🔒 Konten Terkunci
Silakan masukkan password untuk melihat isi artikel ini:
Password salah. Silakan coba lagi.
Rumus Matematika Penting untuk AI
1. Aljabar Linear
- Vektor & Matriks: Representasi data dalam bentuk array 2D.
- Transpose: A^T (menukar baris dan kolom).
- Dot Product: a . b = |a||b|cos(θ).
- Perkalian Matriks: C = A × B.
- Eigenvalue / Eigenvector: Untuk PCA & dimensi reduksi.
- Norm: ||x|| = √(x₁² + x₂² + ... + xₙ²).
2. Kalkulus
- Turunan: ∂L/∂x → Gradien perubahan.
- Chain Rule: dy/dx = dy/du × du/dx.
- Gradient Descent: θ = θ - α ∇L(θ).
- Fungsi Aktivasi: Sigmoid, ReLU, tanh (beserta turunannya).
- Backpropagation: Digunakan dalam training neural network.
3. Statistik & Probabilitas
- Mean, Median, Variansi: Ukuran sebaran dan pusat data.
- Distribusi Normal: Bell curve untuk probabilitas umum.
- Bayes Theorem: P(A|B) = P(B|A)×P(A)/P(B).
- Entropy: Mengukur ketidakpastian.
- KL Divergence: Ukur perbedaan dua distribusi probabilitas.
4. Teori Optimasi
- Gradient Descent: θ = θ - α × ∇L(θ).
- Learning Rate (α): Besarnya langkah per iterasi.
- Loss Function: MSE = (1/n) Σ(y - ŷ)², Cross Entropy untuk klasifikasi.
- Regularisasi: L2 = λΣw² → mencegah overfitting.
5. Teori Informasi & Komputasi
- Shannon Entropy: Mengukur informasi atau ketidakpastian.
- Kolmogorov Complexity: Ukuran kompleksitas algoritmik data.
- Mesin Turing: Model dasar dari kecerdasan buatan teoritis.