampuni dosa-dosamu”. Allah Maha Pengampun, Maha Penyayang. 
(Q.S. Ali Imran : 31)


عَنْ أَنَسٍ عَنِ النَّبِىِّ - صلى الله عليه وسلم - قَالَ ثَلاَثٌ مَنْ كُنَّ فِيهِ وَجَدَ حَلاَوَةَ الإِيمَانِ أَنْ يَكُونَ اللَّهُ وَرَسُولُهُ أَحَبَّ إِلَيْهِ مِمَّا سِوَاهُمَا ، وَأَنْ يُحِبَّ الْمَرْءَ لاَ يُحِبُّهُ إِلاَّ لِلَّهِ ، وَأَنْ يَكْرَهَ أَنْ يَعُودَ فِى الْكُفْرِ كَمَا يَكْرَهُ أَنْ يُقْذَفَ فِى النَّارِ

Dari Anas, dari Nabi SAW beliau bersabda: "Tiga hal, barangsiapa memilikinya maka ia akan merasakan manisnya iman. (yaitu) menjadikan Allah dan Rasul-Nya lebih dicintai dari selainnya, mencintai seseorang semata-mata karena Allah, dan benci kembali kepada kekufuran sebagaimana bencinya ia jika dilempar ke dalam api neraka."
(Muttafaqun ‘alaihi. Al-Bukhari meriwayatkan dalam “Kitabul Iman” bab “Halawatil Iman (Manisnya Iman)” (1/60 no. 16))

5. Tawakal (Berserah diri)


فَبِمَا رَحْمَةٍ مِنَ اللَّهِ لِنْتَ لَهُمْ وَلَوْ كُنْتَ فَظًّا غَلِيظَ الْقَلْبِ لانْفَضُّوا مِنْ حَوْلِكَ فَاعْفُ عَنْهُمْ وَاسْتَغْفِرْ لَهُمْ وَشَاوِرْهُمْ فِي الأمْرِ فَإِذَا عَزَمْتَ فَتَوَكَّلْ عَلَى اللَّهِ إِنَّ اللَّهَ يُحِبُّ الْمُتَوَكِّلِينَ

"Maka disebabkan rahmat dari Allah-lah kamu Berlaku lemah lembut terhadap mereka. Sekiranya kamu bersikap keras lagi berhati kasar, tentulah mereka menjauhkan diri dari sekelilingmu. karena itu ma'afkanlah mereka, mohonkanlah ampun bagi mereka, dan bermusyawaratlah dengan mereka dalam urusan itu[246]. kemudian apabila kamu telah membulatkan tekad, Maka bertawakkallah kepada Allah. Sesungguhnya Allah menyukai orang-orang yang bertawakkal kepada-Nya."
(Ali Imran (3): 159).
  
وَلِلَّهِ غَيْبُ السَّمَاوَاتِ وَالْأَرْضِ وَإِلَيْهِ يُرْجَعُ الْأَمْرُ كُلُّهُ فَاعْبُدْهُ وَتَوَكَّلْ عَلَيْهِ وَمَا رَبُّكَ بِغَافِلٍ عَمَّا تَعْمَلُونَ
"dan kepunyaan allah-lah apa yang ghaib di langit dan di bumi dan kepada-Nyalah di kembalikan urusan-urusan semuanya, maka sembahlah Dia, dan bertawakalah kepadaNya . dan sekali-sekali tuhanmu tidak lalai dari apa yang kamu kerjakan."
(Hud: 123)



6. Ridho (menerima)


ذَاقَ طَعْمَ الإِيمَانِ مَنْ رَضِيَ بِاللَّهِ رَبًّا وَبِالإِسْلامِ دِينًا وَبِمُحَمَّدٍ رَسُوْلاً
“Akan merasakan kelezatan/kemanisan iman, orang yang ridha kepada Allah  sebagai Rabbnya dan Islam sebagai agamanya serta (nabi) Muhammad sebagai rasulnya”
(HR Muslim No 34)
 

7. Sabar 



قُلْ يَا عِبَادِ الَّذِينَ آمَنُوا اتَّقُوا رَبَّكُمْ ۚ لِلَّذِينَ أَحْسَنُوا فِي هَٰذِهِ الدُّنْيَا حَسَنَةٌ ۗ وَأَرْضُ اللَّهِ وَاسِعَةٌ ۗ إِنَّمَا يُوَفَّى الصَّابِرُونَ أَجْرَهُمْ بِغَيْرِ حِسَابٍ


Katakanlah: "Hai hamba-hamba-Ku yang beriman. bertakwalah kepada Tuhanmu". Orang-orang yang berbuat baik di dunia ini memperoleh kebaikan. Dan bumi Allah itu adalah luas. Sesungguhnya hanya orang-orang yang bersabarlah Yang dicukupkan pahala mereka tanpa batas.
(QS Az Zumar : 10)


8. Syukur


فَاذْكُرُونِي أَذْكُرْكُمْ وَاشْكُرُوا لِي وَلَا تَكْفُرُون
 “ Maka ingatlah kepada Ku, niscaya Aku akan ingat kepadamu ,Bersyukurlah kepada-Ku  ,Dan janganlah kamu  ingkar kepada-Ku “. 
( Qs. Al Baqarah : 152)

bersambung...

Wednesday, January 25, 2017

Buruan download...!!! Cisco IOS images for GNS3

Anda mau ujian sertifikasi Cisco (CCNA, CCNP hingga CCIE)?

Anda butuh simulator Cisco untuk ujian?

GNS3 adalah solusinya!!!

DOWNLOAD SEKARANG...!!!
GNS3 adalah open source (GNU GPL) perangkat lunak yang mensimulasikan jaringan yang kompleks agar semirip mungkin dengan jaringan nyata. Semua dilakukan tanpa perlu membeli perangkat keras jaringan seperti router dan switch.

Anda memerlukan perangkat fisik atau simulator untuk dapat latihan konfigurasi CCNA dan CCNP. Namun, tidak semua orang memiliki perangkat fisik, seperti router Cisco dan switch. Untungnya, ada berbagai simulator seperti Cisco Packet Tracer dan GNS3 yang dapat Anda gunakan untuk melakukan praktek lab.

Berikut ini adalah daftar beberapa versi IOS Cisco untuk simulasi GNS3.

1. Seri 1900. (download disini).
2. Seri 2600. (download disini).

DOWNLOAD SEKARANG...!!!

Semoga bermanfaat