Download Free Implementasi Machine Learning Dengan Python Gui Book in PDF and EPUB Free Download. You can read online Implementasi Machine Learning Dengan Python Gui and write the review.

Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “LEARN FROM SCRATCH MACHINE LEARNING WITH PYTHON GUI”. Anda bisa mengaksesnya di Amazon maupun di Google Books. Pada buku ini, Anda akan mempelajari cara menggunakan NumPy, Pandas, OpenCV, Scikit-Learn, dan pustaka lain untuk memplot grafik dan memproses citra digital. Kemudian, Anda akan mempelajari cara mengklasifikasikan fitur menggunakan model Perceptron, Adaline, Logistic Regression (LR), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), dan K-Nearest Neighbor (KNN). Anda juga akan belajar cara mengekstraksi fitur menggunakan algoritma Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), Kernel Principal Component Analysis (KPCA) dan menggunakannya dalam pembelajaran mesin (machine learning). Pada Bab 1, Anda akan mempelajari dasar-dasar penggunakan Python GUI dengan Qt Designer. Pada Bab 2, Anda akan mempelajari: Langkah-Langkah Menciptakan Grafik Garis Sederhana; Langkah-Langkah Menampilkan Grafik Garis dengan Python GUI: Bagian 1; Langkah-Langkah Menampilkan Grafik Garis dengan Python GUI: Bagian 2; Langkah-Langkah Menampilkan Dua atau Lebih Grafik pada Sumbu yang Sama; Langkah-Langkah Menciptakan Dua Sumbu pada Satu Canvas; Langkah-Langkah Menggunakan Dua Widget; Langkah-Langkah Menggunakan Dua Widget, Masing-Masing Memiliki Dua Sumbu; Langkah-Langkah Menggunakan Sumbu dengan Tingkat Keburaman Tertentu; Langkah-Langkah Memilih Warna Garis dari Combo Box; Langkah-Langkah Menghitung Fast Fourier Transform; Langkah-Langkah Menciptakan GUI untuk FFT; Langkah-Langkan Menciptakan GUI untuk FFT atas Sinyal-Sinyal Masukan Lain; Langkah-Langkah Menciptakan GUI untuk Sinyal Berderau; Langkah-Langkah Menciptakan GUI untuk Penapisan Sinyal Berderau; Langkah-Langkah Mencipakan GUI untuk Penapisan Sinyal Wav; Langkah-Langkah Mengkonversi Citra RGB Menjadi Keabuan; Langkah-Langkah Mengkonversi Citra RGB Menjadi Citra YUV; Langkah-Langkah Mengkonversi Citra RGB Menjadi Citra HSV; Langkah-Langkah Menapis Citra; Langkah-Langkah Menampilkan Histogram Citra ; Langkah-Langkah Menampilkan Histogram Citra Tertapis; Langkah-Langkah Menapis Citra: Memanfaatkan CheckBox; Langkah-Langkah Mengimplementasikan Ambang Batas Citra; dan Langkah-Langkah Mengimplementasikan Ambang Batas Adaptif. Pada Bab 3, Anda akan mempelajari: Langkah-Langkah Implementasi Perceptron; Langkah-Langkah Implementasi Perceptron dengan PyQt; Langkah-Langkah Implementasi Adaline (ADAptive LInear NEuron); dan Langkah-Langkah Implementasi Adaline dengan PyQt. Pada Bab 4, Anda akan mempelajari: Langkah-Langkah Implementasi Perceptron Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Model Logistic Regression (LR); Langkah-Langkah Implementasi Model Logistic Regression dengan PyQt; Langkah-Langkah Implementasi Model Logistic Regression Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Mode Support Vector Machine (SVM) Menggunakan Scikit-Learn; Langkah-Langkah Implementasi Decision Tree (DT) Menggunakan Scikit-Learn; Langkah-Langkah Implementasi Model Random Forest (RF) Menggunakan Scikit-Learn; dan Langkah-Langkah Implementasi Model K-Nearest Neighbor (KNN) Menggunakan Scikit-Learn. Pada Bab 5, Anda akan mempelajari: Langkah-Langkah Implementasi Principal Component Analysis (PCA); Langkah-Langkah Implementasi Principal Component Analysis (PCA); Menggunakan Scikit-Learn; Langkah-Langkah Implementasi Principal Component Analysis (PCA) Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Linear Discriminant Analysis (LDA); Langkah-Langkah Implementasi Linear Discriminant Analysis (LDA) dengan scikit-learn; Langkah-Langkah Implementasi Linear Discriminant Analysis (LDA); Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Kernel Principal Component Analysis (KPCA) Menggunakan Scikit-Learn; dan Langkah-Langkah Implementasi Kernel Principal Component Analysis (KPCA) Menggunakan Scikit-Learn dengan PyQt. Pada Bab 6, Anda akan mempelajari: Langkah-Langkah Memuat Dataset MNIST; Langkah-Langkah Memuat Dataset MNIST dengan PyQt; Langkah-Langkah Implementasi Perceptron dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Perceptron dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Perceptron dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Logistic Regression (LR) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Logistic Regression (LR) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Logistic Regression (LR) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Support Vector Machine (SVM) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Support Vector Machine (SVM) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Support Vector Machine (SVM) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Decision Tree (DT) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Decision Tree (DT) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Decision Tree (DT) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Random Forest (RF) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Random Forest (RF) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Random Forest (RF) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi K-Nearest Neighbor (KNN) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi K-Nearest Neighbor (KNN) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; dan Langkah-Langkah Implementasi K-Nearest Neighbor (KNN) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt. Pada Bab 7, Anda akan mempelajari: Langkah-Langkah Membangkitkan dan Menampilkan Citra Berderau; Langkah-Langkah Mengimplemantasikan Deteksi Tepi pada Citra; Langkah-Langkah Mengimplementasikan Segmentasi Menggunakan Ambang Batas Jamak dan Algoritma K-Means; Langkah-Langkah Mengimplementasikan Penekanan Derau pada Citra; Langkah-Langkah Mendeteksi Wajah, Mata, dan Mulut dengan Haar Cascades; Langkah-Langkah Mendeteksi Wajah Menggunakan Haar Cascades dengan PyQt; Langkah-Langkah Mendeteksi Mata dan Mulut Menggunakan Haar Cascades dengan PyQt; Langkah-Langkah Mengekstraksi Objek-Objek Terdeteksi; Langkah-Langkah Mendeteksi Fitur Citra dengan Harris Corner Detection; Langkah-Langkah Mendeteksi Fitur Citra dengan Shi-Tomasi Corner Detection; Langkah-Langkah Mendeteksi Fitur Citra dengan Scale-Invariant Feature Transform (SIFT) ; dan Langkah-Langkah Mendeteksi Fitur Citra dengan Accelerated Segment Test (FAST).
BUKU 1: Konsep dan Implementasi Pemrograman Python Buku ini merupakan buku teks pemrograman komputer menggunakan Python yang difokuskan untuk pembelajaran efektif. Sengaja dirancang untuk pelbagai tingkat ketertarikan dan kemampuan pembelajar, buku ini cocok untuk siswa SMA/SMK, mahasiswa, insinyur, dan bahkan peneliti dalam berbagai displin ilmu. Tidak ada pengalaman pemrograman yang diperlukan, dan hanya sedikit kemampun aljabar tingkat sekolah menenga atas yang diperlukan. Buku ini memang dirancang untuk mengambil rute tradisional, dengan lebih dahulu menekankan sintaksis-sintaksis dasar, struktur-struktur kendali, fungsi, dekomposisi prosedural, dan struktur data built-in seperti list, set, dan kamus (dictionary). Panduan langkah-demi-langkah di dalamnya diharapkan bisa membantu kepercayaan diri pembaca untuk menjadi programer yang bisa menyelesaikan permasalahan-permasalahan pemrograman. Sejumlah contoh disediakan untuk mendemonstrasikan bagaimana menerapkan konsep-konsep yang telah disajikan terhadap sejumlahan tantangan pemrograman. Pada Bab 1, Anda akan diajari mengenal IDE Spyder untuk memprogram Python dan mengetahui sintaksis dasar dari program sederhana Python. Pada Bab 2, Anda akan belajar: Mendefinisikan dan menggunakan variabel dan konstanta; Memahami sejumlah watak dan keterbatasan bilangan integer (bilangan bulat) dan titik-mengambang (bilangan pecahan); Memahami pentingnya komentar dan tataletak kode; Menulis ekspresi aritmatik dan statemen penugasan; Menciptakan program yang membaca dan memproses masukan, dan menampilkan hasilnya; Bagaimana menggunakan string Python; Menciptakan program grafika menggunakan sejumlah bangun dasar dan teks. Pada Bab 3, Anda akan belajar: Mengimplementasikan keputusan menggunakan statemen if; Membandingkan bilangan integer, titik-mengambang, dan string; Menuliskan statemen menggunakan ekspresi Boolean; Memvalidasi masukan user. Pada Bab 4, Anda akan belajar: Mengimplementasikan loop while dan for; Menjadi familiar dengan algoritma-algoritma yang melibatkan loop; Memahami loop bersarang; Memproses string. Pada Bab 5, Anda akan belajar: Bagaimana mengimplementasikan fungsi; Menjadi familiar dengan konsep pelewatan parameter; Mengembangkan strategi pendekomposisian pekerjaan kompleks menjadi pekerjaan-pekerjaan yang lebih mudah; Mampu menentukan skop variabel. Pada Bab 6, Anda akan belajar: Mengumpulkan elemen-elemen menggunkan list; Menggunakan loop for untuk menjelajah list; Menggunakan sejumlah algoritma umum untuk memproses list; Menggunakan list dengan fungsi; Bekerja dengan tabel data. Pada Bab 7, Anda akan belajar: Membangun dan menggunakan kontainer set; Menggunakan operasi-operasi set untuk memproses data; Membangun dan menggunakan kontainer dictionary; Menggunakan dictionary untuk tabel; Menggunakan struktur kompleks. BUKU 2: SINYAL DAN CITRA DIGITAL dengan PYTHON GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “LEARN FROM SCRATCH SIGNAL AND IMAGE PROCESSING WITH PYTHON GUI”. Anda bisa mengaksesnya di Amazon maupun di Google Books. Pada buku ini, Anda akan belajar bagaimana menggunakan OpenCV, NumPy dan sejumlah pustaka lain untuk melakukan pemrosesan sinyal, pemrosesan citra, deteksi objek, dan ekstraksi fitur dengan memanfaatkan Python GUI (PyQt). Anda akan belajar cara memfilter sinyal, mendeteksi tepi dan segmen, dan menekan derau pada citra dengan memanfaatkan PyQt. Anda juga akan belajar cara mendeteksi objek (wajah, mata, dan mulut) menggunakan Haar Cascades dan cara mendeteksi fitur pada citra menggunakan Harris Corner Detection, Shi-Tomasi Corner Detector, Scale-Invariant Feature Transform (SIFT), dan Features from Accelerated Uji Segmen (FAST). Pada bab 1, Anda akan mempelajari secara langkah demi langkah: membuat aplikasi gui sederhana; menggunakan tombol radio; mengelompokkan tombol radio; menggunakan widget kotak centang; menggunakan dua grup kotak centang; memahami sinyal dan slot; mengonversi jenis data; menggunakan widget spin box; menggunakan scrollbar dan slider; menggunakan list widget; menggunakan kotak kombo; dan menggunakan widget Table. Pada bab 2, Anda akan mempelajari secara langkah demi langkah: membuat grafik garis sederhana; membuat grafik garis sederhana dengan python gui; membuat grafik garis sederhana dengan python gui: bagian 2; membuat dua atau lebih banyak grafik di sumbu yang sama;membuat dua sumbu dalam satu kanvas; menggunakan dua widget;menggunakan dua widget, masing-masing memiliki dua sumbu; menggunakan sumbu dengan tingkat opacity tertentu; memilih warna garis dari combo box; menghitung fast fourier transform; membuat gui untuk FFT; membuat gui untuk FFT dengan beberapa sinyal input lain; membuat gui untuk sinyal bising; membuat gui untuk penapisan sinyal berderau; dan membuat gui untuk penapisan sinyal wav. Pada bab 3, Anda akan mempelajari secara langkah demi langkah: mengkonversi citra RGB menjadi grayscale; mengubah citra RGB menjadi citra YUV; mengkonversi citra RGB menjadi citra HSV; memfilter citra; menampilkan histogram citra; menampilkan histogram citra tertapis; memfilter citra dengan memanfaatkan opsi pada kotak centang; menerapkan ambang batas citra; dan menerapkan ambang batas citra adaptif. Pada bab 4, Anda akan mempelajari secara langkah demi langkah: membangkitkan dan menampilkan citra berderau; menerapkan deteksi tepi pada citra; menerapkan segmentasi citra menggunakan algoritma multiple thresholding dan k-means; dan menerapkan penekanan derau citra. Pada bab 5, Anda akan mempelajari secara langkah demi langkah: mendeteksi wajah, mata, dan mulut menggunakan haar cascades; mendeteksi wajah menggunakan haar cascades dengan pyqt; mendeteksi mata, dan mulut menggunakan haar cascades dengan pyqt; dan mengekstraksi objek yang terdeteksi. Pada bab 6, Anda akan mempelajari secara langkah demi langkah: mendeteksi fitur citra menggunakan deteksi harris corner; mendeteksi fitur citra menggunakan deteksi sudut shi-tomasi; mendeteksi fitur citra menggunakan Scale-Invariant Feature Transform (SIFT); dan mendeteksi fitur citra menggunakan Features from Accelerated Uji Segmen (FAST). BUKU 3: IMPLEMENTASI MACHINE LEARNING DENGAN PYTHON GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “LEARN FROM SCRATCH MACHINE LEARNING WITH PYTHON GUI”. Anda bisa mengaksesnya di Amazon maupun di Google Books. Pada buku ini, Anda akan mempelajari cara menggunakan NumPy, Pandas, OpenCV, Scikit-Learn, dan pustaka lain untuk memplot grafik dan memproses citra digital. Kemudian, Anda akan mempelajari cara mengklasifikasikan fitur menggunakan model Perceptron, Adaline, Logistic Regression (LR), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), dan K-Nearest Neighbor (KNN). Anda juga akan belajar cara mengekstraksi fitur menggunakan algoritma Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), Kernel Principal Component Analysis (KPCA) dan menggunakannya dalam pembelajaran mesin (machine learning). Pada Bab 1, Anda akan mempelajari dasar-dasar penggunakan Python GUI dengan Qt Designer. Pada Bab 2, Anda akan mempelajari: Langkah-Langkah Menciptakan Grafik Garis Sederhana; Langkah-Langkah Menampilkan Grafik Garis dengan Python GUI: Bagian 1; Langkah-Langkah Menampilkan Grafik Garis dengan Python GUI: Bagian 2; Langkah-Langkah Menampilkan Dua atau Lebih Grafik pada Sumbu yang Sama; Langkah-Langkah Menciptakan Dua Sumbu pada Satu Canvas; Langkah-Langkah Menggunakan Dua Widget; Langkah-Langkah Menggunakan Dua Widget, Masing-Masing Memiliki Dua Sumbu; Langkah-Langkah Menggunakan Sumbu dengan Tingkat Keburaman Tertentu; Langkah-Langkah Memilih Warna Garis dari Combo Box; Langkah-Langkah Menghitung Fast Fourier Transform; Langkah-Langkah Menciptakan GUI untuk FFT; Langkah-Langkan Menciptakan GUI untuk FFT atas Sinyal-Sinyal Masukan Lain; Langkah-Langkah Menciptakan GUI untuk Sinyal Berderau; Langkah-Langkah Menciptakan GUI untuk Penapisan Sinyal Berderau; Langkah-Langkah Mencipakan GUI untuk Penapisan Sinyal Wav; Langkah-Langkah Mengkonversi Citra RGB Menjadi Keabuan; Langkah-Langkah Mengkonversi Citra RGB Menjadi Citra YUV; Langkah-Langkah Mengkonversi Citra RGB Menjadi Citra HSV; Langkah-Langkah Menapis Citra; Langkah-Langkah Menampilkan Histogram Citra ; Langkah-Langkah Menampilkan Histogram Citra Tertapis; Langkah-Langkah Menapis Citra: Memanfaatkan CheckBox; Langkah-Langkah Mengimplementasikan Ambang Batas Citra; dan Langkah-Langkah Mengimplementasikan Ambang Batas Adaptif. Pada Bab 3, Anda akan mempelajari: Langkah-Langkah Implementasi Perceptron; Langkah-Langkah Implementasi Perceptron dengan PyQt; Langkah-Langkah Implementasi Adaline (ADAptive LInear NEuron); dan Langkah-Langkah Implementasi Adaline dengan PyQt. Pada Bab 4, Anda akan mempelajari: Langkah-Langkah Implementasi Perceptron Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Model Logistic Regression (LR); Langkah-Langkah Implementasi Model Logistic Regression dengan PyQt; Langkah-Langkah Implementasi Model Logistic Regression Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Mode Support Vector Machine (SVM) Menggunakan Scikit-Learn; Langkah-Langkah Implementasi Decision Tree (DT) Menggunakan Scikit-Learn; Langkah-Langkah Implementasi Model Random Forest (RF) Menggunakan Scikit-Learn; dan Langkah-Langkah Implementasi Model K-Nearest Neighbor (KNN) Menggunakan Scikit-Learn. Pada Bab 5, Anda akan mempelajari: Langkah-Langkah Implementasi Principal Component Analysis (PCA); Langkah-Langkah Implementasi Principal Component Analysis (PCA); Menggunakan Scikit-Learn; Langkah-Langkah Implementasi Principal Component Analysis (PCA) Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Linear Discriminant Analysis (LDA); Langkah-Langkah Implementasi Linear Discriminant Analysis (LDA) dengan scikit-learn; Langkah-Langkah Implementasi Linear Discriminant Analysis (LDA); Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Kernel Principal Component Analysis (KPCA) Menggunakan Scikit-Learn; dan Langkah-Langkah Implementasi Kernel Principal Component Analysis (KPCA) Menggunakan Scikit-Learn dengan PyQt. Pada Bab 6, Anda akan mempelajari: Langkah-Langkah Memuat Dataset MNIST; Langkah-Langkah Memuat Dataset MNIST dengan PyQt; Langkah-Langkah Implementasi Perceptron dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Perceptron dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Perceptron dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Logistic Regression (LR) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Logistic Regression (LR) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Logistic Regression (LR) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Support Vector Machine (SVM) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Support Vector Machine (SVM) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Support Vector Machine (SVM) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Decision Tree (DT) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Decision Tree (DT) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Decision Tree (DT) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Random Forest (RF) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Random Forest (RF) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Random Forest (RF) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi K-Nearest Neighbor (KNN) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi K-Nearest Neighbor (KNN) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; dan Langkah-Langkah Implementasi K-Nearest Neighbor (KNN) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt. Pada Bab 7, Anda akan mempelajari: Langkah-Langkah Membangkitkan dan Menampilkan Citra Berderau; Langkah-Langkah Mengimplemantasikan Deteksi Tepi pada Citra; Langkah-Langkah Mengimplementasikan Segmentasi Menggunakan Ambang Batas Jamak dan Algoritma K-Means; Langkah-Langkah Mengimplementasikan Penekanan Derau pada Citra; Langkah-Langkah Mendeteksi Wajah, Mata, dan Mulut dengan Haar Cascades; Langkah-Langkah Mendeteksi Wajah Menggunakan Haar Cascades dengan PyQt; Langkah-Langkah Mendeteksi Mata dan Mulut Menggunakan Haar Cascades dengan PyQt; Langkah-Langkah Mengekstraksi Objek-Objek Terdeteksi; Langkah-Langkah Mendeteksi Fitur Citra dengan Harris Corner Detection; Langkah-Langkah Mendeteksi Fitur Citra dengan Shi-Tomasi Corner Detection; Langkah-Langkah Mendeteksi Fitur Citra dengan Scale-Invariant Feature Transform (SIFT) ; dan Langkah-Langkah Mendeteksi Fitur Citra dengan Accelerated Segment Test (FAST). BUKU 4: Implementasi DEEP LEARNING Menggunakan Scikit-Learn, Keras, Dan Tensorflow Dengan Python GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “The Practical Guides On Deep Learning Using SCIKIT-LEARN, KERAS, and TENSORFLOW with Python GUI” yang dapat dilihat di Amazon maupun Google Books. Dalam buku ini, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy, dan library lainnya untuk mengimplementasikan deep learning dalam mengenali rambu lalu lintas menggunakan dataset GTSRB, mendeteksi tumor otak menggunakan dataset MRI Brain Image, mengklasifikasikan gender, dan mengenali ekspresi wajah menggunakan dataset FER2013. Pada bab 1, Anda akan belajar membuat aplikasi GUI untuk menampilkan grafik garis menggunakan PyQt. Anda juga akan belajar bagaimana mengkonversi citra menjadi keabuan, menjadi ruang warna YUV, dan menjadi ruang warna HSV. Bab ini juga mengajarkan bagaimana menampilkan citra dan histogramnya dan merancang GUI untuk mengimplementasikannya. Pada bab 2, Anda akan belajar menggunakan TensorFlow, Keras, Scikit-Learn, Pandas, NumPy dan sejumlah pustaka lain untuk memprediksi digit-digit tulisan tangan menggunakan dataset MNIST. Pada bab 3, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, PIL, Pandas, NumPy, dan pustaka lain untuk mengenali rambu lalu lintas menggunakan dataset GTSRB dari Kaggle. Ada beberapa jenis rambu lalu lintas seperti batas kecepatan, dilarang masuk, rambu lalu lintas, belok kiri atau kanan, anak-anak menyeberang, tidak ada kendaraan berat yang lewat, dll. Klasifikasi rambu lalu lintas adalah proses untuk mengidentifikasi kelas rambu lalu lintas tersebut. Pada proyek Python ini, Anda akan membangun model jaringan saraf tiruan (deep neural network) yang dapat mengklasifikasikan rambu lalu lintas dalam citra ke dalam kategori yang berbeda. Dengan model ini, Anda akan dapat membaca dan memahami rambu lalu lintas yang merupakan pekerjaan yang sangat penting bagi semua kendaraan otonom. Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 4, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, Pandas, NumPy dan pustaka lainnya untuk melakukan pendeteksian tumor otak menggunakan dataset Brain Image MRI yang disediakan oleh Kaggle (https://www.kaggle.com/navoneel/brain-mri-images-for-brain-tumor-detection). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 5, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan library lain untuk melakukan klasifikasi gender menggunakan dataset yang disediakan oleh Kaggle (https://www.kaggle.com/cashutosh/gender-classification-dataset). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 6, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan pustaka lain untuk melakukan pengenalan ekspresi wajah menggunakan dataset FER2013 yang disediakan oleh Kaggle (https://www.kaggle.com/nicolejyt/facialexpressionrecognition). Anda juga akan membangun sebuah GUI untuk tujuan ini. BUKU 5: Panduan Praktis Deep Learning Menggunakan Scikit-Learn, Keras, Dan Tensorflow Dengan Python GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “STEP BY STEP TUTORIALS ON DEEP LEARNING USING SCIKIT-LEARN, KERAS, AND TENSORFLOW WITH PYTHON GUI” yang dapat dilihat di Amazon maupun Google Books. Dalam buku ini, Anda akan mempelajari cara menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy, dan library lainnya untuk mengimplementasikan deteksi wajah, mata, dan mulut menggunakan Haar Cascades, klasifikasi/prediksi buah, klasifikasi/prediksi kucing/anjing, klasifikasi/prediksi mebel, klasifikasi/prediksi mode (fashion). Pada bab 1, Anda akan belajar bagaimana menggunakan pustaka OpenCV, PIL, NumPy dan pustaka lain untuk melakukan deteksi wajah, mata, dan mulut menggunakan Haar Cascades dengan Python GUI (PyQt). Pada bab 2, Anda akan mempelajari bagaimana memanfaatkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan pustaka-pustaka lain untuk mengimplementasikan klasifikasi buah menggunakan dataset Fruits 360 yang disediakan oleh Kaggle (https://www.kaggle.com/moltean/fruits/code). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 3, Anda akan belajar menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk klasifikasi kucing/anjing menggunakan dataset yang disediakan oleh Kaggle (https://www.kaggle.com/chetankv/dogs-cats-images). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 4, Anda akan belajar menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan pustakan lain untuk mendeteksi atau mengklasifikasi mebel menggunakan dataset Furniture Detector yang disediakan oleh Kaggle (https://www.kaggle.com/akkithetechie/furniture-detector). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 5, Anda akan memanfaatkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah modul lain untuk melakukan klasifikasi terhadap citra-citra mode menggunakan dataset Fashion MNIST yang disediakan oleh Kaggle (https://www.kaggle.com/zalando-research/fashionmnist/code). Anda juga akan membangun sebuah GUI untuk tujuan ini. BUKU 6: Tutorial Langkah Demi Langkah DEEP LEARNING Menggunakan Scikit-Learn, Keras, Dan TensorFlow Dengan Python GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “Step by Step Tutorials Image Classification Using Scikit-Learn, Keras, and Tensorflow with Python GUI” yang dapat dilihat di Amazon maupun Google Books. Pada bab 1, Anda akan belajar dasar-dasar penggunaan PyQt untuk pemrosesan citra digital. Sejumlah projek Python GUI yang diimplementasikan di sini adalah mengkonversi citra RGB menjadi keabuan, mengkonversi citra RGB menjadi citra YUV, mengkonversi citra RGB menjadi citra HSV, menapis citra, menampilkan histogram citra, menampilkan histogram citra tertapis, dan memanfaatkan widget checkbox untuk penapisan citra, dan menerapkan ambang batas citra. Pada bab 2, Anda akan memanfaatkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mengklasifikasi spesies monyet menggunakan dataset 10 Monkey Species yang disediakan oleh Kaggle (https://www.kaggle.com/slothkong/10-monkey-species/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 3, Pada tutorial ini, Anda akan belajar menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustakan lain untuk mengklasifikasi batu, kertas, dan gunting menggunakan dataset yang disediakan oleh Kaggle (https://www.kaggle.com/sanikamal/rock-paper-scissors-dataset/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 4, Anda akan belajar menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mengklasifikasi pesawat, mobil, dan kapal menggunakan dataset Multiclass-image-dataset-airplane-car-ship yang disediakan oleh Kaggle (https://www.kaggle.com/abtabm/multiclassimagedatasetairplanecar). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 5, Anda akan belajar menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mendeteksi face mask menggunakan dataset Face Mask Detection Dataset yang disediakan oleh Kaggle (https://www.kaggle.com/omkargurav/face-mask-dataset/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. BUKU 7: Klasifikasi Citra Berbasis Deep Learning Menggunakan Scikit-Learn, Tensorflow, Dan Keras Dengan Python GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “Project-Based Approach On DEEP LEARNING Using Scikit-Learn, Keras, and Tensorflow with Python GUI” yang dapat dilihat di Amazon maupun Google Books. Dalam buku ini, Anda akan mempelajari cara menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy, dan library lainnya untuk mengimplementasikan klasifikasi citra. Pada Bab 1, Anda akan menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy danb sejumlah pustaka lain untuk klasifikasi cuaca menggunakan dataset Multi-class Weather Dataset yang disediakan oleh Kaggle (https://www.kaggle.com/pratik2901/multiclass-weather-dataset/download). Pada Bab 2, Anda akan menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mengenali jenis bunga menggunakan dataset Flowers Recognition dataset yang disediakan oleh Kaggle (https://www.kaggle.com/alxmamaev/flowers-recognition/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada Bab 3, Anda akan menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mendeteksi plat nomor kendaraan menggunakan dataset Car License Plate Detection yang disediakan oleh Kaggle (https://www.kaggle.com/andrewmvd/car-plate-detection/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada Bab 4, Anda akan belajar bagaimana menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk melakukan pengenalan bahasa isyarat menggunakan Sign Language Digits Dataset yang disediakan oleh Kaggle (https://www.kaggle.com/ardamavi/sign-language-digits-dataset/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada Bab 5, Anda akan belajar bagaimana menerapkan pustaka TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mendeteksi keretakan permukaan beton menggunakan dataset Surface Crack Detection yang disediakan oleh Kaggle (https://www.kaggle.com/arunrk7/surface-crack-detection/download). Anda juga akan membangun sebuah GUI untuk tujuan ini.
PROJECT 1: THE APPLIED DATA SCIENCE WORKSHOP: Prostate Cancer Classification and Recognition Using Machine Learning and Deep Learning with Python GUI Prostate cancer is cancer that occurs in the prostate. The prostate is a small walnut-shaped gland in males that produces the seminal fluid that nourishes and transports sperm. Prostate cancer is one of the most common types of cancer. Many prostate cancers grow slowly and are confined to the prostate gland, where they may not cause serious harm. However, while some types of prostate cancer grow slowly and may need minimal or even no treatment, other types are aggressive and can spread quickly. The dataset used in this project consists of 100 patients which can be used to implement the machine learning and deep learning algorithms. The dataset consists of 100 observations and 10 variables (out of which 8 numeric variables and one categorical variable and is ID) which are as follows: Id, Radius, Texture, Perimeter, Area, Smoothness, Compactness, Diagnosis Result, Symmetry, and Fractal Dimension. The models used in this project are K-Nearest Neighbor, Random Forest, Naive Bayes, Logistic Regression, Decision Tree, Support Vector Machine, Adaboost, LGBM classifier, Gradient Boosting, XGB classifier, MLP classifier, and CNN 1D. Finally, you will develop a GUI using PyQt5 to plot boundary decision, ROC, distribution of features, feature importance, cross validation score, and predicted values versus true values, confusion matrix, learning curve, performance of the model, scalability of the model, training loss, and training accuracy. PROJECT 2: THE APPLIED DATA SCIENCE WORKSHOP: Urinary Biomarkers Based Pancreatic Cancer Classification and Prediction Using Machine Learning with Python GUI Pancreatic cancer is an extremely deadly type of cancer. Once diagnosed, the five-year survival rate is less than 10%. However, if pancreatic cancer is caught early, the odds of surviving are much better. Unfortunately, many cases of pancreatic cancer show no symptoms until the cancer has spread throughout the body. A diagnostic test to identify people with pancreatic cancer could be enormously helpful. In a paper by Silvana Debernardi and colleagues, published this year in the journal PLOS Medicine, a multi-national team of researchers sought to develop an accurate diagnostic test for the most common type of pancreatic cancer, called pancreatic ductal adenocarcinoma or PDAC. They gathered a series of biomarkers from the urine of three groups of patients: Healthy controls, Patients with non-cancerous pancreatic conditions, like chronic pancreatitis, and Patients with pancreatic ductal adenocarcinoma. When possible, these patients were age- and sex-matched. The goal was to develop an accurate way to identify patients with pancreatic cancer. The key features are four urinary biomarkers: creatinine, LYVE1, REG1B, and TFF1. Creatinine is a protein that is often used as an indicator of kidney function. YVLE1 is lymphatic vessel endothelial hyaluronan receptor 1, a protein that may play a role in tumor metastasis. REG1B is a protein that may be associated with pancreas regeneration. TFF1 is trefoil factor 1, which may be related to regeneration and repair of the urinary tract. The models used in this project are K-Nearest Neighbor, Random Forest, Naive Bayes, Logistic Regression, Decision Tree, Support Vector Machine, Adaboost, LGBM classifier, Gradient Boosting, XGB classifier, and MLP classifier. Finally, you will develop a GUI using PyQt5 to plot boundary decision, ROC, distribution of features, feature importance, cross validation score, and predicted values versus true values, confusion matrix, learning curve, performance of the model, scalability of the model, training loss, and training accuracy. PROJECT 3: DATA SCIENCE CRASH COURSE: Voice Based Gender Classification and Prediction Using Machine Learning and Deep Learning with Python GUI This dataset was created to identify a voice as male or female, based upon acoustic properties of the voice and speech. The dataset consists of 3,168 recorded voice samples, collected from male and female speakers. The voice samples are pre-processed by acoustic analysis in R using the seewave and tuneR packages, with an analyzed frequency range of 0hz-280hz (human vocal range). The following acoustic properties of each voice are measured and included within the CSV: meanfreq: mean frequency (in kHz); sd: standard deviation of frequency; median: median frequency (in kHz); Q25: first quantile (in kHz); Q75: third quantile (in kHz); IQR: interquantile range (in kHz); skew: skewness; kurt: kurtosis; sp.ent: spectral entropy; sfm: spectral flatness; mode: mode frequency; centroid: frequency centroid (see specprop); peakf: peak frequency (frequency with highest energy); meanfun: average of fundamental frequency measured across acoustic signal; minfun: minimum fundamental frequency measured across acoustic signal; maxfun: maximum fundamental frequency measured across acoustic signal; meandom: average of dominant frequency measured across acoustic signal; mindom: minimum of dominant frequency measured across acoustic signal; maxdom: maximum of dominant frequency measured across acoustic signal; dfrange: range of dominant frequency measured across acoustic signal; modindx: modulation index. Calculated as the accumulated absolute difference between adjacent measurements of fundamental frequencies divided by the frequency range; and label: male or female. The models used in this project are K-Nearest Neighbor, Random Forest, Naive Bayes, Logistic Regression, Decision Tree, Support Vector Machine, Adaboost, LGBM classifier, Gradient Boosting, XGB classifier, MLP classifier, and CNN 1D. Finally, you will develop a GUI using PyQt5 to plot boundary decision, ROC, distribution of features, feature importance, cross validation score, and predicted values versus true values, confusion matrix, learning curve, performance of the model, scalability of the model, training loss, and training accuracy. PROJECT 4: DATA SCIENCE CRASH COURSE: Thyroid Disease Classification and Prediction Using Machine Learning and Deep Learning with Python GUI Thyroid disease is a general term for a medical condition that keeps your thyroid from making the right amount of hormones. Thyroid typically makes hormones that keep body functioning normally. When the thyroid makes too much thyroid hormone, body uses energy too quickly. The two main types of thyroid disease are hypothyroidism and hyperthyroidism. Both conditions can be caused by other diseases that impact the way the thyroid gland works. Dataset used in this project was from Garavan Institute Documentation as given by Ross Quinlan 6 databases from the Garavan Institute in Sydney, Australia. Approximately the following for each database: 2800 training (data) instances and 972 test instances. This dataset contains plenty of missing data, while 29 or so attributes, either Boolean or continuously-valued. The models used in this project are K-Nearest Neighbor, Random Forest, Naive Bayes, Logistic Regression, Decision Tree, Support Vector Machine, Adaboost, LGBM classifier, Gradient Boosting, XGB classifier, MLP classifier, and CNN 1D. Finally, you will develop a GUI using PyQt5 to plot boundary decision, ROC, distribution of features, feature importance, cross validation score, and predicted values versus true values, confusion matrix, learning curve, performance of the model, scalability of the model, training loss, and training accuracy.
BUKU 1: IMPLEMENTASI MACHINE LEARNING DENGAN PYTHON GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “LEARN FROM SCRATCH MACHINE LEARNING WITH PYTHON GUI”. Anda bisa mengaksesnya di Amazon maupun di Google Books. Pada buku ini, Anda akan mempelajari cara menggunakan NumPy, Pandas, OpenCV, Scikit-Learn, dan pustaka lain untuk memplot grafik dan memproses citra digital. Kemudian, Anda akan mempelajari cara mengklasifikasikan fitur menggunakan model Perceptron, Adaline, Logistic Regression (LR), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), dan K-Nearest Neighbor (KNN). Anda juga akan belajar cara mengekstraksi fitur menggunakan algoritma Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), Kernel Principal Component Analysis (KPCA) dan menggunakannya dalam pembelajaran mesin (machine learning). Pada Bab 1, Anda akan mempelajari dasar-dasar penggunakan Python GUI dengan Qt Designer. Pada Bab 2, Anda akan mempelajari: Langkah-Langkah Menciptakan Grafik Garis Sederhana; Langkah-Langkah Menampilkan Grafik Garis dengan Python GUI: Bagian 1; Langkah-Langkah Menampilkan Grafik Garis dengan Python GUI: Bagian 2; Langkah-Langkah Menampilkan Dua atau Lebih Grafik pada Sumbu yang Sama; Langkah-Langkah Menciptakan Dua Sumbu pada Satu Canvas; Langkah-Langkah Menggunakan Dua Widget; Langkah-Langkah Menggunakan Dua Widget, Masing-Masing Memiliki Dua Sumbu; Langkah-Langkah Menggunakan Sumbu dengan Tingkat Keburaman Tertentu; Langkah-Langkah Memilih Warna Garis dari Combo Box; Langkah-Langkah Menghitung Fast Fourier Transform; Langkah-Langkah Menciptakan GUI untuk FFT; Langkah-Langkan Menciptakan GUI untuk FFT atas Sinyal-Sinyal Masukan Lain; Langkah-Langkah Menciptakan GUI untuk Sinyal Berderau; Langkah-Langkah Menciptakan GUI untuk Penapisan Sinyal Berderau; Langkah-Langkah Mencipakan GUI untuk Penapisan Sinyal Wav; Langkah-Langkah Mengkonversi Citra RGB Menjadi Keabuan; Langkah-Langkah Mengkonversi Citra RGB Menjadi Citra YUV; Langkah-Langkah Mengkonversi Citra RGB Menjadi Citra HSV; Langkah-Langkah Menapis Citra; Langkah-Langkah Menampilkan Histogram Citra ; Langkah-Langkah Menampilkan Histogram Citra Tertapis; Langkah-Langkah Menapis Citra: Memanfaatkan CheckBox; Langkah-Langkah Mengimplementasikan Ambang Batas Citra; dan Langkah-Langkah Mengimplementasikan Ambang Batas Adaptif. Pada Bab 3, Anda akan mempelajari: Langkah-Langkah Implementasi Perceptron; Langkah-Langkah Implementasi Perceptron dengan PyQt; Langkah-Langkah Implementasi Adaline (ADAptive LInear NEuron); dan Langkah-Langkah Implementasi Adaline dengan PyQt. Pada Bab 4, Anda akan mempelajari: Langkah-Langkah Implementasi Perceptron Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Model Logistic Regression (LR); Langkah-Langkah Implementasi Model Logistic Regression dengan PyQt; Langkah-Langkah Implementasi Model Logistic Regression Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Mode Support Vector Machine (SVM) Menggunakan Scikit-Learn; Langkah-Langkah Implementasi Decision Tree (DT) Menggunakan Scikit-Learn; Langkah-Langkah Implementasi Model Random Forest (RF) Menggunakan Scikit-Learn; dan Langkah-Langkah Implementasi Model K-Nearest Neighbor (KNN) Menggunakan Scikit-Learn. Pada Bab 5, Anda akan mempelajari: Langkah-Langkah Implementasi Principal Component Analysis (PCA); Langkah-Langkah Implementasi Principal Component Analysis (PCA); Menggunakan Scikit-Learn; Langkah-Langkah Implementasi Principal Component Analysis (PCA) Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Linear Discriminant Analysis (LDA); Langkah-Langkah Implementasi Linear Discriminant Analysis (LDA) dengan scikit-learn; Langkah-Langkah Implementasi Linear Discriminant Analysis (LDA) Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Kernel Principal Component Analysis (KPCA) Menggunakan Scikit-Learn; dan Langkah-Langkah Implementasi Kernel Principal Component Analysis (KPCA) Menggunakan Scikit-Learn dengan PyQt. Pada Bab 6, Anda akan mempelajari: Langkah-Langkah Memuat Dataset MNIST; Langkah-Langkah Memuat Dataset MNIST dengan PyQt; Langkah-Langkah Implementasi Perceptron dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Perceptron dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Perceptron dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Logistic Regression (LR) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Logistic Regression (LR) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Logistic Regression (LR) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Support Vector Machine (SVM) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Support Vector Machine (SVM) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Support Vector Machine (SVM) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Decision Tree (DT) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Decision Tree (DT) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Decision Tree (DT) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Random Forest (RF) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Random Forest (RF) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Random Forest (RF) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi K-Nearest Neighbor (KNN) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi K-Nearest Neighbor (KNN) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; dan Langkah-Langkah Implementasi K-Nearest Neighbor (KNN) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt. Pada Bab 7, Anda akan mempelajari: Langkah-Langkah Membangkitkan dan Menampilkan Citra Berderau; Langkah-Langkah Mengimplemantasikan Deteksi Tepi pada Citra; Langkah-Langkah Mengimplementasikan Segmentasi Menggunakan Ambang Batas Jamak dan Algoritma K-Means; Langkah-Langkah Mengimplementasikan Penekanan Derau pada Citra; Langkah-Langkah Mendeteksi Wajah, Mata, dan Mulut dengan Haar Cascades; Langkah-Langkah Mendeteksi Wajah Menggunakan Haar Cascades dengan PyQt; Langkah-Langkah Mendeteksi Mata dan Mulut Menggunakan Haar Cascades dengan PyQt; Langkah-Langkah Mengekstraksi Objek-Objek Terdeteksi; Langkah-Langkah Mendeteksi Fitur Citra dengan Harris Corner Detection; Langkah-Langkah Mendeteksi Fitur Citra dengan Shi-Tomasi Corner Detection; Langkah-Langkah Mendeteksi Fitur Citra dengan Scale-Invariant Feature Transform (SIFT) ; dan Langkah-Langkah Mendeteksi Fitur Citra dengan Accelerated Segment Test (FAST). BUKU 2: IMPLEMENTASI DEEP LEARNING MENGGUNAKAN SCIKIT-LEARN, KERAS, DAN TENSORFLOW DENGAN PYTHON GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “The Practical Guides On Deep Learning Using SCIKIT-LEARN, KERAS, and TENSORFLOW with Python GUI” yang dapat dilihat di Amazon maupun Google Books. Dalam buku ini, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy, dan library lainnya untuk mengimplementasikan deep learning dalam mengenali rambu lalu lintas menggunakan dataset GTSRB, mendeteksi tumor otak menggunakan dataset MRI Brain Image, mengklasifikasikan gender, dan mengenali ekspresi wajah menggunakan dataset FER2013. Pada bab 1, Anda akan belajar membuat aplikasi GUI untuk menampilkan grafik garis menggunakan PyQt. Anda juga akan belajar bagaimana mengkonversi citra menjadi keabuan, menjadi ruang warna YUV, dan menjadi ruang warna HSV. Bab ini juga mengajarkan bagaimana menampilkan citra dan histogramnya dan merancang GUI untuk mengimplementasikannya. Pada bab 2, Anda akan belajar menggunakan TensorFlow, Keras, Scikit-Learn, Pandas, NumPy dan sejumlah pustaka lain untuk memprediksi digit-digit tulisan tangan menggunakan dataset MNIST. Pada bab 3, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, PIL, Pandas, NumPy, dan pustaka lain untuk mengenali rambu lalu lintas menggunakan dataset GTSRB dari Kaggle. Ada beberapa jenis rambu lalu lintas seperti batas kecepatan, dilarang masuk, rambu lalu lintas, belok kiri atau kanan, anak-anak menyeberang, tidak ada kendaraan berat yang lewat, dll. Klasifikasi rambu lalu lintas adalah proses untuk mengidentifikasi kelas rambu lalu lintas tersebut. Pada proyek Python ini, Anda akan membangun model jaringan saraf tiruan (deep neural network) yang dapat mengklasifikasikan rambu lalu lintas dalam citra ke dalam kategori yang berbeda. Dengan model ini, Anda akan dapat membaca dan memahami rambu lalu lintas yang merupakan pekerjaan yang sangat penting bagi semua kendaraan otonom. Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 4, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, Pandas, NumPy dan pustaka lainnya untuk melakukan pendeteksian tumor otak menggunakan dataset Brain Image MRI yang disediakan oleh Kaggle (https://www.kaggle.com/navoneel/brain-mri-images-for-brain-tumor-detection). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 5, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan library lain untuk melakukan klasifikasi gender menggunakan dataset yang disediakan oleh Kaggle (https://www.kaggle.com/cashutosh/gender-classification-dataset). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 6, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan pustaka lain untuk melakukan pengenalan ekspresi wajah menggunakan dataset FER2013 yang disediakan oleh Kaggle (https://www.kaggle.com/nicolejyt/facialexpressionrecognition). Anda juga akan membangun sebuah GUI untuk tujuan ini. BUKU 3: PANDUAN PRAKTIS DEEP LEARNING MENGGUNAKAN SCIKIT-LEARN, KERAS, DAN TENSORFLOW DENGAN PYTHON GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “STEP BY STEP TUTORIALS ON DEEP LEARNING USING SCIKIT-LEARN, KERAS, AND TENSORFLOW WITH PYTHON GUI” yang dapat dilihat di Amazon maupun Google Books. Dalam buku ini, Anda akan mempelajari cara menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy, dan library lainnya untuk mengimplementasikan deteksi wajah, mata, dan mulut menggunakan Haar Cascades, klasifikasi/prediksi buah, klasifikasi/prediksi kucing/anjing, klasifikasi/prediksi mebel, klasifikasi/prediksi mode (fashion). Pada bab 1, Anda akan belajar bagaimana menggunakan pustaka OpenCV, PIL, NumPy dan pustaka lain untuk melakukan deteksi wajah, mata, dan mulut menggunakan Haar Cascades dengan Python GUI (PyQt). Pada bab 2, Anda akan mempelajari bagaimana memanfaatkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan pustaka-pustaka lain untuk mengimplementasikan klasifikasi buah menggunakan dataset Fruits 360 yang disediakan oleh Kaggle (https://www.kaggle.com/moltean/fruits/code). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 3, Anda akan belajar menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk klasifikasi kucing/anjing menggunakan dataset yang disediakan oleh Kaggle (https://www.kaggle.com/chetankv/dogs-cats-images). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 4, Anda akan belajar menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan pustakan lain untuk mendeteksi atau mengklasifikasi mebel menggunakan dataset Furniture Detector yang disediakan oleh Kaggle (https://www.kaggle.com/akkithetechie/furniture-detector). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 5, Anda akan memanfaatkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah modul lain untuk melakukan klasifikasi terhadap citra-citra mode menggunakan dataset Fashion MNIST yang disediakan oleh Kaggle (https://www.kaggle.com/zalando-research/fashionmnist/code). Anda juga akan membangun sebuah GUI untuk tujuan ini.
In this book, you will learn how to use NumPy, Pandas, OpenCV, Scikit-Learn and other libraries to how to plot graph and to process digital image. Then, you will learn how to classify features using Perceptron, Adaline, Logistic Regression (LR), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), and K-Nearest Neighbor (KNN) models. You will also learn how to extract features using Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), Kernel Principal Component Analysis (KPCA) algorithms and use them in machine learning. In Chapter 1, you will learn: Tutorial Steps To Create A Simple GUI Application, Tutorial Steps to Use Radio Button, Tutorial Steps to Group Radio Buttons, Tutorial Steps to Use CheckBox Widget, Tutorial Steps to Use Two CheckBox Groups, Tutorial Steps to Understand Signals and Slots, Tutorial Steps to Convert Data Types, Tutorial Steps to Use Spin Box Widget, Tutorial Steps to Use ScrollBar and Slider, Tutorial Steps to Use List Widget, Tutorial Steps to Select Multiple List Items in One List Widget and Display It in Another List Widget, Tutorial Steps to Insert Item into List Widget, Tutorial Steps to Use Operations on Widget List, Tutorial Steps to Use Combo Box, Tutorial Steps to Use Calendar Widget and Date Edit, and Tutorial Steps to Use Table Widget. In Chapter 2, you will learn: Tutorial Steps To Create A Simple Line Graph, Tutorial Steps To Create A Simple Line Graph in Python GUI, Tutorial Steps To Create A Simple Line Graph in Python GUI: Part 2, Tutorial Steps To Create Two or More Graphs in the Same Axis, Tutorial Steps To Create Two Axes in One Canvas, Tutorial Steps To Use Two Widgets, Tutorial Steps To Use Two Widgets, Each of Which Has Two Axes, Tutorial Steps To Use Axes With Certain Opacity Levels, Tutorial Steps To Choose Line Color From Combo Box, Tutorial Steps To Calculate Fast Fourier Transform, Tutorial Steps To Create GUI For FFT, Tutorial Steps To Create GUI For FFT With Some Other Input Signals, Tutorial Steps To Create GUI For Noisy Signal, Tutorial Steps To Create GUI For Noisy Signal Filtering, and Tutorial Steps To Create GUI For Wav Signal Filtering. In Chapter 3, you will learn: Tutorial Steps To Convert RGB Image Into Grayscale, Tutorial Steps To Convert RGB Image Into YUV Image, Tutorial Steps To Convert RGB Image Into HSV Image, Tutorial Steps To Filter Image, Tutorial Steps To Display Image Histogram, Tutorial Steps To Display Filtered Image Histogram, Tutorial Steps To Filter Image With CheckBoxes, Tutorial Steps To Implement Image Thresholding, and Tutorial Steps To Implement Adaptive Image Thresholding. You will also learn: Tutorial Steps To Generate And Display Noisy Image, Tutorial Steps To Implement Edge Detection On Image, Tutorial Steps To Implement Image Segmentation Using Multiple Thresholding and K-Means Algorithm, Tutorial Steps To Implement Image Denoising, Tutorial Steps To Detect Face, Eye, and Mouth Using Haar Cascades, Tutorial Steps To Detect Face Using Haar Cascades with PyQt, Tutorial Steps To Detect Eye, and Mouth Using Haar Cascades with PyQt, Tutorial Steps To Extract Detected Objects, Tutorial Steps To Detect Image Features Using Harris Corner Detection, Tutorial Steps To Detect Image Features Using Shi-Tomasi Corner Detection, Tutorial Steps To Detect Features Using Scale-Invariant Feature Transform (SIFT), and Tutorial Steps To Detect Features Using Features from Accelerated Segment Test (FAST). In Chapter 4, In this tutorial, you will learn how to use Pandas, NumPy and other libraries to perform simple classification using perceptron and Adaline (adaptive linear neuron). The dataset used is Iris dataset directly from the UCI Machine Learning Repository. You will learn: Tutorial Steps To Implement Perceptron, Tutorial Steps To Implement Perceptron with PyQt, Tutorial Steps To Implement Adaline (ADAptive LInear NEuron), and Tutorial Steps To Implement Adaline with PyQt. In Chapter 5, you will learn how to use the scikit-learn machine learning library, which provides a wide variety of machine learning algorithms via a user-friendly Python API and to perform classification using perceptron, Adaline (adaptive linear neuron), and other models. The dataset used is Iris dataset directly from the UCI Machine Learning Repository. You will learn: Tutorial Steps To Implement Perceptron Using Scikit-Learn, Tutorial Steps To Implement Perceptron Using Scikit-Learn with PyQt, Tutorial Steps To Implement Logistic Regression Model, Tutorial Steps To Implement Logistic Regression Model with PyQt, Tutorial Steps To Implement Logistic Regression Model Using Scikit-Learn with PyQt, Tutorial Steps To Implement Support Vector Machine (SVM) Using Scikit-Learn, Tutorial Steps To Implement Decision Tree (DT) Using Scikit-Learn, Tutorial Steps To Implement Random Forest (RF) Using Scikit-Learn, and Tutorial Steps To Implement K-Nearest Neighbor (KNN) Using Scikit-Learn. In Chapter 6, you will learn how to use Pandas, NumPy, Scikit-Learn, and other libraries to implement different approaches for reducing the dimensionality of a dataset using different feature selection techniques. You will learn about three fundamental techniques that will help us to summarize the information content of a dataset by transforming it onto a new feature subspace of lower dimensionality than the original one. Data compression is an important topic in machine learning, and it helps us to store and analyze the increasing amounts of data that are produced and collected in the modern age of technology. You will learn the following topics: Principal Component Analysis (PCA) for unsupervised data compression, Linear Discriminant Analysis (LDA) as a supervised dimensionality reduction technique for maximizing class separability, Nonlinear dimensionality reduction via Kernel Principal Component Analysis (KPCA). You will learn: 6.1 Tutorial Steps To Implement Principal Component Analysis (PCA), Tutorial Steps To Implement Principal Component Analysis (PCA) Using Scikit-Learn, Tutorial Steps To Implement Principal Component Analysis (PCA) Using Scikit-Learn with PyQt, Tutorial Steps To Implement Linear Discriminant Analysis (LDA), Tutorial Steps To Implement Linear Discriminant Analysis (LDA) with Scikit-Learn, Tutorial Steps To Implement Linear Discriminant Analysis (LDA) Using Scikit-Learn with PyQt, Tutorial Steps To Implement Kernel Principal Component Analysis (KPCA) Using Scikit-Learn, and Tutorial Steps To Implement Kernel Principal Component Analysis (KPCA) Using Scikit-Learn with PyQt. In Chapter 7, you will learn how to use Keras, Scikit-Learn, Pandas, NumPy and other libraries to perform prediction on handwritten digits using MNIST dataset. You will learn: Tutorial Steps To Load MNIST Dataset, Tutorial Steps To Load MNIST Dataset with PyQt, Tutorial Steps To Implement Perceptron With PCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Perceptron With LDA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Perceptron With KPCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Logistic Regression (LR) Model With PCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Logistic Regression (LR) Model With LDA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Logistic Regression (LR) Model With KPCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement , Tutorial Steps To Implement Support Vector Machine (SVM) Model With LDA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Support Vector Machine (SVM) Model With KPCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Decision Tree (DT) Model With PCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Decision Tree (DT) Model With LDA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Decision Tree (DT) Model With KPCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Random Forest (RF) Model With PCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Random Forest (RF) Model With LDA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Random Forest (RF) Model With KPCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement K-Nearest Neighbor (KNN) Model With PCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement K-Nearest Neighbor (KNN) Model With LDA Feature Extractor on MNIST Dataset Using PyQt, and Tutorial Steps To Implement K-Nearest Neighbor (KNN) Model With KPCA Feature Extractor on MNIST Dataset Using PyQt.
BOOK 1: LEARN FROM SCRATCH MACHINE LEARNING WITH PYTHON GUI In this book, you will learn how to use NumPy, Pandas, OpenCV, Scikit-Learn and other libraries to how to plot graph and to process digital image. Then, you will learn how to classify features using Perceptron, Adaline, Logistic Regression (LR), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), and K-Nearest Neighbor (KNN) models. You will also learn how to extract features using Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), Kernel Principal Component Analysis (KPCA) algorithms and use them in machine learning. In Chapter 1, you will learn: Tutorial Steps To Create A Simple GUI Application, Tutorial Steps to Use Radio Button, Tutorial Steps to Group Radio Buttons, Tutorial Steps to Use CheckBox Widget, Tutorial Steps to Use Two CheckBox Groups, Tutorial Steps to Understand Signals and Slots, Tutorial Steps to Convert Data Types, Tutorial Steps to Use Spin Box Widget, Tutorial Steps to Use ScrollBar and Slider, Tutorial Steps to Use List Widget, Tutorial Steps to Select Multiple List Items in One List Widget and Display It in Another List Widget, Tutorial Steps to Insert Item into List Widget, Tutorial Steps to Use Operations on Widget List, Tutorial Steps to Use Combo Box, Tutorial Steps to Use Calendar Widget and Date Edit, and Tutorial Steps to Use Table Widget. In Chapter 2, you will learn: Tutorial Steps To Create A Simple Line Graph, Tutorial Steps To Create A Simple Line Graph in Python GUI, Tutorial Steps To Create A Simple Line Graph in Python GUI: Part 2, Tutorial Steps To Create Two or More Graphs in the Same Axis, Tutorial Steps To Create Two Axes in One Canvas, Tutorial Steps To Use Two Widgets, Tutorial Steps To Use Two Widgets, Each of Which Has Two Axes, Tutorial Steps To Use Axes With Certain Opacity Levels, Tutorial Steps To Choose Line Color From Combo Box, Tutorial Steps To Calculate Fast Fourier Transform, Tutorial Steps To Create GUI For FFT, Tutorial Steps To Create GUI For FFT With Some Other Input Signals, Tutorial Steps To Create GUI For Noisy Signal, Tutorial Steps To Create GUI For Noisy Signal Filtering, and Tutorial Steps To Create GUI For Wav Signal Filtering. In Chapter 3, you will learn: Tutorial Steps To Convert RGB Image Into Grayscale, Tutorial Steps To Convert RGB Image Into YUV Image, Tutorial Steps To Convert RGB Image Into HSV Image, Tutorial Steps To Filter Image, Tutorial Steps To Display Image Histogram, Tutorial Steps To Display Filtered Image Histogram, Tutorial Steps To Filter Image With CheckBoxes, Tutorial Steps To Implement Image Thresholding, and Tutorial Steps To Implement Adaptive Image Thresholding. You will also learn: Tutorial Steps To Generate And Display Noisy Image, Tutorial Steps To Implement Edge Detection On Image, Tutorial Steps To Implement Image Segmentation Using Multiple Thresholding and K-Means Algorithm, Tutorial Steps To Implement Image Denoising, Tutorial Steps To Detect Face, Eye, and Mouth Using Haar Cascades, Tutorial Steps To Detect Face Using Haar Cascades with PyQt, Tutorial Steps To Detect Eye, and Mouth Using Haar Cascades with PyQt, Tutorial Steps To Extract Detected Objects, Tutorial Steps To Detect Image Features Using Harris Corner Detection, Tutorial Steps To Detect Image Features Using Shi-Tomasi Corner Detection, Tutorial Steps To Detect Features Using Scale-Invariant Feature Transform (SIFT), and Tutorial Steps To Detect Features Using Features from Accelerated Segment Test (FAST). In Chapter 4, In this tutorial, you will learn how to use Pandas, NumPy and other libraries to perform simple classification using perceptron and Adaline (adaptive linear neuron). The dataset used is Iris dataset directly from the UCI Machine Learning Repository. You will learn: Tutorial Steps To Implement Perceptron, Tutorial Steps To Implement Perceptron with PyQt, Tutorial Steps To Implement Adaline (ADAptive LInear NEuron), and Tutorial Steps To Implement Adaline with PyQt. In Chapter 5, you will learn how to use the scikit-learn machine learning library, which provides a wide variety of machine learning algorithms via a user-friendly Python API and to perform classification using perceptron, Adaline (adaptive linear neuron), and other models. The dataset used is Iris dataset directly from the UCI Machine Learning Repository. You will learn: Tutorial Steps To Implement Perceptron Using Scikit-Learn, Tutorial Steps To Implement Perceptron Using Scikit-Learn with PyQt, Tutorial Steps To Implement Logistic Regression Model, Tutorial Steps To Implement Logistic Regression Model with PyQt, Tutorial Steps To Implement Logistic Regression Model Using Scikit-Learn with PyQt, Tutorial Steps To Implement Support Vector Machine (SVM) Using Scikit-Learn, Tutorial Steps To Implement Decision Tree (DT) Using Scikit-Learn, Tutorial Steps To Implement Random Forest (RF) Using Scikit-Learn, and Tutorial Steps To Implement K-Nearest Neighbor (KNN) Using Scikit-Learn. In Chapter 6, you will learn how to use Pandas, NumPy, Scikit-Learn, and other libraries to implement different approaches for reducing the dimensionality of a dataset using different feature selection techniques. You will learn about three fundamental techniques that will help us to summarize the information content of a dataset by transforming it onto a new feature subspace of lower dimensionality than the original one. Data compression is an important topic in machine learning, and it helps us to store and analyze the increasing amounts of data that are produced and collected in the modern age of technology. You will learn the following topics: Principal Component Analysis (PCA) for unsupervised data compression, Linear Discriminant Analysis (LDA) as a supervised dimensionality reduction technique for maximizing class separability, Nonlinear dimensionality reduction via Kernel Principal Component Analysis (KPCA). You will learn: Tutorial Steps To Implement Principal Component Analysis (PCA), Tutorial Steps To Implement Principal Component Analysis (PCA) Using Scikit-Learn, Tutorial Steps To Implement Principal Component Analysis (PCA) Using Scikit-Learn with PyQt, Tutorial Steps To Implement Linear Discriminant Analysis (LDA), Tutorial Steps To Implement Linear Discriminant Analysis (LDA) with Scikit-Learn, Tutorial Steps To Implement Linear Discriminant Analysis (LDA) Using Scikit-Learn with PyQt, Tutorial Steps To Implement Kernel Principal Component Analysis (KPCA) Using Scikit-Learn, and Tutorial Steps To Implement Kernel Principal Component Analysis (KPCA) Using Scikit-Learn with PyQt. In Chapter 7, you will learn how to use Keras, Scikit-Learn, Pandas, NumPy and other libraries to perform prediction on handwritten digits using MNIST dataset. You will learn: Tutorial Steps To Load MNIST Dataset, Tutorial Steps To Load MNIST Dataset with PyQt, Tutorial Steps To Implement Perceptron With PCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Perceptron With LDA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Perceptron With KPCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Logistic Regression (LR) Model With PCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Logistic Regression (LR) Model With LDA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Logistic Regression (LR) Model With KPCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement , Tutorial Steps To Implement Support Vector Machine (SVM) Model With LDA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Support Vector Machine (SVM) Model With KPCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Decision Tree (DT) Model With PCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Decision Tree (DT) Model With LDA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Decision Tree (DT) Model With KPCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Random Forest (RF) Model With PCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Random Forest (RF) Model With LDA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement Random Forest (RF) Model With KPCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement K-Nearest Neighbor (KNN) Model With PCA Feature Extractor on MNIST Dataset Using PyQt, Tutorial Steps To Implement K-Nearest Neighbor (KNN) Model With LDA Feature Extractor on MNIST Dataset Using PyQt, and Tutorial Steps To Implement K-Nearest Neighbor (KNN) Model With KPCA Feature Extractor on MNIST Dataset Using PyQt. BOOK 2: THE PRACTICAL GUIDES ON DEEP LEARNING USING SCIKIT-LEARN, KERAS, AND TENSORFLOW WITH PYTHON GUI In this book, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to implement deep learning on recognizing traffic signs using GTSRB dataset, detecting brain tumor using Brain Image MRI dataset, classifying gender, and recognizing facial expression using FER2013 dataset In Chapter 1, you will learn to create GUI applications to display line graph using PyQt. You will also learn how to display image and its histogram. In Chapter 2, you will learn how to use TensorFlow, Keras, Scikit-Learn, Pandas, NumPy and other libraries to perform prediction on handwritten digits using MNIST dataset with PyQt. You will build a GUI application for this purpose. In Chapter 3, you will learn how to perform recognizing traffic signs using GTSRB dataset from Kaggle. There are several different types of traffic signs like speed limits, no entry, traffic signals, turn left or right, children crossing, no passing of heavy vehicles, etc. Traffic signs classification is the process of identifying which class a traffic sign belongs to. In this Python project, you will build a deep neural network model that can classify traffic signs in image into different categories. With this model, you will be able to read and understand traffic signs which are a very important task for all autonomous vehicles. You will build a GUI application for this purpose. In Chapter 4, you will learn how to perform detecting brain tumor using Brain Image MRI dataset provided by Kaggle (https://www.kaggle.com/navoneel/brain-mri-images-for-brain-tumor-detection) using CNN model. You will build a GUI application for this purpose. In Chapter 5, you will learn how to perform classifying gender using dataset provided by Kaggle (https://www.kaggle.com/cashutosh/gender-classification-dataset) using MobileNetV2 and CNN models. You will build a GUI application for this purpose. In Chapter 6, you will learn how to perform recognizing facial expression using FER2013 dataset provided by Kaggle (https://www.kaggle.com/nicolejyt/facialexpressionrecognition) using CNN model. You will also build a GUI application for this purpose. BOOK 3: STEP BY STEP TUTORIALS ON DEEP LEARNING USING SCIKIT-LEARN, KERAS, AND TENSORFLOW WITH PYTHON GUI In this book, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to implement deep learning on classifying fruits, classifying cats/dogs, detecting furnitures, and classifying fashion. In Chapter 1, you will learn to create GUI applications to display line graph using PyQt. You will also learn how to display image and its histogram. Then, you will learn how to use OpenCV, NumPy, and other libraries to perform feature extraction with Python GUI (PyQt). The feature detection techniques used in this chapter are Harris Corner Detection, Shi-Tomasi Corner Detector, and Scale-Invariant Feature Transform (SIFT). In Chapter 2, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform classifying fruits using Fruits 360 dataset provided by Kaggle (https://www.kaggle.com/moltean/fruits/code) using Transfer Learning and CNN models. You will build a GUI application for this purpose. In Chapter 3, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform classifying cats/dogs using dataset provided by Kaggle (https://www.kaggle.com/chetankv/dogs-cats-images) using Using CNN with Data Generator. You will build a GUI application for this purpose. In Chapter 4, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform detecting furnitures using Furniture Detector dataset provided by Kaggle (https://www.kaggle.com/akkithetechie/furniture-detector) using VGG16 model. You will build a GUI application for this purpose. In Chapter 5, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform classifying fashion using Fashion MNIST dataset provided by Kaggle (https://www.kaggle.com/zalando-research/fashionmnist/code) using CNN model. You will build a GUI application for this purpose. BOOK 4: Project-Based Approach On DEEP LEARNING Using Scikit-Learn, Keras, And TensorFlow with Python GUI In this book, implement deep learning on detecting vehicle license plates, recognizing sign language, and detecting surface crack using TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries. In Chapter 1, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform detecting vehicle license plates using Car License Plate Detection dataset provided by Kaggle (https://www.kaggle.com/andrewmvd/car-plate-detection/download). In Chapter 2, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform sign language recognition using Sign Language Digits Dataset provided by Kaggle (https://www.kaggle.com/ardamavi/sign-language-digits-dataset/download). In Chapter 3, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform detecting surface crack using Surface Crack Detection provided by Kaggle (https://www.kaggle.com/arunrk7/surface-crack-detection/download). BOOK 5: Hands-On Guide To IMAGE CLASSIFICATION Using Scikit-Learn, Keras, And TensorFlow with PYTHON GUI In this book, implement deep learning-based image classification on detecting face mask, classifying weather, and recognizing flower using TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries. In Chapter 1, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform detecting face mask using Face Mask Detection Dataset provided by Kaggle (https://www.kaggle.com/omkargurav/face-mask-dataset/download). In Chapter 2, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform how to classify weather using Multi-class Weather Dataset provided by Kaggle (https://www.kaggle.com/pratik2901/multiclass-weather-dataset/download). In Chapter 3, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform how to recognize flower using Flowers Recognition dataset provided by Kaggle (https://www.kaggle.com/alxmamaev/flowers-recognition/download). BOOK 6: Step by Step Tutorial IMAGE CLASSIFICATION Using Scikit-Learn, Keras, And TensorFlow with PYTHON GUI In this book, implement deep learning-based image classification on classifying monkey species, recognizing rock, paper, and scissor, and classify airplane, car, and ship using TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries. In Chapter 1, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform how to classify monkey species using 10 Monkey Species dataset provided by Kaggle (https://www.kaggle.com/slothkong/10-monkey-species/download). In Chapter 2, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform how to recognize rock, paper, and scissor using 10 Monkey Species dataset provided by Kaggle (https://www.kaggle.com/sanikamal/rock-paper-scissors-dataset/download). In Chapter 3, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform how to classify airplane, car, and ship using Multiclass-image-dataset-airplane-car-ship dataset provided by Kaggle (https://www.kaggle.com/abtabm/multiclassimagedatasetairplanecar).
In this book, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to implement deep learning on classifying fruits, classifying cats/dogs, detecting furnitures, and classifying fashion.In Chapter 1, you will learn to create GUI applications to display line graph using PyQt. You will also learn how to display image and its histogram. Then, you will learn how to use OpenCV, NumPy, and other libraries to perform feature extraction with Python GUI (PyQt). The feature detection techniques used in this chapter are Harris Corner Detection, Shi-Tomasi Corner Detector, and Scale-Invariant Feature Transform (SIFT).In Chapter 2, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform classifying fruits using Fruits 360 dataset provided by Kaggle (https: //www.kaggle.com/moltean/fruits/code) using Transfer Learning and CNN models. You will build a GUI application for this purpose.In Chapter 3, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform classifying cats/dogs using dataset provided by Kaggle (https: //www.kaggle.com/chetankv/dogs-cats-images) using Using CNN with Data Generator. You will build a GUI application for this purpose.In Chapter 4, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform detecting furnitures using Furniture Detector dataset provided by Kaggle (https: //www.kaggle.com/akkithetechie/furniture-detector) using VGG16 model. You will build a GUI application for this purpose.In Chapter 5, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to perform classifying fashion using Fashion MNIST dataset provided by Kaggle (https: //www.kaggle.com/zalando-research/fashionmnist/code) using CNN model. You will build a GUI application for this purp
Machine Learning (ML) has become a very important area of research widely used in various industries.This compendium introduces the basic concepts, fundamental theories, essential computational techniques, codes, and applications related to ML models. With a strong foundation, one can comfortably learn related topics, methods, and algorithms. Most importantly, readers with strong fundamentals can even develop innovative and more effective machine models for his/her problems. The book is written to achieve this goal.The useful reference text benefits professionals, academics, researchers, graduate and undergraduate students in AI, ML and neural networks.
In this book, you will implement two data science projects using Scikit-Learn, Scipy, and other libraries with Python GUI. In Chapter 1, you will learn how to use Scikit-Learn, Scipy, and other libraries to perform how to predict traffic (number of vehicles) in four different junctions using Traffic Prediction Dataset provided by Kaggle (https://www.kaggle.com/fedesoriano/traffic-prediction-dataset/download). This dataset contains 48.1k (48120) observations of the number of vehicles each hour in four different junctions: 1) DateTime; 2) Juction; 3) Vehicles; and 4) ID. In Chapter 2, you will learn how to use Scikit-Learn, NumPy, Pandas, and other libraries to perform how to analyze and predict heart attack using Heart Attack Analysis & Prediction Dataset provided by Kaggle (https://www.kaggle.com/rashikrahmanpritom/heart-attack-analysis-prediction-dataset/download). In Chapter 3, you will learn how to use Scikit-Learn, SVM, NumPy, Pandas, and other libraries to perform how to predict early stage diabetes using Early Stage Diabetes Risk Prediction Dataset provided by Kaggle (https://www.kaggle.com/ishandutta/early-stage-diabetes-risk-prediction-dataset/download). This dataset contains the sign and symptpom data of newly diabetic or would be diabetic patient. This has been collected using direct questionnaires from the patients of Sylhet Diabetes Hospital in Sylhet, Bangladesh and approved by a doctor.
In this book, you will learn how to use TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy and other libraries to implement deep learning on recognizing traffic signs using GTSRB dataset, detecting brain tumor using Brain Image MRI dataset, classifying gender, and recognizing facial expression using FER2013 datasetIn Chapter 1, you will learn to create GUI applications to display line graph using PyQt. You will also learn how to display image and its histogram.In Chapter 2, you will learn how to use TensorFlow, Keras, Scikit-Learn, Pandas, NumPy and other libraries to perform prediction on handwritten digits using MNIST dataset with PyQt. You will build a GUI application for this purpose.In Chapter 3, you will learn how to perform recognizing traffic signs using GTSRB dataset from Kaggle. There are several different types of traffic signs like speed limits, no entry, traffic signals, turn left or right, children crossing, no passing of heavy vehicles, etc. Traffic signs classification is the process of identifying which class a traffic sign belongs to. In this Python project, you will build a deep neural network model that can classify traffic signs in image into different categories. With this model, you will be able to read and understand traffic signs which are a very important task for all autonomous vehicles. You will build a GUI application for this purpose.In Chapter 4, you will learn how to perform detecting brain tumor using Brain Image MRI dataset provided by Kaggle (https: //www.kaggle.com/navoneel/brain-mri-images-for-brain-tumor-detection) using CNN model. You will build a GUI application for this purpose.In Chapter 5, you will learn how to perform classifying gender using dataset provided by Kaggle (https: //www.kaggle.com/cashutosh/gender-classification-dataset) using MobileNetV2 and CNN models. You will build a GUI application for this purpose.In Chapter 6, you will learn how to perform recognizing facial expression using FER2013 dataset provided by Kaggle (https: //www.kaggle.com/nicolejyt/facialexpressionrecognition) using CNN model. You will also build a GUI application for this purpo