Scribd
Unggah
7 tayangan

Library Populer Pada Python Untuk ML Dan Data Science

Diunggah oleh

Akaruku Media
Hak Cipta
© © All Rights Reserved
Format Tersedia
Unduh sebagai DOCX, PDF, TXT atau baca online di Scribd
7 tayangan

Library Populer Pada Python Untuk ML Dan Data Science

Diunggah oleh

Akaruku Media
Hak Cipta
© © All Rights Reserved
Format Tersedia
Unduh sebagai DOCX, PDF, TXT atau baca online di Scribd
Anda di halaman 1/ 4

Library Populer pada Python untuk Machine

Learning dan Data Science


Python merupakan bahasa paling populer yang digunakan oleh para Data
Scientist dan pengembang Machine Learning (ML). Python adalah kombinasi
antara general-purpose programming language yang powerful dan domain-specific
scripting language yang mudah digunakan. Mengapa Python sangat populer? Salah
satu alasan yang menarik adalah beberapa perusahaan teknologi raksasa seperti
Google dan Facebook memilih Python sebagai bahasa utama
untuk framework machine learning mereka yaitu, TensorFlow dan PyTorch.

Keunggulan lain yang dimiliki Python adalah ia merupakan salah satu bahasa
pemrograman yang mudah dipelajari karena sintaksnya sederhana. Banyak orang
tanpa latar belakang IT namun ingin mengejar karir bidang ML atau data science,
dapat dengan mudah mempelajari bahasa pemrograman Python. Hal ini juga
dipermudah dengan kemampuan Python dalam berinteraksi langsung dengan kode,
baik menggunakan terminal atau tools lain seperti Jupyter Notebook dan Google
Colaboratory.

Selain itu semua, faktor lain yang membuat Python populer adalah lengkapnya
library yang dapat dipakai pada pengembangan proyek ML dari awal sampai akhir.
Python memiliki library untuk data loading, visualization, statistics, data processing,
natural language processing, image processing, dan lain sebagainya.

Beberapa library yang memudahkan kita dalam mengerjakan proyek ML ditunjukkan


dalam daftar berikut ini.

Numpy

Numpy sangat terkenal sebagai library untuk memproses larik atau array. Fungsi-
fungsi kompleks di baliknya membuat Numpy sangat tangguh dalam memproses
larik multidimensi dan matriks berukuran besar. Library ML seperti TensorFlow juga
menggunakan Numpy untuk memproses tensor atau sebuah larik N dimensi.
Pandas

Pandas menjadi salah satu library favorit untuk analisis dan manipulasi data. Kenapa
keduanya penting? Sebelum masuk ke tahap pengembangan model, data perlu
diproses dan dibersihkan. Proses ini bahkan merupakan proses yang paling banyak
memakan waktu dalam pengembangan proyek ML. Library pandas membuat
pemrosesan dan pembersihan data menjadi lebih mudah.

Matplotlib

Matplotlib adalah sebuah library untuk membuat plot atau visualisasi data dalam 2
dimensi. Matplotlib mampu menghasilkan grafik dengan kualitas tinggi. Matplotlib
dapat dipakai untuk membuat plot seperti histogram, scatter plot, grafik batang, pie
chart, hanya dengan beberapa baris kode. Library ini sangat ramah pengguna.

Scikit Learn
Scikit Learn merupakan salah satu library ML yang sangat populer. Scikit Learn
menyediakan banyak pilihan algoritma machine learning yang dapat langsung
dipakai seperti klasifikasi, regresi, clustering, dimensionality reduction, dan
pemrosesan data. Selain itu Scikit Learn juga dapat dipakai untuk analisis data.

TensorFlow

TensorFlow adalah framework open source untuk machine learning yang


dikembangkan dan digunakan oleh Google. TensorFlow memudahkan pembuatan
model ML bagi pemula maupun ahli. Ia dapat dipakai untuk deep learning, computer
vision, pemrosesan bahasa alami (Natural Language Processing), serta
reinforcement learning.

PyTorch
Dikembangkan oleh Facebook, PyTorch adalah library yang dapat dipakai untuk
masalah ML, computer vision, hingga pemrosesan bahasa alami. Bersaing dengan
TensorFlow khususnya sebagai framework machine learning, PyTorch lebih populer
di kalangan akademisi dibanding TensorFlow. Namun dalam industri, TensorFlow
lebih populer karena skalabilitasnya lebih baik dibanding PyTorch.

Keras

Keras adalah adalah library deep learning yang luar biasa. Salah satu faktor yang
membuat keras sangat populer adalah penggunaannya yang minimalis dan sinpel
dalam mengembangkan deep learning. Keras dibangun di atas TensorFlow yang
menjadikan Keras sebagai API dengan level lebih tinggi (Higher level API) dari
TensorFlow sehingga antarmukanya lebih mudah dari TensorFlow. Keras sangat
cocok untuk mengembangkan model deep learning dengan waktu yang lebih singkat
atau untuk pembuatan prototipe.

Anda mungkin juga menyukai