Jon Sharing

Well, saya benar-benar kesulitan memahami konsep dari eigen bersaudara ini walaupun sebenarnya sederhana. Mungkin karena jadi malas duluan karena begitu membuka dokumentasinya yang butuh beberapa kalimat bahkan paragraf hanya untuk menjelaskan tentang ini. Yah, zaman sudah berubah, abstraksi dimana-mana dan matematika adalah bahasanya . But stepping that aside, pada prakteknya, bagi orang-orang yang hanya tertarik pada problem solving di dunia nyatanya seperti saya ataupun kamu, persamaan matematika rumit yang ada dibuku-buku itu sudah dikemas pada library-library/software ataupun metode siap pakai. Tapi yah terkadang, saya penasaran juga tentang "apa yang sebenarnya terjadi". Bagaimanapun, yang membedakan script kiddies dan programmer ataupun hacker adalah pemahaman mereka . Sedikit melenceng dari topik, mengapa harus belajar aljabar linear? Aljabar linear itu sudah merupakan keharusan jika ingin mempelajari lebih jauh tentang sains dan engineering . Relasi ant

Regresi Logistik: Dari Persamaan linear ke Fungsi Sigmoid

Kembali lagi ke euforia belajar deep learning. Pada artikel ini dan yang sebelumnya , saya berusaha menyajikan materinya agar mudah dimengerti. Saya menyajikan terlebih dahulu istilah-istilah atau paradigma apa saja yang asing, yang mana menurut saya inilah faktor utama kenapa kita terkadang sangat sulit untuk menyerap suatu materi atau bisa disebut bingung . Sedikit filosopi yang saya anut, Bingung adalah ketika kita tidak tahu apa yang kita tidak tahu. Kalau saya boleh mengibaratkan, bingung itu seperti level 2 dari tidak tahu , jadi untuk mengatasinya kita harus kenali dulu apa-apa saja istilah-istilah asing itu agar kita turun tingkat ke fase tidak tahu dan untuk mengatasi tidak tahu ini 'secara teori' mudah, hanya dengan membaca literatur. Kita mulai dengan perkenalan, apa itu regresi logistik? Regresi logistik adalah regresi yang inputnya itu continous sedangkan outputnya categorical biner . Jadi kita punya 3 syarat disini, yaitu : variabel bebas yang c

Cara Membaca File Grib Menggunakan GrADS

Software GrADS biasanya digunakan untuk membaca file berekstensi *.dat (untuk sekarang saya belum tahu format data apa pada file ini) dan *.nc (format NetCDF). Khusus untuk file .dat, harus ada file pendamping yang berekstensi .ctl yang mana pada saat membuka file *.dat tersebut di GrADS, nama file *.ctl itulah yang harus dipanggil (menggunakan perintah open), bukan file *.dat nya. Sementara untuk file *.nc tidak memerlukan file *.ctl. File *.nc bisa langsung di buka menggunakan perintah sdfopen. Grib adalah salah satu format penyimpanan data yang biasanya digunakan untuk menyimpan data-data meteorolgi baik itu data analisis, re-analisis, maupun forecast. Tujuannya sama seperti NetCDF hanya saja Grib lebih baik dalam menkompres data yang disimpan sehingga lebih hemat memori penyimpanan dibandingkan NetCDF. Untuk membaca format data ini menggunakan GrADS, tidak semudah membaca data NetCDF maupun *.dat. Kita harus mengenerate file *.ctl dan *.idx untuk membantu GrADS dalam memb

Arsip

April1
September1
Agustus2
Juli1
Juni1
Mei2
April2
Maret1
Februari3
Januari3

Desember3
November4
Oktober5
September4
Agustus1
Juli4
Juni6
Mei5
April5
Maret5
Februari2
Januari2
Desember1
Oktober2
September4
Agustus2
Juli3
Juni1
Maret3
Februari1
Januari2
Desember1
November1
Agustus2
Mei6

Tampilkan selengkapnya Tampilkan lebih sedikit

Label

algoritma
arduino
avr
bahasa program
bash
biner
bit
C
c++
chat

client
code
CUDA
device driver
fisika
fortran
GIS
grads
hardware
kernel
library
linux
machine learning
maritim
matematika
materi
matlab
meteorologi
metode numerik
micro controller
modelling
network
other
pengenalan
programming
project
python
robotika
satelit
server
shell scripting
software
sticky post
studi kasus
tips

Tampilkan selengkapnya Tampilkan lebih sedikit

Laporkan Penyalahgunaan

Diberdayakan oleh Blogger