Aljabar Linier Dasar untuk Pembelajaran Jauh dan Tutorial Python

Pembelajaran Mesin

Oleh :
Mutiara Ali (2110952028)
Kevin Imam Satria (2110951030)
Aine Metasawa Zendrato (2110951042)

Departemen Teknik Elektro

Fakultas Teknik
Universitas Andalas
2022
 Pondasi pembelajaran mesin dan sistem pembelajaran mendalam sepenuhnya didasarkan pada
prinsip dan konsep matematika. Sangat penting untuk memahami dasar-dasar fundamental dari prinsip-
prinsip matematika. Selama baseline dan pembangunan model, banyak konsep matematika seperti kutukan
dimensi, regularisasi, biner, multi-kelas, regresi ordinal, dan lainnya harus dipikirkan secara artistik. Unit
dasar pembelajaran mendalam, umumnya disebut neuron, seluruhnya didasarkan pada konsep
matematikanya, dan hal tersebut melibatkan penjumlahan dari nilai yang dikalikan yang melibatkan input
dan bobot. Fungsi aktivasinya seperti Sigmoid, ReLU, dan lainnya, telah dibangun menggunakan teorema
matematika.

Aljabar linier memainkan peran penting dalam pembelajaran mesin karena ketersediaan
vektor dan beberapa aturan untuk menangani vektor. Kami sebagian besar menangani masalah
pengklasifikasi atau regresi dalam pembelajaran mesin, dan kemudian teknik minimisasi
kesalahan diterapkan dengan menghitung dari nilai aktual ke nilai prediksi. Akibatnya, kami
menggunakan aljabar linier untuk menangani set perhitungan yang disebutkan
sebelumnya. Aljabar linier menangani sejumlah besar data, atau dengan kata lain, "aljabar linier
adalah matematika dasar dari data."

Matriks

Matriks adalah bagian penting dari aljabar linier. Ini menyimpan m * n elemen data, dan kami
menggunakannya untuk perhitungan sistem persamaan linier atau pemetaan linier. Ini adalah
tuple m*n dari elemen bernilai nyata.

Vektor

Dalam aljabar linier, vektor adalah matriks n*1 . Ini hanya memiliki satu kolom.

Perkalian Matriks

Perkalian matriks adalah produk titik dari baris dan kolom di mana baris matriks dikalikan dan
dijumlahkan dengan kolom matriks lain.
Transpos Matriks

Untuk A ∈ R^ m*n matriks B ∈ R^ n*m dengan b ij = a ij disebut transpose dari A . Itu

direpresentasikan sebagai B = A ^ T.

Matriks Invers

Pertimbangkan matriks persegi A ∈ R^ n*n. Misalkan matriks B ∈R^ n*n memiliki sifat AB = In
= BA, B disebut invers dari A dan dilambangkan dengan A ^ -1.

Matriks Ortogonal

Matriks bujur sangkar A∈R^ n*n adalah matriks ortogonal jika dan hanya jika kolomnya
ortonormal (satuan panjang)

Matriks Diagonal

Matriks bujur sangkar A∈R^ n*n adalah matriks diagonal yang semua elemennya nol kecuali
yang ada di diagonal utama seperti:

Aij =0 untuk semua i != j

Aij = 0 untuk beberapa atau semua i = j

Transpos Matriks dan Invers Matriks dalam Persamaan Normal

Metode persamaan normal meminimalkan J dengan secara eksplisit mengambil turunannya

mengenai theta j dan menyetelnya ke nol. Kita bisa langsung mengetahui nilai θ tanpa
menggunakan Gradient Descent