Data Science For Programmer: A Project-Based Approach With Python GUI PDF Download

Author: Vivian Siahaan
Publisher: BALIGE PUBLISHING
ISBN:
Category : Computers
Languages : en
Pages : 520

View

Book Description
Book 1: Practical Data Science Programming for Medical Datasets Analysis and Prediction with Python GUI In this book, you will implement two data science projects using Scikit-Learn, Scipy, and other libraries with Python GUI. In Project 1, you will learn how to use Scikit-Learn, NumPy, Pandas, Seaborn, and other libraries to perform how to predict early stage diabetes using Early Stage Diabetes Risk Prediction Dataset provided by Kaggle. This dataset contains the sign and symptpom data of newly diabetic or would be diabetic patient. This has been collected using direct questionnaires from the patients of Sylhet Diabetes Hospital in Sylhet, Bangladesh and approved by a doctor. You will develop a GUI using PyQt5 to plot distribution of features, feature importance, cross validation score, and prediced values versus true values. The machine learning models used in this project are Adaboost, Random Forest, Gradient Boosting, Logistic Regression, and Support Vector Machine. In Project 2, you will learn how to use Scikit-Learn, NumPy, Pandas, and other libraries to perform how to analyze and predict breast cancer using Breast Cancer Prediction Dataset provided by Kaggle. Worldwide, breast cancer is the most common type of cancer in women and the second highest in terms of mortality rates.Diagnosis of breast cancer is performed when an abnormal lump is found (from self-examination or x-ray) or a tiny speck of calcium is seen (on an x-ray). After a suspicious lump is found, the doctor will conduct a diagnosis to determine whether it is cancerous and, if so, whether it has spread to other parts of the body. This breast cancer dataset was obtained from the University of Wisconsin Hospitals, Madison from Dr. William H. Wolberg. You will develop a GUI using PyQt5 to plot distribution of features, pairwise relationship, test scores, prediced values versus true values, confusion matrix, and decision boundary. The machine learning models used in this project are K-Nearest Neighbor, Random Forest, Naive Bayes, Logistic Regression, Decision Tree, and Support Vector Machine. Book 2: Step by Step Tutorials For Data Science With Python GUI: Traffic And Heart Attack Analysis And Prediction In this book, you will implement two data science projects using Scikit-Learn, Scipy, and other libraries with Python GUI. In Chapter 1, you will learn how to use Scikit-Learn, Scipy, and other libraries to perform how to predict traffic (number of vehicles) in four different junctions using Traffic Prediction Dataset provided by Kaggle. This dataset contains 48.1k (48120) observations of the number of vehicles each hour in four different junctions: 1) DateTime; 2) Juction; 3) Vehicles; and 4) ID. In Chapter 2, you will learn how to use Scikit-Learn, NumPy, Pandas, and other libraries to perform how to analyze and predict heart attack using Heart Attack Analysis & Prediction Dataset provided by Kaggle. Book 3: BRAIN TUMOR: Analysis, Classification, and Detection Using Machine Learning and Deep Learning with Python GUI In this project, you will learn how to use Scikit-Learn, TensorFlow, Keras, NumPy, Pandas, Seaborn, and other libraries to implement brain tumor classification and detection with machine learning using Brain Tumor dataset provided by Kaggle. This dataset contains five first order features: Mean (the contribution of individual pixel intensity for the entire image), Variance (used to find how each pixel varies from the neighboring pixel 0, Standard Deviation (the deviation of measured Values or the data from its mean), Skewness (measures of symmetry), and Kurtosis (describes the peak of e.g. a frequency distribution). It also contains eight second order features: Contrast, Energy, ASM (Angular second moment), Entropy, Homogeneity, Dissimilarity, Correlation, and Coarseness. The machine learning models used in this project are K-Nearest Neighbor, Random Forest, Naive Bayes, Logistic Regression, Decision Tree, and Support Vector Machine. The deep learning models used in this project are MobileNet and ResNet50. In this project, you will develop a GUI using PyQt5 to plot boundary decision, ROC, distribution of features, feature importance, cross validation score, and predicted values versus true values, confusion matrix, training loss, and training accuracy.

Author: Vivian Siahaan
Publisher: BALIGE PUBLISHING
ISBN:
Category : Computers
Languages : id
Pages : 595

View

Book Description
Buku 1: Pemrograman DATA SCIENCE dengan Python GUI: Studi Kasus Dataset Diabetes Dan Kanker Payudara Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “Practical Data Science Programming for Medical Datasets Analysis and Prediction with Python GUI”. Anda dapat menemukannya di Google Books dan Amazon. Pada proyek pertama, Anda akan mempelajari cara menggunakan Scikit-Learn, SVM, NumPy, Pandas, dan library lainnya untuk melakukan cara memprediksi diabetes tahap awal menggunakan Early Stage Diabetes Risk Prediction Dataset yang disediakan di Kaggle. Dataset ini berisi data tanda dan gejala penderita diabetes atau pasien yang berpotensi mengidap diabetes. Dataset telah dikumpulkan dengan menggunakan kuesioner langsung dari pasien Rumah Sakit Sylhet Diabetes di Sylhet, Bangladesh dan disetujui oleh dokter. Dataset terdiri dari total 15 fitur dan satu variabel target bernama class. Pada proyek ini, Anda akan mengembangkan GUI menggunakan PyQt5 untuk menampilkan distribusi fitur, feature importance, skor validasi silang, dan nilai terprediksi versus nilai sebenarnya, dan confusion matrix. Pada proyek kedua, Anda akan belajar bagaimana menerapkan Scikit-Learn, NumPy, Pandas, dan sejumlah pustaka lain untuk menganalisa dan memprediksi kanker payudara menggunakan Breast Cancer Prediction Dataset yang disediakan di Kaggle. Di seluruh dunia, kanker payudara adalah jenis kanker yang paling umum pada wanita dan tertinggi kedua dalam hal angka kematian. Diagnosis kanker payudara dilakukan ketika ditemukan benjolan abnormal (dari pemeriksaan sendiri atau x-ray) atau setitik kecil dari kalsium yang terlihat (pada x-ray). Setelah benjolan yang mencurigakan ditemukan, dokter akan melakukan diagnosis untuk menentukan apakah itu kanker dan, jika ya, apakah sudah menyebar ke bagian tubuh lain. Dataset kanker payudara ini diperoleh dari University of Wisconsin Hospitals, Madison dari Dr. William H. Wolberg. Pada proyek ini, Anda juga akan mengembangkan GUI menggunakan PyQt5 untuk menampilkan decision boundary, ROC, distribusi fitur, feature importance, skor validasi silang, dan nilai terprediksi versus nilai sebenarnya, dan confusion matrix. Buku 2: IMPLEMENTASI DATA SCIENCE BERBASIS PROYEK DENGAN PYTHON GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “Step by Step Project-Based Tutorials for Data Science with Python GUI: Traffic and Heart Attack Analysis and Prediction”. Anda dapat menemukannya di Google Books dan Amazon. Pada Bab 1, Anda akan mempelajari dasar-dasar pemrograman Python GUI dengan PyQ5. Anda akan belajar menciptakan sejumlah GUI dengan bantuan Qt Designer. Pada proyek di Bab 2, Anda akan belajar menggunakan dan menerapkan modul Scikit-Learn, NumPy, Pandas, dan sejumlah modul lain untuk menganalisa dan memprediksi serangan jantung menggunakan Heart Attack Analysis & Prediction Dataset yang disediakan di Kaggle. Di sini, Anda akan mengembangkan sebuah GUI untuk menampilkan distribusi tiap fitur pada dataset, matriks korelasi, confusion matrix, dan nilai-nilai sebenarnya versus nilai-nilai prediksi. Model-model machine learning yang dipakai pada proyek ini adalah Logistic Regression, K-Nearest Neighbor, Support Vector Machine, Decision Tree, Random Forest, Adaboost, Gradient Boosting, SGBoost, dan MLP. Pada proyek di Bab 3, Anda akan belajar dan menerapkan Scikit-Learn, Scipy, dan sejumlah pustaka lain untuk mengimplementasikan bagaimana menganalisa dan memprediksi trafik kendaraan pada empat persimpangan jalan menggunakan Traffic Prediction Dataset yang disediakan di Kaggle. Dataset memuat 48.1k (48120) observasi banyaknya kendaraan tiap jam di empat persimpangan jalan berbeda. Dataset ini memuat empat kolom: 1) DateTime; 2) Juction; 3) Vehicles; dan 4) ID. Pada proyek ini, Anda akan mengembangkan sebuah GUI untuk menampilkan distribusi kerapatan probabilitas tiap fitur, data pada tiap persimpangan dalam runtun waktu, distribusi banyak kendaraan berdasarkan waktu (tahun, bulan, dan hari) dan persimpangan, matriks korelasi, korelasi-diri parsial, hasil pelatihan model-model Random Forest, keutamaan fitur, dan banyak kendaraan berdasarkan hari untuk beberapa bulan ke depan. Buku 3: TUMOR OTAK: Analisis, Klasifikasi, dan Deteksi Menggunakan Machine Learning dan Deep Learning dengan Python GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “BRAIN TUMOR: Analysis, Classification, and Detection Using Machine Learning and Deep Learning with Python GUI”. Anda dapat menemukannya di Google Books dan Amazon. Tentu, Anda telah banyak menjumpai buku-buku yang memberikan pemahaman fundamental dan teoritis yang berkaitan dengan Machine Learning dan Deep Learning. Berbeda dari buku-buku tersebut, buku ini diperuntukkan bagi Anda yang ingin mengupas data science, khususnya Machine Learning dan Deep Learning, dengan secara langsung mempraktekkannya dalam sebuah proyek. Hal ini akan meningkatkan kemampuan pemrograman Anda ketika Anda nantinya berniat untuk menjadi seorang Data Scientist. Pada proyek ini, Anda akan mempelajari cara menggunakan Scikit-Learn, TensorFlow, Keras, NumPy, Pandas, Seaborn, dan pustaka lainnya untuk menerapkan analisis, klasifikasi dan deteksi tumor otak dengan pembelajaran mesin (Machine Learning) dan Deep Learning menggunakan dataset Brain Tumor yang disediakan di Kaggle. Dataset ini berisi lima fitur orde pertama: Mean (kontribusi intensitas piksel individu untuk seluruh gambar), Variance (digunakan untuk menemukan bagaimana setiap piksel bervariasi dari piksel tetangga 0, Standard Deviation (deviasi nilai terukur atau data dari mean), Skewness (ukuran simetri), dan Kurtosis (menggambarkan puncak, misalnya, distribusi frekuensi). Dataset ini juga berisi delapan fitur orde kedua: Contrast, Energy, ASM (Angular second moment), Entropy, Homogeneity, Dissimilarity, Correlation, dan Coarseness. Model machine learning yang digunakan dalam proyek ini adalah K-Nearest Neighbor, Random Forest, Naive Bayes, Logistic Regression, Decision Tree, dan Support Vector Machine. Model deep learning yang digunakan dalam proyek ini adalah MobileNet dan ResNet50. Pada proyek ini, Anda akan mengembangkan GUI menggunakan PyQt5 untuk menampilkan decision boundary, ROC, distribusi fitur, feature importance, skor validasi silang, dan nilai terprediksi versus nilai sebenarnya, confusion matrix, rugi pelatihan, dan akurasi pelatihan.

Author: Vivian Siahaan
Publisher: BALIGE PUBLISHING
ISBN:
Category : Computers
Languages : en
Pages : 402

View

Book Description
In this book, you will implement two data science projects using Scikit-Learn, Scipy, and other libraries with Python GUI. In chapter 1, you will learn how to use Scikit-Learn, SVM, NumPy, Pandas, and other libraries to perform how to predict early stage diabetes using Early Stage Diabetes Risk Prediction Dataset (https://viviansiahaan.blogspot.com/2023/06/practical-data-science-programming-for.html). This dataset contains the sign and symptom data of newly diabetic or would be diabetic patient. This has been collected using direct questionnaires from the patients of Sylhet Diabetes Hospital in Sylhet, Bangladesh and approved by a doctor. The dataset consist of total 15 features and one target variable named class. Age: Age in years ranging from (20years to 65 years); Gender: Male / Female; Polyuria: Yes / No; Polydipsia: Yes/ No; Sudden weight loss: Yes/ No; Weakness: Yes/ No; Polyphagia: Yes/ No; Genital Thrush: Yes/ No; Visual blurring: Yes/ No; Itching: Yes/ No; Irritability: Yes/No; Delayed healing: Yes/ No; Partial Paresis: Yes/ No; Muscle stiffness: yes/ No; Alopecia: Yes/ No; Obesity: Yes/ No; This dataset contains the sign and symptpom data of newly diabetic or would be diabetic patient. This has been collected using direct questionnaires from the patients of Sylhet Diabetes Hospital in Sylhet, Bangladesh and approved by a doctor. You will develop a GUI using PyQt5 to plot distribution of features, feature importance, cross validation score, and prediced values versus true values. The machine learning models used in this project are Adaboost, Random Forest, Gradient Boosting, Logistic Regression, and Support Vector Machine. In chapter 2, you will learn how to use Scikit-Learn, NumPy, Pandas, and other libraries to perform how to analyze and predict breast cancer using Breast Cancer Prediction Dataset (https://viviansiahaan.blogspot.com/2023/06/practical-data-science-programming-for.html). Worldwide, breast cancer is the most common type of cancer in women and the second highest in terms of mortality rates.Diagnosis of breast cancer is performed when an abnormal lump is found (from self-examination or x-ray) or a tiny speck of calcium is seen (on an x-ray). After a suspicious lump is found, the doctor will conduct a diagnosis to determine whether it is cancerous and, if so, whether it has spread to other parts of the body. This breast cancer dataset was obtained from the University of Wisconsin Hospitals, Madison from Dr. William H. Wolberg. You will develop a GUI using PyQt5 to plot distribution of features, pairwise relationship, test scores, prediced values versus true values, confusion matrix, and decision boundary. The machine learning models used in this project are K-Nearest Neighbor, Random Forest, Naive Bayes, Logistic Regression, Decision Tree, and Support Vector Machine.

Author: Vivian Siahaan
Publisher: BALIGE PUBLISHING
ISBN:
Category : Computers
Languages : en
Pages : 173

View

Book Description
In this project, we embarked on a comprehensive journey through the world of machine learning and model evaluation. Our primary goal was to develop a Tkinter GUI and assess various machine learning models on a given dataset to identify the best-performing one. This process is essential in solving real-world problems, as it helps us select the most suitable algorithm for a specific task. By crafting this Tkinter-powered GUI, we provided an accessible and user-friendly interface for users engaging with machine learning models. It simplified intricate processes, allowing users to load data, select models, initiate training, and visualize results without necessitating code expertise or command-line operations. This GUI introduced a higher degree of usability and accessibility to the machine learning workflow, accommodating users with diverse levels of technical proficiency. We began by loading and preprocessing the dataset, a fundamental step in any machine learning project. Proper data preprocessing involves tasks such as handling missing values, encoding categorical features, and scaling numerical attributes. These operations ensure that the data is in a format suitable for training and testing machine learning models. Once our data was ready, we moved on to the model selection phase. We evaluated multiple machine learning algorithms, each with its strengths and weaknesses. The models we explored included Logistic Regression, Random Forest, K-Nearest Neighbors (KNN), Decision Trees, Gradient Boosting, Extreme Gradient Boosting (XGBoost), Multi-Layer Perceptron (MLP), and Support Vector Classifier (SVC). For each model, we employed a systematic approach to find the best hyperparameters using grid search with cross-validation. This technique allowed us to explore different combinations of hyperparameters and select the configuration that yielded the highest accuracy on the training data. These hyperparameters included settings like the number of estimators, learning rate, and kernel function, depending on the specific model. After obtaining the best hyperparameters for each model, we trained them on our preprocessed dataset. This training process involved using the training data to teach the model to make predictions on new, unseen examples. Once trained, the models were ready for evaluation. We assessed the performance of each model using a set of well-established evaluation metrics. These metrics included accuracy, precision, recall, and F1-score. Accuracy measured the overall correctness of predictions, while precision quantified the proportion of true positive predictions out of all positive predictions. Recall, on the other hand, represented the proportion of true positive predictions out of all actual positives, highlighting a model's ability to identify positive cases. The F1-score combined precision and recall into a single metric, helping us gauge the overall balance between these two aspects. To visualize the model's performance, we created key graphical representations. These included confusion matrices, which showed the number of true positive, true negative, false positive, and false negative predictions, aiding in understanding the model's classification results. Additionally, we generated Receiver Operating Characteristic (ROC) curves and area under the curve (AUC) scores, which depicted a model's ability to distinguish between classes. High AUC values indicated excellent model performance. Furthermore, we constructed true values versus predicted values diagrams to provide insights into how well our models aligned with the actual data distribution. Learning curves were also generated to observe a model's performance as a function of training data size, helping us assess whether the model was overfitting or underfitting. Lastly, we presented the results in a clear and organized manner, saving them to Excel files for easy reference. This allowed us to compare the performance of different models and make an informed choice about which one to select for our specific task. In summary, this project was a comprehensive exploration of the machine learning model development and evaluation process. We prepared the data, selected and fine-tuned various models, assessed their performance using multiple metrics and visualizations, and ultimately arrived at a well-informed decision about the most suitable model for our dataset. This approach serves as a valuable blueprint for tackling real-world machine learning challenges effectively.

Author: Vivian Siahaan
Publisher: BALIGE PUBLISHING
ISBN:
Category : Computers
Languages : en
Pages : 222

View

Book Description
In this book, you will implement two data science projects using Scikit-Learn, Scipy, and other libraries with Python GUI. In Chapter 1, you will learn how to use Scikit-Learn, Scipy, and other libraries to perform how to predict traffic (number of vehicles) in four different junctions using Traffic Prediction Dataset provided by Kaggle (https://www.kaggle.com/fedesoriano/traffic-prediction-dataset/download). This dataset contains 48.1k (48120) observations of the number of vehicles each hour in four different junctions: 1) DateTime; 2) Juction; 3) Vehicles; and 4) ID. In Chapter 2, you will learn how to use Scikit-Learn, NumPy, Pandas, and other libraries to perform how to analyze and predict heart attack using Heart Attack Analysis & Prediction Dataset provided by Kaggle (https://www.kaggle.com/rashikrahmanpritom/heart-attack-analysis-prediction-dataset/download). In Chapter 3, you will learn how to use Scikit-Learn, SVM, NumPy, Pandas, and other libraries to perform how to predict early stage diabetes using Early Stage Diabetes Risk Prediction Dataset provided by Kaggle (https://www.kaggle.com/ishandutta/early-stage-diabetes-risk-prediction-dataset/download). This dataset contains the sign and symptpom data of newly diabetic or would be diabetic patient. This has been collected using direct questionnaires from the patients of Sylhet Diabetes Hospital in Sylhet, Bangladesh and approved by a doctor.

Author: Vivian Siahaan
Publisher: BALIGE PUBLISHING
ISBN:
Category : Computers
Languages : en
Pages : 917

View

Book Description
PROJECT 1: THE APPLIED DATA SCIENCE WORKSHOP: Prostate Cancer Classification and Recognition Using Machine Learning and Deep Learning with Python GUI Prostate cancer is cancer that occurs in the prostate. The prostate is a small walnut-shaped gland in males that produces the seminal fluid that nourishes and transports sperm. Prostate cancer is one of the most common types of cancer. Many prostate cancers grow slowly and are confined to the prostate gland, where they may not cause serious harm. However, while some types of prostate cancer grow slowly and may need minimal or even no treatment, other types are aggressive and can spread quickly. The dataset used in this project consists of 100 patients which can be used to implement the machine learning and deep learning algorithms. The dataset consists of 100 observations and 10 variables (out of which 8 numeric variables and one categorical variable and is ID) which are as follows: Id, Radius, Texture, Perimeter, Area, Smoothness, Compactness, Diagnosis Result, Symmetry, and Fractal Dimension. The models used in this project are K-Nearest Neighbor, Random Forest, Naive Bayes, Logistic Regression, Decision Tree, Support Vector Machine, Adaboost, LGBM classifier, Gradient Boosting, XGB classifier, MLP classifier, and CNN 1D. Finally, you will develop a GUI using PyQt5 to plot boundary decision, ROC, distribution of features, feature importance, cross validation score, and predicted values versus true values, confusion matrix, learning curve, performance of the model, scalability of the model, training loss, and training accuracy. PROJECT 2: THE APPLIED DATA SCIENCE WORKSHOP: Urinary Biomarkers Based Pancreatic Cancer Classification and Prediction Using Machine Learning with Python GUI Pancreatic cancer is an extremely deadly type of cancer. Once diagnosed, the five-year survival rate is less than 10%. However, if pancreatic cancer is caught early, the odds of surviving are much better. Unfortunately, many cases of pancreatic cancer show no symptoms until the cancer has spread throughout the body. A diagnostic test to identify people with pancreatic cancer could be enormously helpful. In a paper by Silvana Debernardi and colleagues, published this year in the journal PLOS Medicine, a multi-national team of researchers sought to develop an accurate diagnostic test for the most common type of pancreatic cancer, called pancreatic ductal adenocarcinoma or PDAC. They gathered a series of biomarkers from the urine of three groups of patients: Healthy controls, Patients with non-cancerous pancreatic conditions, like chronic pancreatitis, and Patients with pancreatic ductal adenocarcinoma. When possible, these patients were age- and sex-matched. The goal was to develop an accurate way to identify patients with pancreatic cancer. The key features are four urinary biomarkers: creatinine, LYVE1, REG1B, and TFF1. Creatinine is a protein that is often used as an indicator of kidney function. YVLE1 is lymphatic vessel endothelial hyaluronan receptor 1, a protein that may play a role in tumor metastasis. REG1B is a protein that may be associated with pancreas regeneration. TFF1 is trefoil factor 1, which may be related to regeneration and repair of the urinary tract. The models used in this project are K-Nearest Neighbor, Random Forest, Naive Bayes, Logistic Regression, Decision Tree, Support Vector Machine, Adaboost, LGBM classifier, Gradient Boosting, XGB classifier, and MLP classifier. Finally, you will develop a GUI using PyQt5 to plot boundary decision, ROC, distribution of features, feature importance, cross validation score, and predicted values versus true values, confusion matrix, learning curve, performance of the model, scalability of the model, training loss, and training accuracy. PROJECT 3: DATA SCIENCE CRASH COURSE: Voice Based Gender Classification and Prediction Using Machine Learning and Deep Learning with Python GUI This dataset was created to identify a voice as male or female, based upon acoustic properties of the voice and speech. The dataset consists of 3,168 recorded voice samples, collected from male and female speakers. The voice samples are pre-processed by acoustic analysis in R using the seewave and tuneR packages, with an analyzed frequency range of 0hz-280hz (human vocal range). The following acoustic properties of each voice are measured and included within the CSV: meanfreq: mean frequency (in kHz); sd: standard deviation of frequency; median: median frequency (in kHz); Q25: first quantile (in kHz); Q75: third quantile (in kHz); IQR: interquantile range (in kHz); skew: skewness; kurt: kurtosis; sp.ent: spectral entropy; sfm: spectral flatness; mode: mode frequency; centroid: frequency centroid (see specprop); peakf: peak frequency (frequency with highest energy); meanfun: average of fundamental frequency measured across acoustic signal; minfun: minimum fundamental frequency measured across acoustic signal; maxfun: maximum fundamental frequency measured across acoustic signal; meandom: average of dominant frequency measured across acoustic signal; mindom: minimum of dominant frequency measured across acoustic signal; maxdom: maximum of dominant frequency measured across acoustic signal; dfrange: range of dominant frequency measured across acoustic signal; modindx: modulation index. Calculated as the accumulated absolute difference between adjacent measurements of fundamental frequencies divided by the frequency range; and label: male or female. The models used in this project are K-Nearest Neighbor, Random Forest, Naive Bayes, Logistic Regression, Decision Tree, Support Vector Machine, Adaboost, LGBM classifier, Gradient Boosting, XGB classifier, MLP classifier, and CNN 1D. Finally, you will develop a GUI using PyQt5 to plot boundary decision, ROC, distribution of features, feature importance, cross validation score, and predicted values versus true values, confusion matrix, learning curve, performance of the model, scalability of the model, training loss, and training accuracy. PROJECT 4: DATA SCIENCE CRASH COURSE: Thyroid Disease Classification and Prediction Using Machine Learning and Deep Learning with Python GUI Thyroid disease is a general term for a medical condition that keeps your thyroid from making the right amount of hormones. Thyroid typically makes hormones that keep body functioning normally. When the thyroid makes too much thyroid hormone, body uses energy too quickly. The two main types of thyroid disease are hypothyroidism and hyperthyroidism. Both conditions can be caused by other diseases that impact the way the thyroid gland works. Dataset used in this project was from Garavan Institute Documentation as given by Ross Quinlan 6 databases from the Garavan Institute in Sydney, Australia. Approximately the following for each database: 2800 training (data) instances and 972 test instances. This dataset contains plenty of missing data, while 29 or so attributes, either Boolean or continuously-valued. The models used in this project are K-Nearest Neighbor, Random Forest, Naive Bayes, Logistic Regression, Decision Tree, Support Vector Machine, Adaboost, LGBM classifier, Gradient Boosting, XGB classifier, MLP classifier, and CNN 1D. Finally, you will develop a GUI using PyQt5 to plot boundary decision, ROC, distribution of features, feature importance, cross validation score, and predicted values versus true values, confusion matrix, learning curve, performance of the model, scalability of the model, training loss, and training accuracy.

Author: Andrew Park
Publisher:
ISBN: 9781914167997
Category :
Languages : en
Pages : 394

View

Book Description
★ 55% OFF for Bookstores! Now at $49.95 instead of $59.95! ★ Your Customers Will Never Stop To Use This Complete Guide! Did you know that according to Harvard Business Review the Data Scientist is the sexiest job of the 21st century? And for a reason! If "sexy" means having rare qualities that are much in demand, data scientists are already there. They are expensive to hire and, given the very competitive market for their services, difficult to retain. There simply aren't a lot of people with their combination of scientific background and computational and analytical skills. Data Science is all about transforming data into business value using math and algorithms. And needless to say, Python is the must-know programming language of the 21st century. If you are interested in coding and Data Science, then you must know Python to succeed in these industries! Data Science for Beginners is the perfect place to start learning everything you need to succeed. Contained within these four essential books are the methods, concepts, and important practical examples to help build your foundation for excelling at the discipline that is shaping the modern word. This bundle is perfect for programmers, software engineers, project managers and those who just want to keep up with technology. With these books in your hands, you will: ● Learn Python from scratch including the basic operations, how to install it, data structures and functions, and conditional loops ● Build upon the fundamentals with advanced techniques like Object-Oriented Programming (OOP), Inheritance, and Polymorphism ● Discover the importance of Data Science and how to use it in real-world situations ● Learn the 5 steps of Data Analysis so you can comprehend and analyze data sitting right in front of you ● Increase your income by learning a new, valuable skill that only a select handful of people take the time to learn ● Discover how companies can improve their business through practical examples and explanations ● And Much More! This bundle is essential for anyone who wants to study Data Science and learn how the world is moving to an open-source platform. Whether you are a software engineer or a project manager, jump to the next level by developing a data-driven approach and learning how to define a data-driven vision of your business! Order Your Copy of the Bundle and Let Your Customers Start Their New Career Path Today!

Author: Python School
Publisher: Python School
ISBN: 9781802939873
Category :
Languages : en
Pages : 122

View

Book Description
★ 55% OFF for Bookstores! NOW at $36.95 instead of $49.95★ Have you ever been thought what it would be like if you dared to expand your python programming skills to include data science? Or are you looking for a new job in the technological and scientific world? Then keep reading because I have what you need! Working with machine learning is something that a lot of different companies want to focus on now. They like the idea of being able to get a system to learn while they are not there. They like to provide a better kind of customer service than they could have before. And they like all of the opportunities that are going to present themselves when it comes to this kind of programming. And when they can provide it all and learn how to do all the different parts with the help of Python, that can just make that much easier. This guidebook has explored a lot of the different topics that can come up with this. The purpose of the book is to help you to understand how to work with Python, what is all available with Python, and so much more. Some of the different topics we will discuss in this guidebook to help you to get started with coding in Python Data Science will include: - Techniques of Algorithmic programming - The Database Access with Python - What Can I Do with GUI Programming? - Recent Advancements in Data Analysis - Python Data Structures - Numba - Just in Time Python compiler - Comparing Pipeline Data Models: Is PODS Spatial the Right Solution? - Visualisation and Results - Most Common Data Science Problems: - Linear Classifiers - Setting Up PyCharm - Data frames - Why Python for Big Data? Are you wondering if that your PC can be an algorithms machine? Even if you have never heard that it's possibile, this book will deny it to you. If you want to know how, Scroll up and click the buy now button to get your copy.

Author: Austin Scratch
Publisher:
ISBN: 9781674491042
Category :
Languages : en
Pages : 118

View

Book Description
Have you ever been thought what it would be like if you dared to expand your python programming skills to include data science? Or are you looking for a new job in the technological and scientific world? Then keep reading because I have what you need! Working with machine learning is something that a lot of different companies want to focus on now. They like the idea of being able to get a system to learn while they are not there. They like to provide a better kind of customer service than they could have before. And they like all of the opportunities that are going to present themselves when it comes to this kind of programming. And when they can provide it all and learn how to do all the different parts with the help of Python, that can just make that much easier. This guidebook has explored a lot of the different topics that can come up with this. The purpose of the book is to help you to understand how to work with Python, what is all available with Python, and so much more. Some of the different topics we will discuss in this guidebook to help you to get started with coding in Python Data Science will include: Techniques of Algorithmic programming The Database Access with Python What Can I Do with GUI Programming? Recent Advancements in Data Analysis Python Data Structures Numba - Just in Time Python compiler Comparing Pipeline Data Models: Is PODS Spatial the Right Solution? Visualization and Results Most Common Data Science Problems: Linear Classifiers Setting Up PyCharm Data frames Why Python for Big Data? Are you wondering if that your PC can be an algorithms machine? Even if you have never heard that it's possibile, this book will deny it to you. If you want to know how, scroll up and click the buy now button to get your copy.

Author: Vivian Siahaan
Publisher: BALIGE PUBLISHING
ISBN:
Category : Computers
Languages : id
Pages : 2192

View

Book Description
BUKU 1: Konsep dan Implementasi Pemrograman Python Buku ini merupakan buku teks pemrograman komputer menggunakan Python yang difokuskan untuk pembelajaran efektif. Sengaja dirancang untuk pelbagai tingkat ketertarikan dan kemampuan pembelajar, buku ini cocok untuk siswa SMA/SMK, mahasiswa, insinyur, dan bahkan peneliti dalam berbagai displin ilmu. Tidak ada pengalaman pemrograman yang diperlukan, dan hanya sedikit kemampun aljabar tingkat sekolah menenga atas yang diperlukan. Buku ini memang dirancang untuk mengambil rute tradisional, dengan lebih dahulu menekankan sintaksis-sintaksis dasar, struktur-struktur kendali, fungsi, dekomposisi prosedural, dan struktur data built-in seperti list, set, dan kamus (dictionary). Panduan langkah-demi-langkah di dalamnya diharapkan bisa membantu kepercayaan diri pembaca untuk menjadi programer yang bisa menyelesaikan permasalahan-permasalahan pemrograman. Sejumlah contoh disediakan untuk mendemonstrasikan bagaimana menerapkan konsep-konsep yang telah disajikan terhadap sejumlahan tantangan pemrograman. Pada Bab 1, Anda akan diajari mengenal IDE Spyder untuk memprogram Python dan mengetahui sintaksis dasar dari program sederhana Python. Pada Bab 2, Anda akan belajar: Mendefinisikan dan menggunakan variabel dan konstanta; Memahami sejumlah watak dan keterbatasan bilangan integer (bilangan bulat) dan titik-mengambang (bilangan pecahan); Memahami pentingnya komentar dan tataletak kode; Menulis ekspresi aritmatik dan statemen penugasan; Menciptakan program yang membaca dan memproses masukan, dan menampilkan hasilnya; Bagaimana menggunakan string Python; Menciptakan program grafika menggunakan sejumlah bangun dasar dan teks. Pada Bab 3, Anda akan belajar: Mengimplementasikan keputusan menggunakan statemen if; Membandingkan bilangan integer, titik-mengambang, dan string; Menuliskan statemen menggunakan ekspresi Boolean; Memvalidasi masukan user. Pada Bab 4, Anda akan belajar: Mengimplementasikan loop while dan for; Menjadi familiar dengan algoritma-algoritma yang melibatkan loop; Memahami loop bersarang; Memproses string. Pada Bab 5, Anda akan belajar: Bagaimana mengimplementasikan fungsi; Menjadi familiar dengan konsep pelewatan parameter; Mengembangkan strategi pendekomposisian pekerjaan kompleks menjadi pekerjaan-pekerjaan yang lebih mudah; Mampu menentukan skop variabel. Pada Bab 6, Anda akan belajar: Mengumpulkan elemen-elemen menggunkan list; Menggunakan loop for untuk menjelajah list; Menggunakan sejumlah algoritma umum untuk memproses list; Menggunakan list dengan fungsi; Bekerja dengan tabel data. Pada Bab 7, Anda akan belajar: Membangun dan menggunakan kontainer set; Menggunakan operasi-operasi set untuk memproses data; Membangun dan menggunakan kontainer dictionary; Menggunakan dictionary untuk tabel; Menggunakan struktur kompleks. BUKU 2: SINYAL DAN CITRA DIGITAL dengan PYTHON GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “LEARN FROM SCRATCH SIGNAL AND IMAGE PROCESSING WITH PYTHON GUI”. Anda bisa mengaksesnya di Amazon maupun di Google Books. Pada buku ini, Anda akan belajar bagaimana menggunakan OpenCV, NumPy dan sejumlah pustaka lain untuk melakukan pemrosesan sinyal, pemrosesan citra, deteksi objek, dan ekstraksi fitur dengan memanfaatkan Python GUI (PyQt). Anda akan belajar cara memfilter sinyal, mendeteksi tepi dan segmen, dan menekan derau pada citra dengan memanfaatkan PyQt. Anda juga akan belajar cara mendeteksi objek (wajah, mata, dan mulut) menggunakan Haar Cascades dan cara mendeteksi fitur pada citra menggunakan Harris Corner Detection, Shi-Tomasi Corner Detector, Scale-Invariant Feature Transform (SIFT), dan Features from Accelerated Uji Segmen (FAST). Pada bab 1, Anda akan mempelajari secara langkah demi langkah: membuat aplikasi gui sederhana; menggunakan tombol radio; mengelompokkan tombol radio; menggunakan widget kotak centang; menggunakan dua grup kotak centang; memahami sinyal dan slot; mengonversi jenis data; menggunakan widget spin box; menggunakan scrollbar dan slider; menggunakan list widget; menggunakan kotak kombo; dan menggunakan widget Table. Pada bab 2, Anda akan mempelajari secara langkah demi langkah: membuat grafik garis sederhana; membuat grafik garis sederhana dengan python gui; membuat grafik garis sederhana dengan python gui: bagian 2; membuat dua atau lebih banyak grafik di sumbu yang sama;membuat dua sumbu dalam satu kanvas; menggunakan dua widget;menggunakan dua widget, masing-masing memiliki dua sumbu; menggunakan sumbu dengan tingkat opacity tertentu; memilih warna garis dari combo box; menghitung fast fourier transform; membuat gui untuk FFT; membuat gui untuk FFT dengan beberapa sinyal input lain; membuat gui untuk sinyal bising; membuat gui untuk penapisan sinyal berderau; dan membuat gui untuk penapisan sinyal wav. Pada bab 3, Anda akan mempelajari secara langkah demi langkah: mengkonversi citra RGB menjadi grayscale; mengubah citra RGB menjadi citra YUV; mengkonversi citra RGB menjadi citra HSV; memfilter citra; menampilkan histogram citra; menampilkan histogram citra tertapis; memfilter citra dengan memanfaatkan opsi pada kotak centang; menerapkan ambang batas citra; dan menerapkan ambang batas citra adaptif. Pada bab 4, Anda akan mempelajari secara langkah demi langkah: membangkitkan dan menampilkan citra berderau; menerapkan deteksi tepi pada citra; menerapkan segmentasi citra menggunakan algoritma multiple thresholding dan k-means; dan menerapkan penekanan derau citra. Pada bab 5, Anda akan mempelajari secara langkah demi langkah: mendeteksi wajah, mata, dan mulut menggunakan haar cascades; mendeteksi wajah menggunakan haar cascades dengan pyqt; mendeteksi mata, dan mulut menggunakan haar cascades dengan pyqt; dan mengekstraksi objek yang terdeteksi. Pada bab 6, Anda akan mempelajari secara langkah demi langkah: mendeteksi fitur citra menggunakan deteksi harris corner; mendeteksi fitur citra menggunakan deteksi sudut shi-tomasi; mendeteksi fitur citra menggunakan Scale-Invariant Feature Transform (SIFT); dan mendeteksi fitur citra menggunakan Features from Accelerated Uji Segmen (FAST). BUKU 3: IMPLEMENTASI MACHINE LEARNING DENGAN PYTHON GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “LEARN FROM SCRATCH MACHINE LEARNING WITH PYTHON GUI”. Anda bisa mengaksesnya di Amazon maupun di Google Books. Pada buku ini, Anda akan mempelajari cara menggunakan NumPy, Pandas, OpenCV, Scikit-Learn, dan pustaka lain untuk memplot grafik dan memproses citra digital. Kemudian, Anda akan mempelajari cara mengklasifikasikan fitur menggunakan model Perceptron, Adaline, Logistic Regression (LR), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), dan K-Nearest Neighbor (KNN). Anda juga akan belajar cara mengekstraksi fitur menggunakan algoritma Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), Kernel Principal Component Analysis (KPCA) dan menggunakannya dalam pembelajaran mesin (machine learning). Pada Bab 1, Anda akan mempelajari dasar-dasar penggunakan Python GUI dengan Qt Designer. Pada Bab 2, Anda akan mempelajari: Langkah-Langkah Menciptakan Grafik Garis Sederhana; Langkah-Langkah Menampilkan Grafik Garis dengan Python GUI: Bagian 1; Langkah-Langkah Menampilkan Grafik Garis dengan Python GUI: Bagian 2; Langkah-Langkah Menampilkan Dua atau Lebih Grafik pada Sumbu yang Sama; Langkah-Langkah Menciptakan Dua Sumbu pada Satu Canvas; Langkah-Langkah Menggunakan Dua Widget; Langkah-Langkah Menggunakan Dua Widget, Masing-Masing Memiliki Dua Sumbu; Langkah-Langkah Menggunakan Sumbu dengan Tingkat Keburaman Tertentu; Langkah-Langkah Memilih Warna Garis dari Combo Box; Langkah-Langkah Menghitung Fast Fourier Transform; Langkah-Langkah Menciptakan GUI untuk FFT; Langkah-Langkan Menciptakan GUI untuk FFT atas Sinyal-Sinyal Masukan Lain; Langkah-Langkah Menciptakan GUI untuk Sinyal Berderau; Langkah-Langkah Menciptakan GUI untuk Penapisan Sinyal Berderau; Langkah-Langkah Mencipakan GUI untuk Penapisan Sinyal Wav; Langkah-Langkah Mengkonversi Citra RGB Menjadi Keabuan; Langkah-Langkah Mengkonversi Citra RGB Menjadi Citra YUV; Langkah-Langkah Mengkonversi Citra RGB Menjadi Citra HSV; Langkah-Langkah Menapis Citra; Langkah-Langkah Menampilkan Histogram Citra ; Langkah-Langkah Menampilkan Histogram Citra Tertapis; Langkah-Langkah Menapis Citra: Memanfaatkan CheckBox; Langkah-Langkah Mengimplementasikan Ambang Batas Citra; dan Langkah-Langkah Mengimplementasikan Ambang Batas Adaptif. Pada Bab 3, Anda akan mempelajari: Langkah-Langkah Implementasi Perceptron; Langkah-Langkah Implementasi Perceptron dengan PyQt; Langkah-Langkah Implementasi Adaline (ADAptive LInear NEuron); dan Langkah-Langkah Implementasi Adaline dengan PyQt. Pada Bab 4, Anda akan mempelajari: Langkah-Langkah Implementasi Perceptron Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Model Logistic Regression (LR); Langkah-Langkah Implementasi Model Logistic Regression dengan PyQt; Langkah-Langkah Implementasi Model Logistic Regression Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Mode Support Vector Machine (SVM) Menggunakan Scikit-Learn; Langkah-Langkah Implementasi Decision Tree (DT) Menggunakan Scikit-Learn; Langkah-Langkah Implementasi Model Random Forest (RF) Menggunakan Scikit-Learn; dan Langkah-Langkah Implementasi Model K-Nearest Neighbor (KNN) Menggunakan Scikit-Learn. Pada Bab 5, Anda akan mempelajari: Langkah-Langkah Implementasi Principal Component Analysis (PCA); Langkah-Langkah Implementasi Principal Component Analysis (PCA); Menggunakan Scikit-Learn; Langkah-Langkah Implementasi Principal Component Analysis (PCA) Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Linear Discriminant Analysis (LDA); Langkah-Langkah Implementasi Linear Discriminant Analysis (LDA) dengan scikit-learn; Langkah-Langkah Implementasi Linear Discriminant Analysis (LDA); Menggunakan Scikit-Learn dengan PyQt; Langkah-Langkah Implementasi Kernel Principal Component Analysis (KPCA) Menggunakan Scikit-Learn; dan Langkah-Langkah Implementasi Kernel Principal Component Analysis (KPCA) Menggunakan Scikit-Learn dengan PyQt. Pada Bab 6, Anda akan mempelajari: Langkah-Langkah Memuat Dataset MNIST; Langkah-Langkah Memuat Dataset MNIST dengan PyQt; Langkah-Langkah Implementasi Perceptron dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Perceptron dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Perceptron dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Logistic Regression (LR) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Logistic Regression (LR) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Logistic Regression (LR) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Support Vector Machine (SVM) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Support Vector Machine (SVM) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Support Vector Machine (SVM) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Decision Tree (DT) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Decision Tree (DT) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Decision Tree (DT) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Random Forest (RF) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Random Forest (RF) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi Random Forest (RF) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi K-Nearest Neighbor (KNN) dengan Ekstraktor Fitur PCA pada Dataset MNIST Menggunakan PyQt; Langkah-Langkah Implementasi K-Nearest Neighbor (KNN) dengan Ekstraktor Fitur LDA pada Dataset MNIST Menggunakan PyQt; dan Langkah-Langkah Implementasi K-Nearest Neighbor (KNN) dengan Ekstraktor Fitur KPCA pada Dataset MNIST Menggunakan PyQt. Pada Bab 7, Anda akan mempelajari: Langkah-Langkah Membangkitkan dan Menampilkan Citra Berderau; Langkah-Langkah Mengimplemantasikan Deteksi Tepi pada Citra; Langkah-Langkah Mengimplementasikan Segmentasi Menggunakan Ambang Batas Jamak dan Algoritma K-Means; Langkah-Langkah Mengimplementasikan Penekanan Derau pada Citra; Langkah-Langkah Mendeteksi Wajah, Mata, dan Mulut dengan Haar Cascades; Langkah-Langkah Mendeteksi Wajah Menggunakan Haar Cascades dengan PyQt; Langkah-Langkah Mendeteksi Mata dan Mulut Menggunakan Haar Cascades dengan PyQt; Langkah-Langkah Mengekstraksi Objek-Objek Terdeteksi; Langkah-Langkah Mendeteksi Fitur Citra dengan Harris Corner Detection; Langkah-Langkah Mendeteksi Fitur Citra dengan Shi-Tomasi Corner Detection; Langkah-Langkah Mendeteksi Fitur Citra dengan Scale-Invariant Feature Transform (SIFT) ; dan Langkah-Langkah Mendeteksi Fitur Citra dengan Accelerated Segment Test (FAST). BUKU 4: Implementasi DEEP LEARNING Menggunakan Scikit-Learn, Keras, Dan Tensorflow Dengan Python GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “The Practical Guides On Deep Learning Using SCIKIT-LEARN, KERAS, and TENSORFLOW with Python GUI” yang dapat dilihat di Amazon maupun Google Books. Dalam buku ini, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy, dan library lainnya untuk mengimplementasikan deep learning dalam mengenali rambu lalu lintas menggunakan dataset GTSRB, mendeteksi tumor otak menggunakan dataset MRI Brain Image, mengklasifikasikan gender, dan mengenali ekspresi wajah menggunakan dataset FER2013. Pada bab 1, Anda akan belajar membuat aplikasi GUI untuk menampilkan grafik garis menggunakan PyQt. Anda juga akan belajar bagaimana mengkonversi citra menjadi keabuan, menjadi ruang warna YUV, dan menjadi ruang warna HSV. Bab ini juga mengajarkan bagaimana menampilkan citra dan histogramnya dan merancang GUI untuk mengimplementasikannya. Pada bab 2, Anda akan belajar menggunakan TensorFlow, Keras, Scikit-Learn, Pandas, NumPy dan sejumlah pustaka lain untuk memprediksi digit-digit tulisan tangan menggunakan dataset MNIST. Pada bab 3, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, PIL, Pandas, NumPy, dan pustaka lain untuk mengenali rambu lalu lintas menggunakan dataset GTSRB dari Kaggle. Ada beberapa jenis rambu lalu lintas seperti batas kecepatan, dilarang masuk, rambu lalu lintas, belok kiri atau kanan, anak-anak menyeberang, tidak ada kendaraan berat yang lewat, dll. Klasifikasi rambu lalu lintas adalah proses untuk mengidentifikasi kelas rambu lalu lintas tersebut. Pada proyek Python ini, Anda akan membangun model jaringan saraf tiruan (deep neural network) yang dapat mengklasifikasikan rambu lalu lintas dalam citra ke dalam kategori yang berbeda. Dengan model ini, Anda akan dapat membaca dan memahami rambu lalu lintas yang merupakan pekerjaan yang sangat penting bagi semua kendaraan otonom. Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 4, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, Pandas, NumPy dan pustaka lainnya untuk melakukan pendeteksian tumor otak menggunakan dataset Brain Image MRI yang disediakan oleh Kaggle (https://www.kaggle.com/navoneel/brain-mri-images-for-brain-tumor-detection). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 5, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan library lain untuk melakukan klasifikasi gender menggunakan dataset yang disediakan oleh Kaggle (https://www.kaggle.com/cashutosh/gender-classification-dataset). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 6, Anda akan mempelajari cara menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan pustaka lain untuk melakukan pengenalan ekspresi wajah menggunakan dataset FER2013 yang disediakan oleh Kaggle (https://www.kaggle.com/nicolejyt/facialexpressionrecognition). Anda juga akan membangun sebuah GUI untuk tujuan ini. BUKU 5: Panduan Praktis Deep Learning Menggunakan Scikit-Learn, Keras, Dan Tensorflow Dengan Python GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “STEP BY STEP TUTORIALS ON DEEP LEARNING USING SCIKIT-LEARN, KERAS, AND TENSORFLOW WITH PYTHON GUI” yang dapat dilihat di Amazon maupun Google Books. Dalam buku ini, Anda akan mempelajari cara menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy, dan library lainnya untuk mengimplementasikan deteksi wajah, mata, dan mulut menggunakan Haar Cascades, klasifikasi/prediksi buah, klasifikasi/prediksi kucing/anjing, klasifikasi/prediksi mebel, klasifikasi/prediksi mode (fashion). Pada bab 1, Anda akan belajar bagaimana menggunakan pustaka OpenCV, PIL, NumPy dan pustaka lain untuk melakukan deteksi wajah, mata, dan mulut menggunakan Haar Cascades dengan Python GUI (PyQt). Pada bab 2, Anda akan mempelajari bagaimana memanfaatkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan pustaka-pustaka lain untuk mengimplementasikan klasifikasi buah menggunakan dataset Fruits 360 yang disediakan oleh Kaggle (https://www.kaggle.com/moltean/fruits/code). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 3, Anda akan belajar menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk klasifikasi kucing/anjing menggunakan dataset yang disediakan oleh Kaggle (https://www.kaggle.com/chetankv/dogs-cats-images). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 4, Anda akan belajar menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan pustakan lain untuk mendeteksi atau mengklasifikasi mebel menggunakan dataset Furniture Detector yang disediakan oleh Kaggle (https://www.kaggle.com/akkithetechie/furniture-detector). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 5, Anda akan memanfaatkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah modul lain untuk melakukan klasifikasi terhadap citra-citra mode menggunakan dataset Fashion MNIST yang disediakan oleh Kaggle (https://www.kaggle.com/zalando-research/fashionmnist/code). Anda juga akan membangun sebuah GUI untuk tujuan ini. BUKU 6: Tutorial Langkah Demi Langkah DEEP LEARNING Menggunakan Scikit-Learn, Keras, Dan TensorFlow Dengan Python GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “Step by Step Tutorials Image Classification Using Scikit-Learn, Keras, and Tensorflow with Python GUI” yang dapat dilihat di Amazon maupun Google Books. Pada bab 1, Anda akan belajar dasar-dasar penggunaan PyQt untuk pemrosesan citra digital. Sejumlah projek Python GUI yang diimplementasikan di sini adalah mengkonversi citra RGB menjadi keabuan, mengkonversi citra RGB menjadi citra YUV, mengkonversi citra RGB menjadi citra HSV, menapis citra, menampilkan histogram citra, menampilkan histogram citra tertapis, dan memanfaatkan widget checkbox untuk penapisan citra, dan menerapkan ambang batas citra. Pada bab 2, Anda akan memanfaatkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mengklasifikasi spesies monyet menggunakan dataset 10 Monkey Species yang disediakan oleh Kaggle (https://www.kaggle.com/slothkong/10-monkey-species/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 3, Pada tutorial ini, Anda akan belajar menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustakan lain untuk mengklasifikasi batu, kertas, dan gunting menggunakan dataset yang disediakan oleh Kaggle (https://www.kaggle.com/sanikamal/rock-paper-scissors-dataset/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 4, Anda akan belajar menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mengklasifikasi pesawat, mobil, dan kapal menggunakan dataset Multiclass-image-dataset-airplane-car-ship yang disediakan oleh Kaggle (https://www.kaggle.com/abtabm/multiclassimagedatasetairplanecar). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada bab 5, Anda akan belajar menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mendeteksi face mask menggunakan dataset Face Mask Detection Dataset yang disediakan oleh Kaggle (https://www.kaggle.com/omkargurav/face-mask-dataset/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. BUKU 7: Klasifikasi Citra Berbasis Deep Learning Menggunakan Scikit-Learn, Tensorflow, Dan Keras Dengan Python GUI Buku ini merupakan versi bahasa Indonesia dari buku kami yang berjudul “Project-Based Approach On DEEP LEARNING Using Scikit-Learn, Keras, and Tensorflow with Python GUI” yang dapat dilihat di Amazon maupun Google Books. Dalam buku ini, Anda akan mempelajari cara menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy, dan library lainnya untuk mengimplementasikan klasifikasi citra. Pada Bab 1, Anda akan menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy danb sejumlah pustaka lain untuk klasifikasi cuaca menggunakan dataset Multi-class Weather Dataset yang disediakan oleh Kaggle (https://www.kaggle.com/pratik2901/multiclass-weather-dataset/download). Pada Bab 2, Anda akan menerapkan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mengenali jenis bunga menggunakan dataset Flowers Recognition dataset yang disediakan oleh Kaggle (https://www.kaggle.com/alxmamaev/flowers-recognition/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada Bab 3, Anda akan menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mendeteksi plat nomor kendaraan menggunakan dataset Car License Plate Detection yang disediakan oleh Kaggle (https://www.kaggle.com/andrewmvd/car-plate-detection/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada Bab 4, Anda akan belajar bagaimana menggunakan TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk melakukan pengenalan bahasa isyarat menggunakan Sign Language Digits Dataset yang disediakan oleh Kaggle (https://www.kaggle.com/ardamavi/sign-language-digits-dataset/download). Anda juga akan membangun sebuah GUI untuk tujuan ini. Pada Bab 5, Anda akan belajar bagaimana menerapkan pustaka TensorFlow, Keras, Scikit-Learn, OpenCV, Pandas, NumPy dan sejumlah pustaka lain untuk mendeteksi keretakan permukaan beton menggunakan dataset Surface Crack Detection yang disediakan oleh Kaggle (https://www.kaggle.com/arunrk7/surface-crack-detection/download). Anda juga akan membangun sebuah GUI untuk tujuan ini.