Description

praktikum penerapan data science dengan menggunakan PyTorch. Sebelum memulai praktikum hal yang perlu dipersiapkan adalah tools google colaboratory, jupyter phyton, atau tools sejenisnya.

1. Langkah pertama adalah melakukan import torch

2. Melakukan entry data pada pytorch

3. Mengetahui tipe data yang sudah dimasukan dengan cara

4. Mengubah tipe data menjadi bentuk data array

5. Mengubah tipe data menjadi tensor

6. Melihat deskripsi tipe data tensor

7. Sampai tahap ini kita sudah berhasil melakukukan entry data dan mengubahnya menjadi bentuk tensor. Selanjutnya kita akan mencoba melakukan numpy array pada pytorch.

8. Numpy array pada pytorch

Untuk menampilkan data numpy array kita akan mengkolaborasikan numpy random rand. Numpy random rand digunakan untuk memberikan random values dengan ukuran tabel dan row tertentu. Jadi dengan menggunakan numpy random rand kita menghasilan data numpy yang random, dan tanda kurung pada syntaxnya bertujuan untuk menulis perintah berapa kolom dan row yang kita butuhkan

.9. Mengubah data numpy menjadi tensor

Mengubah data numpy menjadi tensor dapat dilakukan dengan 2 langkah diatas.10. Explore jenis tensor pada PyTorch

     a. Torch ones yaitu membuat tensor yang diisi dengan angka 1

     b. Torch.zeros yaitu membuat tensor yang diisi dengan nol

       c. Torch.randn yaitu membuat tensor dengan nilai acak yang diambil sampelnya dari distribusi normal dengan mean 0 dan varians 1

       d. Torch.rand yaitu membuat tensor dengan nilai acak yang diambil sampelnya secara seragam antara 0 dan 1

       e. torch.arange yaitu membuat tensor yang berisi nilai N,N+1,N+2,...,M

        f. torch.Tensor (daftar input): Membuat tensor dari elemen daftar yang diberikan

Menganalisis Tensor pada PyTorch

Sebelumnya kita sudah mengenal jenis-jenis tensor pada PyTorch, pada pembahasan kali ini kita akan mencoba menganalisis tensor yang sudah kita tentukan.

1. Membuat tensor dengan torch.rand

2. Mengubah nama data, melihat tipe data, dan dimana letak data yang digunakan tersimpan

Pada langkah pertama kita sudah berhasil mengubah nama data, jadi ketika melakukan analisis data yang dipanggil adalah praktikum_tensor bukan torch.rand. Selanjutnya pada langkah kedua kita mengetahuii tipe data yang kita gunakan yaitu torch.float32. Dan pada langkah terakhir kita dapat mengetahui bahwa data terdapat pada CPU bukan GPU

.3. Menampilkan tensor pada kolom dan row yang ditentukan, pada contoh ini kita mencoba menampilkan tensor pada kolom 1 dan 3

4. Multiple element twist pada tensor

5. Menampilkan produk matriks dari 2 tensor

6. Tensor sum yang digunakan untuk mengembalikan jumlah semua elemen dalam tensor input.

7. Tensor cat untuk countcat digunakan untuk menggabungkan urutan tensor seq yang diberikan dalam dimensi.

8. Setelah melakukan banyak analysis mari kita coba melihat bentuk dan ukuran data yang kita gunakan untuk menganalisis

9. Melakukan select data tensor dengan menggunakan skala yang ditentukan. Pada praktikum ini kita akan mencoba menampilkan data tensor dengan nilai minimal 0,5 hingga maksimal 0.8

10. Terakhir pada silabus ini kita akan mencoba mengubah data tensor menjadi numpy array.