Pembelajaran mesin

Pembelajaran mesin September 8, 2026 Lab

Tolok ukur LLM lokal: respons pertama, tingkat generasi, dan memori.

Ukur konten jawaban pertama secara terpisah dari tingkat generasi dan kontrol. residency, caching and memory conditions.

Hands-on · 2 menit baca Pembelajaran mesin September 5, 2026

Pengantar Deteksi Objek & Segmentasi Semantik — Membaca "Apa dan Di Mana" dari Sebuah Gambar

Deteksi Objek menggambar kotak di sekitar objek; Segmentasi Semantik mewarnai setiap piksel berdasarkan maknanya. Dari perbedaan antara keduanya, melalui Segmentasi Instans dan Panoptik, silsilah dari R-CNN ke YOLO, DETR dan DINO, hingga ke rekan-rekan mereka di awan titik 3D — sebuah tur sistematis tentang dasar-dasar pemahaman adegan.

Fundamentals · 14 menit baca Pembelajaran mesin September 4, 2026

Pengantar Pembelajaran Mesin: Model Generatif

Model generatif merepresentasikan distribusi data dan menciptakan keluaran bersyarat. Pelajari kemungkinan (likelihood), VAE (Variable Ambient Error), GAN (Generative Adversarial Negative), difusi, evaluasi, asal usul (provenance), dan keamanan.

Fundamentals · 5 menit baca Pembelajaran mesin September 4, 2026

Pengantar Pembelajaran Mesin: Dasar-Dasar — Mendesain Data, Kerugian, dan Generalisasi

Pembelajaran mesin bukan hanya tentang pemilihan model: tentukan tugas, pembagian data, kerugian, evaluasi, dan perubahan penerapan.

Fundamentals · 5 menit baca Pembelajaran mesin September 4, 2026

Panduan Lengkap SegFormer — Mengapa Transformer Tanpa Pengkodean Posisi Berfungsi untuk Segmentasi

Artikel ini menguraikan SegFormer, yang diperkenalkan oleh NVIDIA, Universitas Hong Kong, dan kolaborator di NeurIPS 2021, berdasarkan makalah aslinya. Kami memeriksa encoder MiT hierarkis tanpa pengkodean posisional, decoder All-MLP yang efisien parameter, bidang reseptif efektif, dan mIoU terukur, jumlah parameter, dan menghitung dari B0 hingga B5 dengan persamaan.

Fundamentals · 9 menit baca Pembelajaran mesin September 4, 2026

YOLO11 Dijelaskan Secara Mendalam — Apa Perubahan C3k2 dan C2PSA dari YOLOv8?

Analisis Ultralytics YOLO11 menggunakan dokumentasi resmi dan sumber primer: C3k2, C2PSA, deteksi tanpa jangkar, kerugian DFL/CIoU, dan tolok ukur terukur untuk n/s/m/l/x.

Fundamentals · 10 menit baca Pembelajaran mesin September 4, 2026

Pengantar Pembelajaran Mesin: Dasar-Dasar Jaringan Saraf Tiruan

Jaringan saraf menggabungkan transformasi affin dan aktivasi nonlinier, kemudian mengurangi kerugian melalui backpropagation dan optimasi berbasis gradien.

Fundamentals · 5 menit baca Pembelajaran mesin September 4, 2026

Pengantar Pembelajaran Mesin: Estimasi Pose

Estimasi pose menyimpulkan titik kunci manusia atau objek dan pose 6D dari gambar. Panduan singkat ini mencakup koordinat, kerugian, oklusi, evaluasi, dan keamanan.

Fundamentals · 4 menit baca Pembelajaran penguatan September 4, 2026

Pengantar Pembelajaran Penguatan Multi-Agen — Optimasi di Dunia di Mana Pihak Lain Juga Belajar

Ketika beberapa agen belajar secara bersamaan, MDP agen tunggal tidak lagi berlaku. Artikel ini membahas tentang non-stasioneritas, pengaturan kooperatif/kompetitif/campuran, CTDE, masalah penugasan kredit, serta MADDPG dan QMIX, dengan persamaan dan diagram.

Fundamentals · 8 menit baca Pembelajaran penguatan September 4, 2026

Penjelasan π0 — Bagaimana Pencocokan Aliran Mengubah Generasi Tindakan VLA

Panduan teknis berbasis sumber untuk π0 Kecerdasan Fisik: PaliGemma VLM dan Pakar Aksi khusus, pembangkitan aksi berkelanjutan dengan pencocokan aliran bersyarat, pelatihan lintas perwujudan di tujuh jenis robot, dan perbedaannya dari model VLA autoregresif seperti RT-2 dan OpenVLA.

Fundamentals · 10 menit baca Pembelajaran penguatan September 4, 2026

Pengantar Desain Imbalan — Mengapa "Apa yang Harus Dimaksimalkan" Adalah Bagian Tersulit dari RL

Dalam implementasi pembelajaran penguatan (reinforcement learning), desain fungsi imbalan lebih sering menentukan hasil daripada algoritma itu sendiri. Artikel ini membahas imbalan jarang (sparse) vs. imbalan padat (dense), invariansi kebijakan dari pembentukan imbalan berbasis potensial, kasus nyata peretasan imbalan (reward hacking), pembelajaran penguatan invers (inverse reinforcement learning), dan RL terbatas (constrained RL).

Fundamentals · 8 menit baca Pembelajaran penguatan September 3, 2026

Pengantar Pembelajaran Penguatan: Pembelajaran Imitasi dan Pembelajaran Penguatan Terbalik

Kloning Perilaku, DAgger, dan pembelajaran penguatan terbalik menggunakan demonstrasi ketika imbalan sulit untuk ditulis. Panduan singkat ini mencakup pergeseran kovariat, inferensi imbalan, koneksi VLA, evaluasi, keamanan, dan asal usul data.

Fundamentals · 5 menit baca Pembelajaran penguatan September 3, 2026

Dasar-Dasar Pembelajaran Penguatan — MDP, Persamaan Bellman, dan Eksplorasi untuk Robot

Pembelajaran penguatan (reinforcement learning) adalah sebuah siklus tertutup di mana agen memilih tindakan dari pengamatan dan memaksimalkan imbalan yang tertunda. Pengantar ini menjelaskan MDP (Multi-Dependency Process), fungsi nilai, kebijakan, persamaan Bellman, eksplorasi versus eksploitasi, desain imbalan, dan jalur dari simulasi ke robot nyata.

Fundamentals · 6 menit baca Pembelajaran penguatan September 3, 2026

Pembelajaran Penguatan Berbasis Model dan Simulasi ke Nyata

Model dunia, kesalahan prediksi, MPC, pengacakan domain, identifikasi sistem, dan pemantauan keselamatan untuk mesin nyata.

Fundamentals · 4 menit baca Pembelajaran penguatan September 3, 2026

Gradien Kebijakan, PPO, dan SAC — Kontrol Kontinu Stabil untuk Robot

Gradien kebijakan memperbarui kebijakan secara langsung sehingga kemudi, daya dorong, dan torsi sendi dapat tetap kontinu. Artikel ini menghubungkan Actor-Critic, PPO, dan SAC, kemudian membahas pemotongan (clipping), regularisasi entropi, evaluasi, dan batas keamanan untuk transfer Sim-to-Real.

Fundamentals · 5 menit baca Pembelajaran penguatan September 3, 2026

Q-Learning dan DQN — Dari Q-Table ke Deep Reinforcement Learning

Q-learning memperbarui nilai aksi dengan target optimalitas Bellman. Panduan ini mengikuti jalur dari tabel Q-table ke Deep Q-Network, menjelaskan pengalaman replay, jaringan target, estimasi berlebih, dan penempatan yang aman dalam tumpukan robot.

Fundamentals · 5 menit baca