Machine Learning (Pembelajaran Mesin) adalah cabang dari kecerdasan buatan (AI) yang berfokus pada penggunaan data dan algoritma untuk meniru cara manusia belajar, meningkatkan akurasinya secara bertahap tanpa diprogram secara eksplisit untuk setiap aturan.
Mainframe adalah komputer berkinerja tinggi yang digunakan untuk operasi intensif data dan pemrosesan transaksi dalam skala besar. Mereka dikenal karena keandalannya, ketersediaannya, dan kemampuannya melayani ribuan pengguna secara bersamaan.
Jarak Manhattan (L1 Norm) adalah metrik jarak antara dua titik dalam ruang grid yang dihitung dengan menjumlahkan perbedaan absolut koordinat kartesiusnya. Jarak ini relevan jika Anda hanya bisa bergerak tegak lurus (seperti taksi di blok kota Manhattan).
MapReduce adalah model pemrograman dan implementasi terkait untuk memproses dan menghasilkan set data besar dengan algoritma paralel dan terdistribusi pada sebuah klaster. Dipopulerkan oleh Google.
Rantai Markov adalah model stokastik yang menggambarkan urutan peristiwa yang mungkin, di mana probabilitas setiap peristiwa hanya bergantung pada keadaan yang dicapai dalam peristiwa sebelumnya (sifat Markov), bukan seluruh sejarah sebelumnya.
Matplotlib adalah pustaka plotting (pembuatan grafik) untuk bahasa pemrograman Python dan ekstensi matematika numeriknya, NumPy. Ini adalah kakek dari semua library visualisasi data di Python.
Perkalian Matriks adalah operasi biner yang menghasilkan matriks dari dua matriks input. Dalam Deep Learning, ini adalah operasi matematika paling fundamental dan frekuentif, karena sebagian besar komputasi neural network pada dasarnya adalah perkalian matriks besar.
Max Pooling adalah operasi down-sampling dalam Convolutional Neural Networks (CNN) yang mengurangi dimensi spasial (lebar dan tinggi) dari input volume. Untuk setiap regio input (misal 2x2), ia mengambil nilai maksimumnya saja.
Mean Absolute Error (MAE) adalah metrik evaluasi model regresi yang menghitung rata-rata selisih mutlak (absolut) antara prediksi dan nilai aktual. Berbeda dengan MSE, MAE tidak mengkuadratkan error, sehingga kurang sensitif terhadap outlier.
Mean Squared Error (MSE) adalah salah satu fungsi kerugian (loss function) yang paling umum digunakan untuk masalah regresi. MSE mengukur rata-rata kuadrat selisih antara nilai yang diprediksi oleh model dan nilai sebenarnya.