86 lines
5.4 KiB
TeX
86 lines
5.4 KiB
TeX
% Define the Indonesian term and link it to the English term
|
|
\newglossaryentry{jaringansaraf}{
|
|
name=Jaringan Saraf,
|
|
description={The Indonesian term for \gls{nn}}
|
|
}
|
|
% \newglossaryentry{pemelajaranmesin}{
|
|
% name=Pemelajaran Mesin,
|
|
% description={Lihat \gls{machinelearning}}
|
|
% }
|
|
|
|
% Define the English term and link it to its acronym
|
|
% \newglossaryentry{neuralnetwork}{
|
|
% name=Neural Network,
|
|
% description={A computational model inspired by the human brain, see \gls{nn}}
|
|
% }
|
|
% \newacronym
|
|
% [description={statistical pattern recognition technique}]
|
|
% {svm}{SVM}{support vector machine}
|
|
% \newglossaryentry{machinelearning}{
|
|
% name=Machine Learning,
|
|
% description={A program or system that trains a model from input data. The trained model can make useful predictions from new (never-before-seen) data drawn from the same distribution as the one used to train the model.}}
|
|
% \longnewglossaryentry{machinelearning}{name={machine learning}}
|
|
% {A program or system that trains a model from input data. The trained model can make useful predictions from new (never-before-seen) data drawn from the same distribution as the one used to train the model.}
|
|
% \newterm[see={machinelearning}]{pemelajaranmesin}
|
|
% \newglossaryentry{pemelajaran mesin}{}
|
|
% \addterm{machinelearning}{pemelajaran mesin}{pemelajaran mesin}{machine learning}{A program or system that trains a model from input data. The trained model can make useful predictions from new (never-before-seen) data drawn from the same distribution as the one used to train the model.}
|
|
|
|
\newglossaryentry{algoritma-genetika}{
|
|
name={Algoritma Genetika},
|
|
description={Kelas algoritma optimasi dan pencarian yang terinspirasi oleh proses evolusi biologis, seperti seleksi alam, mutasi, dan rekombinasi. Algoritma ini sering digunakan untuk menemukan solusi perkiraan untuk masalah yang kompleks dan sulit dipecahkan secara analitis.},
|
|
sort={Algoritma Genetika}
|
|
}
|
|
|
|
\newglossaryentry{deep-learning}{
|
|
name={\textit{deep learning}},
|
|
description={Bagian dari keluarga metode pembelajaran mesin yang lebih luas berdasarkan jaringan saraf tiruan dengan banyak lapisan (deep neural networks). Arsitektur ini memungkinkan model untuk belajar representasi data secara hierarkis, mulai dari fitur tingkat rendah hingga konsep abstrak tingkat tinggi.},
|
|
sort={Pembelajaran Mendalam}
|
|
}
|
|
|
|
\newglossaryentry{jaringan-saraf-tiruan}{
|
|
name={Jaringan Saraf Tiruan (Artificial Neural Network)},
|
|
description={Model komputasi yang terinspirasi oleh struktur dan fungsi jaringan saraf biologis di otak. JST terdiri dari unit pemrosesan yang saling terhubung (neuron) yang bekerja secara paralel untuk memproses informasi dan belajar dari data melalui penyesuaian bobot koneksi.},
|
|
sort={Jaringan Saraf Tiruan}
|
|
}
|
|
|
|
\newglossaryentry{pemrosesan-bahasa-alami}{
|
|
name={Pemrosesan Bahasa Alami (Natural Language Processing)},
|
|
description={Cabang ilmu komputer dan kecerdasan buatan yang berfokus pada interaksi antara komputer dan bahasa manusia. Tujuannya adalah untuk memungkinkan komputer memproses, memahami, menafsirkan, dan menghasilkan bahasa manusia dengan cara yang bermakna dan berguna.},
|
|
sort={Pemrosesan Bahasa Alami}
|
|
}
|
|
|
|
\newglossaryentry{pembelajaran-penguatan}{
|
|
name={Pembelajaran Penguatan (Reinforcement Learning)},
|
|
description={Area pembelajaran mesin yang berkaitan dengan bagaimana agen perangkat lunak harus mengambil tindakan dalam suatu lingkungan untuk memaksimalkan beberapa gagasan tentang imbalan kumulatif. Agen belajar melalui trial-and-error, menerima umpan balik berupa imbalan atau hukuman.},
|
|
sort={Pembelajaran Penguatan}
|
|
}
|
|
|
|
\newglossaryentry{visi-komputer}{
|
|
name={Visi Komputer (Computer Vision)},
|
|
description={Bidang interdisipliner yang membahas bagaimana komputer dapat dibuat untuk mendapatkan pemahaman tingkat tinggi dari gambar atau video digital. Dari perspektif rekayasa, ia berupaya mengotomatiskan tugas-tugas yang dapat dilakukan oleh sistem visual manusia.},
|
|
sort={Visi Komputer}
|
|
}
|
|
|
|
\newglossaryentry{model-generatif}{
|
|
name={Model Generatif},
|
|
description={Jenis model statistik dalam pembelajaran mesin yang bertujuan untuk mempelajari distribusi probabilitas dari data pelatihan. Setelah dilatih, model ini dapat menghasilkan sampel data baru yang mirip dengan data pelatihan, seperti membuat gambar, teks, atau suara baru.},
|
|
sort={Model Generatif}
|
|
}
|
|
|
|
\newglossaryentry{heuristik}{
|
|
name={Heuristik},
|
|
description={Teknik pemecahan masalah yang menggunakan pendekatan praktis atau jalan pintas yang tidak dijamin optimal atau sempurna, tetapi cukup untuk mencapai tujuan jangka pendek atau perkiraan solusi. Heuristik sering digunakan ketika pencarian solusi optimal terlalu mahal secara komputasi.},
|
|
sort={Heuristik}
|
|
}
|
|
|
|
\newglossaryentry{validasi-silang}{
|
|
name={Validasi Silang (Cross-Validation)},
|
|
description={Teknik statistik untuk mengevaluasi seberapa baik hasil analisis statistik (seperti model prediktif) akan generalisasi ke kumpulan data independen. Ini penting untuk menghindari overfitting dan mendapatkan estimasi kinerja model yang lebih andal pada data yang belum pernah dilihat.},
|
|
sort={Validasi Silang}
|
|
}
|
|
|
|
\newglossaryentry{bias-algoritmik}{
|
|
name={Bias Algoritmik},
|
|
description={Mengacu pada kesalahan sistematis atau hasil yang tidak adil yang dihasilkan oleh sistem kecerdasan buatan karena asumsi yang salah dalam proses pembelajaran mesin atau karena data pelatihan yang bias. Bias ini dapat mereplikasi atau bahkan memperkuat prasangka sosial yang ada.},
|
|
sort={Bias Algoritmik}
|
|
} |