Untuk menghitung akurasi rata-rata pengenalan wajah berdasarkan tingkat kepercayaan (confidence level), Anda perlu memahami bagaimana sistem pengenalan wajah mengeluarkan nilai kepercayaan (confidence score) saat mengenali wajah. Confidence score adalah nilai yang menunjukkan seberapa yakin sistem dalam pengenalan wajah.

Langkah-langkah untuk menghitung akurasi rata-rata berdasarkan tingkat kepercayaan adalah sebagai berikut:

1. Atur threshold kepercayaan: Pertama, tentukan threshold atau ambang batas kepercayaan tertentu. Threshold ini digunakan untuk memutuskan apakah wajah dianggap benar dikenali atau tidak. Misalnya, jika confidence score dari suatu wajah lebih besar dari threshold, maka wajah tersebut dianggap dikenali; jika tidak, maka wajah dianggap tidak dikenali.
2. Bagi data Anda menjadi dua bagian: data pelatihan dan data uji.
3. Latih sistem pengenalan wajah menggunakan data pelatihan.
4. Gunakan model yang dilatih untuk mengenali wajah pada data uji dan peroleh confidence score untuk setiap wajah.
5. Hitung TP (True Positive), TN (True Negative), FP (False Positive), dan FN (False Negative) berdasarkan hasil pengenalan wajah dan threshold kepercayaan yang telah ditentukan.
6. Hitung metrik evaluasi berikut berdasarkan nilai TP, TN, FP, dan FN:
   • Akurasi: (TP + TN) / (TP + TN + FP + FN)
   • Presisi: TP / (TP + FP)
   • Recall: TP / (TP + FN)
   • F1-Score: 2 * (Presisi * Recall) / (Presisi + Recall)
7. Lakukan proses 3-6 dengan mengubah threshold kepercayaan menjadi nilai lain, misalnya dengan menggunakan rentang nilai confidence score tertentu atau melakukan iterasi dengan nilai yang berbeda.
8. Ambil rata-rata nilai-nilai metrik evaluasi dari beberapa pengujian dengan threshold kepercayaan yang berbeda untuk mendapatkan akurasi rata-rata pengenalan wajah berdasarkan tingkat kepercayaan.

Dengan pendekatan ini, Anda dapat mengevaluasi bagaimana akurasi pengenalan wajah berubah dengan perubahan threshold kepercayaan. Perhatikan bahwa pilihan threshold kepercayaan yang tepat harus mempertimbangkan keseimbangan antara akurasi dan jumlah wajah yang diidentifikasi dengan benar (recall) serta wajah yang salah diidentifikasi sebagai benar (precision).

Ikuti Tantangan NGINX Super User Assessment

Jadilah NGINX Super User untuk menunjukkan pengetahuan dan keahlian Anda.

Apakah Anda seorang pengembang full stack, insinyur, atau desainer API? Apakah Anda tahu cara membangun API Gateway, load balancer, atau reverse proxy?

Materi yang dibahas:

• Logika konfigurasi NGINX
• NGINX sebagai reverse proxy
• Pengimbangan beban HTTP
• NGINX Instance Manager
• NGINX sebagai API Gateway
• Pengontrolan Ingress NGINX
• NGINX App Protect

Bagaimana cara kerjanya:

Daftar untuk tantangan di bawah ini. Selama 30 hari berikutnya, kami akan mengirimkan panduan belajar setiap beberapa hari sekali untuk salah satu topik Super User. Setiap panduan belajar akan berisi ringkasan singkat tentang topik tersebut, dengan tautan ke sumber daya lebih lanjut seperti video dan dokumentasi.

Setelah 30 hari, kami akan mengadakan sesi persiapan belajar interaktif selama satu jam. Ini akan dilakukan secara online (https://www.nginx.com/c/nginx-super-user-assessment), dengan kesempatan bagi sejumlah peserta terbatas di Singapura untuk menghadiri secara langsung.

Setelah itu, Anda akan siap untuk mengikuti asesmen Super User secara online.

Mengapa memilih NGINX

NGINX adalah proyek open source yang populer dan dipercaya oleh lebih dari 400 juta situs. Pengguna NGINX telah menggunakan rangkaian teknologi kami dalam mengembangkan dan menyampaikan aplikasi modern sejak proyek open source diluncurkan pada tahun 2003. NGINX Super User adalah orang-orang di seluruh dunia yang bersemangat dalam menciptakan solusi menggunakan NGINX di pusat proyek pengembangan web dan aplikasi mereka, dan seringkali menunjukkan pengetahuan dan keahlian mereka dengan membantu komunitas dan berbagi pengalaman langsung.

FAQ

Berapa biayanya? Tidak ada. Partisipasi dalam Tantangan, persiapan belajar, dan asesmen sepenuhnya gratis.

• Berapa lama tesnya? Asesmen NGINX Super User adalah tes online berdurasi satu jam dengan pilihan ganda.
• Untuk siapa ini? Diakui sebagai NGINX Super User sangat ideal untuk semua pengembang full stack, insinyur, dan desainer API.
• Apa prasyaratnya? Anda harus memiliki pemahaman tentang satu atau lebih bidang topik, bahasa komputer modern, baris perintah, dan/atau scripting.
• Bagaimana saya tetap teratur? Dengan mengingatkan Anda setiap beberapa hari, kami membantu Anda mengatur waktu Anda sehingga Anda dapat bekerja mengimbangi komitmen lainnya.
• Siapa saja yang sudah menjadi Super User? Anda dapat melihat daftar NGINX Super User saat ini di https://www.f5.com/c/apcj-2022/asset/asean-nginx-super-user

Ada beberapa alasan mengapa mengambil sertifikasi AWS penting:

• Validasi Pengetahuan dan Keterampilan: Sertifikasi AWS merupakan bukti yang terverifikasi secara independen bahwa Anda memiliki pengetahuan dan keterampilan yang diperlukan untuk bekerja dengan layanan AWS. Ini dapat meningkatkan kredibilitas dan kepercayaan dari calon pengusaha atau klien potensial.

• Peningkatan Peluang Karir: Sertifikasi AWS dapat membuka pintu untuk peluang karir baru dan meningkatkan prospek pekerjaan. Permintaan akan profesional yang memiliki pemahaman dan pengalaman dalam menggunakan layanan AWS terus meningkat. Sertifikasi dapat membantu Anda membedakan diri dari pesaing dan meningkatkan kesempatan Anda dalam dunia kerja.

• Tingkatkan Kredibilitas Profesional: Sertifikasi AWS adalah standar industri yang diakui dan dihargai. Mereka menunjukkan komitmen Anda terhadap pembaruan terkait teknologi cloud dan standar terbaik dalam industri. Ini dapat membantu Anda membangun reputasi profesional yang kuat dan meningkatkan kredibilitas di mata rekan kerja, mitra bisnis, dan klien.

• Akses ke Sumber Daya dan Komunitas: Ketika Anda mengambil sertifikasi AWS, Anda mendapatkan akses ke sumber daya dan materi pelatihan resmi dari AWS. Ini termasuk panduan studi, modul pelatihan, dan akses ke komunitas profesional AWS. Anda dapat belajar dari dan berinteraksi dengan sesama profesional AWS, mendapatkan wawasan, dan bertukar informasi.

• Pertumbuhan Pribadi dan Profesional: Memperoleh sertifikasi AWS melibatkan studi mandiri, persiapan ujian, dan pengujian diri. Ini membantu Anda memperdalam pemahaman Anda tentang layanan AWS, meningkatkan keterampilan teknis, dan mengikuti perkembangan terbaru di bidang komputasi awan. Ini dapat meningkatkan kemampuan Anda untuk menghadapi tantangan dan tugas yang kompleks dalam peran teknis.

Fundamental

Berikut adalah beberapa jenis sertifikasi AWS (Amazon Web Services) yang termasuk dalam tingkat fundamental :

• AWS Certified Cloud Practitioner: Sertifikasi ini menyediakan pemahaman umum tentang layanan dan praktik dasar AWS. Ini adalah sertifikasi masuk tingkat fundamental yang direkomendasikan bagi individu yang ingin memulai perjalanan mereka dengan AWS.

Associate

Sertifikasi-sertifikasi Associate ini dirancang untuk memberikan pemahaman yang mendalam tentang konsep dan layanan AWS yang relevan dalam tingkat yang lebih teknis. Setelah Anda memperoleh sertifikasi Associate, Anda dapat mempertimbangkan untuk melanjutkan ke sertifikasi tingkat Professional yang lebih mendalam dalam bidang yang Anda minati, seperti AWS Certified Solutions Architect - Professional atau AWS Certified DevOps Engineer - Professional.

Berikut adalah beberapa jenis sertifikasi AWS Associate :

• AWS Certified Solutions Architect - Associate: Sertifikasi ini menunjukkan bahwa Anda memiliki pemahaman tentang desain, pemilihan, dan penyesuaian solusi AWS untuk memenuhi kebutuhan bisnis. Ini mencakup pemahaman tentang berbagai layanan AWS, desain arsitektur cloud, keamanan, dan praktik terbaik.

• AWS Certified Developer - Associate: Sertifikasi ini ditujukan untuk pengembang yang ingin memperoleh pemahaman tentang pengembangan aplikasi menggunakan layanan AWS. Ini mencakup konsep dasar AWS dan kemampuan untuk mengembangkan, mengimplementasikan, dan memelihara aplikasi berbasis cloud menggunakan layanan AWS yang relevan.

• AWS Certified SysOps Administrator - Associate: Sertifikasi ini ditargetkan pada administrator sistem atau DevOps yang bertanggung jawab atas operasional dan manajemen aplikasi di AWS. Ini mencakup pemahaman tentang tata kelola dan operasi infrastruktur AWS, manajemen sumber daya, keamanan, dan pemecahan masalah.

Professional

Sertifikasi-sertifikasi ini ditargetkan pada tingkat profesional dan membutuhkan pemahaman yang lebih mendalam serta pengalaman praktis dalam menggunakan layanan AWS terkait. Pastikan untuk memeriksa situs web AWS untuk informasi terkini tentang persyaratan dan materi ujian terkait sertifikasi-sertifikasi ini.

Berikut adalah beberapa jenis sertifikasi AWS Professional :

• AWS Certified Solutions Architect - Professional: Sertifikasi ini memvalidasi pemahaman dan keterampilan Anda dalam merancang dan mengelola aplikasi berbasis cloud yang kompleks di AWS. Ini mencakup konsep desain arsitektur yang mendalam, migrasi, keamanan, skalabilitas, dan pemecahan masalah yang kompleks.

• AWS Certified DevOps Engineer - Professional: Sertifikasi ini ditujukan untuk profesional DevOps yang ingin memperdalam pemahaman dan keterampilan mereka dalam mengelola dan mengoperasikan lingkungan pengembangan dan produksi di AWS. Ini mencakup pemahaman tentang praktik DevOps, pemantauan dan logging, deployment berkelanjutan, otomatisasi, dan integrasi alat dan layanan AWS.

Specialty

Sertifikasi-sertifikasi Specialty ini ditujukan untuk membuktikan keahlian dan pemahaman yang lebih mendalam dalam bidang-bidang spesifik yang berkaitan dengan AWS. Pastikan untuk memeriksa situs web AWS untuk informasi terkini tentang persyaratan dan materi ujian terkait sertifikasi-sertifikasi ini.

Berikut adalah beberapa jenis sertifikasi AWS Specialty:

• AWS Certified Advanced Networking - Specialty: Sertifikasi ini menguji pengetahuan dan keterampilan Anda dalam merancang, mengelola, dan mempertahankan solusi jaringan canggih di AWS. Ini mencakup pemahaman tentang arsitektur jaringan, konektivitas, routing, keamanan jaringan, dan integrasi layanan AWS terkait jaringan.

• AWS Certified Security - Specialty: Sertifikasi ini ditujukan untuk profesional keamanan yang ingin memvalidasi pemahaman mereka tentang praktik keamanan terbaik di AWS. Ini mencakup pemahaman tentang pengenalan keamanan AWS, identitas dan akses manajemen, enkripsi data, kepatuhan dan audit, serta keamanan infrastruktur dan aplikasi.

• AWS Certified Machine Learning - Specialty: Sertifikasi ini ditargetkan pada profesional yang ingin memvalidasi pemahaman mereka tentang konsep dan praktik Machine Learning di AWS. Ini mencakup pemahaman tentang pemrosesan data, eksplorasi data, pemodelan, evaluasi model, serta penerapan dan operasionalisasi solusi Machine Learning di AWS.

• AWS Certified Data Analytics - Specialty: Sertifikasi ini menekankan pemahaman dan keterampilan dalam menggunakan layanan AWS untuk merancang, membangun, dan mengelola solusi analitik data yang efektif. Ini mencakup pemahaman tentang pemrosesan data, pengorganisasian data, analisis, visualisasi, dan integrasi layanan AWS terkait data.

• AWS Certified Database - Specialty: Sertifikasi ini ditujukan untuk profesional database yang ingin memvalidasi pemahaman dan keterampilan mereka dalam merancang, membangun, dan mengelola solusi database di AWS. Ini mencakup pemahaman tentang berbagai jenis database, arsitektur database, keamanan, pemulihan bencana, dan optimisasi kinerja.

Penting untuk dicatat bahwa sertifikasi AWS hanya merupakan satu aspek dari perjalanan karir seseorang. Selain sertifikasi, pengalaman praktis dan pemahaman yang mendalam tentang konsep dan praktik cloud juga penting. Namun, sertifikasi dapat memberikan landasan yang kuat dan memperkuat profil profesional Anda.

Arsitektur Netflix merupakan salah satu faktor utama kesuksesan layanan streaming tersebut di dunia.

Netflix menggunakan berbagai teknologi untuk menyampaikan video berkualitas tinggi kepada penggunanya, dan arsitekturnya terus berkembang mengikuti kebutuhan pangsa pelanggan yang terus bertambah.

Berikut ini beberapa teknologi yang digunakan oleh Netflix:

1. Mobile dan web: Netflix menggunakan Swift dan Kotlin untuk membangun aplikasi mobile native. Untuk aplikasi web, mereka menggunakan React.

2. Komunikasi frontend dan backend: Netflix menggunakan GraphQL.

3. Layanan backend: Netflix mengandalkan ZUUL, Eureka, framework Spring Boot, dan teknologi lainnya.

4. Penyimpanan data: Netflix menggunakan EV cache, Cassandra, CockroachDB, dan database lainnya.

5. Messaging dan streaming: Netflix menggunakan Apache Kafka dan Fink.

6. Penyimpanan video: Netflix menggunakan S3 dan Open Connect.

7. Pemrosesan data: Netflix menggunakan Flink dan Spark untuk pemrosesan data, yang kemudian divisualisasikan menggunakan Tableau. Redshift digunakan untuk pemrosesan informasi gudang data terstruktur.

8. CI/CD: Netflix menggunakan berbagai alat seperti JIRA, Confluence, PagerDuty, Jenkins, Gradle, Chaos Monkey, Spinnaker, Altas, dan lainnya untuk proses CI/CD.

Arsitektur Netflix didesain untuk skalabilitas, keandalan, dan keamanan. Selain itu, arsitektur ini juga dirancang agar fleksibel, sehingga Netflix dapat dengan mudah menambah fitur dan layanan baru.

Jika Anda tertarik untuk mempelajari lebih lanjut tentang arsitektur Netflix, saya sarankan untuk mengunjungi sumber daya atau referensi berikut:

• Netflix TechBlog: https://lnkd.in/dFpm7Xxz
• Netflix Open Source: https://netflix.github.io/
• Netflix Architecture: https://lnkd.in/dUmxWhNd

Berikut adalah gambaran umum tentang berbagai algoritma pembelajaran mesin, yang mencakup Classical Machine Learning dan Deep Learning :

1. Classical Machine Learning: Classical Machine Learning mengacu pada pendekatan tradisional yang mengandalkan model statistik dan matematika untuk membuat prediksi atau menemukan pola dalam data. Ini mencakup teknik Supervised Learning dan tidak terawasi.

2. Supervised Learning: Supervised Learning melibatkan melatih model menggunakan data berlabel, di mana fitur input dan label target yang sesuai disediakan. Model belajar dari data berlabel ini untuk memprediksi atau mengklasifikasikan contoh baru yang belum terlihat sebelumnya. Contoh-contohnya termasuk regresi linier, regresi logistik, pohon keputusan, hutan acak, mesin vektor pendukung (SVM), dan Naive Bayes.

3. Unsupervised Learning: Unsupervised Learning melibatkan melatih model pada data tanpa label target yang eksplisit. Tujuannya adalah untuk menemukan pola tersembunyi, hubungan, atau struktur dalam data. Contoh-contohnya termasuk algoritma pengelompokan seperti K-means, pengelompokan hierarkis, pengelompokan berbasis kepadatan, dan teknik reduksi dimensionalitas seperti Analisis Komponen Utama (PCA) dan t-SNE. Boosting dan Bagging dalam Classical Machine Learning melibatkan pelatihan berurutan dari model-model lemah atau pelatihan model-model independen pada subset-bootstrap. Mereka meningkatkan kinerja dan kekokohan.

4. Deep Learning: Deep Learning adalah sub-bidang pembelajaran mesin yang fokus pada jaringan saraf dengan beberapa lapisan, memungkinkan model untuk belajar pola dan representasi yang kompleks secara otomatis. Model Deep Learning terdiri dari lapisan-lapisan yang saling terhubung dari neuron buatan yang disebut jaringan saraf buatan. Deep Learning telah sangat berhasil dalam visi komputer, pemrosesan bahasa alami, dan pengenalan ucapan. Arsitektur Deep Learning yang populer termasuk jaringan saraf konvolusional (CNN) untuk analisis gambar, jaringan saraf rekuren (RNN) untuk data urutan, dan model transformer untuk pemahaman bahasa.

5. Reinforcement Learning: Reinforcement Learning melibatkan melatih agen untuk membuat keputusan atau tindakan dalam suatu lingkungan untuk memaksimalkan sinyal imbalan kumulatif. Agen belajar melalui metode coba dan kesalahan, menerima umpan balik melalui imbalan atau hukuman. Reinforcement Learning sering digunakan ketika seorang agen berinteraksi dengan lingkungan yang dinamis, seperti robotika, permainan, dan sistem otonom.

Penting untuk dicatat bahwa kategori-kategori ini tidak saling eksklusif, dan dapat ada tumpang tindih dan kombinasi di antara mereka.

Referensi :

• Rocky Bhatia Architect@Adobe