Perbedaan CNN vs. RNN vs. ANN untuk keperluan Deep Learning

Mengapa Deep Learning?

Ini pertanyaan yang sering dipertanyakan. Tidak ada kekurangan dalam algoritme machine learning, jadi mengapa seorang data scientist harus tertarik pada algoritme Deep Learning? Apa yang ditawarkan jaringan neural yang tidak ditawarkan oleh algoritme pembelajaran mesin tradisional?

Pertanyaan umum lainnya yang saya lihat beredar - jaringan neural memerlukan banyak daya komputasi, jadi apakah benar-benar layak untuk digunakan? Sementara pertanyaan itu dipenuhi dengan nuansa, inilah jawaban singkatnya - ya!

Berbagai jenis jaringan saraf dalam Deep Learning , seperti Convolutional Neural Network (CNN), recurrent neural network (RNN), artificial neural network (ANN), dll. Mengubah cara kita berinteraksi dengan dunia. Berbagai jenis jaringan saraf ini merupakan inti dari revolusi pembelajaran mendalam, yang memberdayakan aplikasi seperti kendaraan udara tak berawak, mobil yang dapat mengemudi sendiri, pengenalan suara, dll.

Wajar untuk bertanya-tanya - tidak bisakah algoritma machine learning melakukan hal yang sama? Nah, berikut adalah dua alasan utama mengapa peneliti dan pakar cenderung lebih memilih Pembelajaran Mendalam daripada Pembelajaran Mesin:

• Batas Keputusan
• Rekayasa Fitur

Ingin tahu? Bagus - biar saya jelaskan.

 

1. Pembelajaran Mesin vs. Pembelajaran Mendalam: Batasan Keputusan

Setiap algoritme Pembelajaran Mesin mempelajari pemetaan dari input ke output. Dalam kasus model parametrik, algoritme mempelajari fungsi dengan beberapa set bobot:

        Masukan -> f (w 1 , w 2 … ..w n ) -> Output

Dalam kasus masalah klasifikasi, algoritme mempelajari fungsi yang memisahkan 2 kelas - ini dikenal sebagai batas Keputusan . Batas keputusan membantu kita dalam menentukan apakah titik data tertentu termasuk dalam kelas positif atau kelas negatif.

Misalnya, dalam kasus regresi logistik , fungsi pembelajaran adalah fungsi sigmoid yang mencoba memisahkan 2 kelas:

Batas keputusan regresi logistik

Seperti yang Anda lihat di sini, algoritme regresi logistik mempelajari batas keputusan linier. Itu tidak dapat mempelajari batasan keputusan untuk data nonlinier seperti ini:

Data nonlinier

Demikian pula, setiap algoritma Pembelajaran Mesin tidak mampu mempelajari semua fungsi. Ini membatasi masalah yang dapat diselesaikan algoritme ini yang melibatkan hubungan yang kompleks.

 

2. Pembelajaran Mesin vs. Pembelajaran Mendalam: Rekayasa Fitur

Rekayasa fitur adalah langkah kunci dalam proses pembuatan model. Ini adalah proses dua langkah:

1. Ekstraksi fitur
2. Pemilihan fitur

Dalam ekstraksi fitur, kami mengekstrak semua fitur yang diperlukan untuk pernyataan masalah kami dan dalam pemilihan fitur, kami memilih fitur penting yang meningkatkan kinerja model pembelajaran mesin atau pembelajaran mendalam kami .

Pertimbangkan masalah klasifikasi gambar . Mengekstrak fitur secara manual dari suatu gambar membutuhkan pengetahuan yang kuat tentang subjek serta domainnya. Ini adalah proses yang sangat memakan waktu. Berkat Deep Learning, kami dapat mengotomatiskan proses Rekayasa Fitur!

Perbandingan antara Machine Learning & Deep Learning

Sekarang setelah kita memahami pentingnya pembelajaran mendalam dan mengapa ini melampaui algoritme pembelajaran mesin tradisional, mari masuk ke inti artikel ini. Kami akan membahas berbagai jenis jaringan saraf yang akan Anda gunakan untuk memecahkan masalah pembelajaran yang mendalam.

Jika Anda baru saja memulai Machine Learning dan Deep Learning, berikut adalah kursus untuk membantu Anda dalam perjalanan Anda:

• Program Blackbelt + AI & ML Bersertifikat

Berbagai jenis Jaringan Neural dalam Pembelajaran Mendalam

Artikel ini berfokus pada tiga jenis jaringan neural penting yang menjadi dasar untuk sebagian besar model terlatih dalam pembelajaran mendalam:

• Jaringan Syaraf Tiruan (JST)
• Convolution Neural Networks (CNN)
• Jaringan Neural Berulang (RNN)

Mari kita bahas setiap jaringan saraf secara mendetail.

 

Jaringan Syaraf Tiruan (JST) - Apa itu JST dan mengapa Anda harus menggunakannya?

Sebuah perceptron (atau neuron) dapat dibayangkan sebagai Regresi Logistik. Jaringan Syaraf Tiruan, atau JST, adalah sekelompok beberapa perceptron / neuron di setiap lapisan. ANN juga dikenal sebagai jaringan Neural Feed-Forward karena input hanya diproses ke arah depan:

ANN

Seperti yang Anda lihat di sini, ANN terdiri dari 3 lapisan - Input, Hidden dan Output. Lapisan masukan menerima masukan, lapisan tersembunyi memproses masukan, dan lapisan keluaran menghasilkan hasilnya. Pada dasarnya, setiap lapisan mencoba mempelajari bobot tertentu.

Jika Anda ingin menjelajahi lebih lanjut tentang cara kerja ANN, saya sarankan untuk membaca artikel di bawah ini:

• Memahami dan Mengkodekan Jaringan Neural Dari Awal dengan Python dan R.

ANN dapat digunakan untuk menyelesaikan masalah yang berkaitan dengan:

• Data tabel
• Data gambar
• Data teks

 

Keuntungan Jaringan Saraf Tiruan (JST)

Jaringan Syaraf Tiruan mampu mempelajari fungsi nonlinier apa pun. Oleh karena itu, jaringan ini dikenal sebagai Pengukur Fungsi Universal . JST memiliki kapasitas untuk mempelajari bobot yang memetakan masukan apa pun ke keluaran.

Salah satu alasan utama di balik pendekatan universal adalah fungsi aktivasi . Fungsi aktivasi memperkenalkan properti nonlinier ke jaringan. Ini membantu jaringan mempelajari hubungan kompleks apa pun antara masukan dan keluaran.

Perceptron

Seperti yang Anda lihat di sini, keluaran di setiap neuron adalah aktivasi sejumlah masukan yang berbobot. Tapi tunggu - apa yang terjadi jika tidak ada fungsi aktivasi? Jaringan hanya mempelajari fungsi linier dan tidak pernah dapat mempelajari hubungan yang kompleks. Itu sebabnya:

Fungsi aktivasi adalah pembangkit tenaga listrik ANN!

 

Tantangan dengan Artificial Neural Network (ANN)

• Saat menyelesaikan masalah klasifikasi gambar menggunakan JST, langkah pertama adalah mengonversi gambar 2 dimensi menjadi vektor 1 dimensi sebelum melatih model. Ini memiliki dua kelemahan:
  • Jumlah parameter yang dapat dilatih meningkat secara drastis dengan peningkatan ukuran gambar

ANN: Klasifikasi gambar

                   Pada skenario di atas, jika ukuran citra 224 * 224, maka jumlah parameter yang dapat dilatih pada hidden layer pertama dengan hanya 4 neuron adalah 602.112. Itu luar biasa!

• •  ANN kehilangan fitur spasial gambar. Fitur spasial mengacu pada pengaturan piksel dalam sebuah gambar. Saya akan menyentuh ini secara rinci di bagian berikut
• Satu masalah umum di semua jaringan saraf ini adalah Gradien Lenyap dan Meledak . Masalah ini terkait dengan algoritma propagasi mundur . Bobot jaringan neural diperbarui melalui algoritme propagasi mundur ini dengan menemukan gradien:

Propagasi Mundur

           Jadi, dalam kasus jaringan neural yang sangat dalam (jaringan dengan banyak lapisan tersembunyi), gradien menghilang atau meledak saat menyebar ke belakang yang mengarah ke gradien menghilang dan meledak.

• JST tidak dapat menangkap informasi sekuensial dalam data masukan yang diperlukan untuk menangani data sekuens

Sekarang, mari kita lihat cara mengatasi keterbatasan MLP menggunakan dua arsitektur berbeda - Jaringan Neural Berulang (RNN) dan Jaringan Saraf Tiruan (CNN).

 

Recurrent Neural Network (RNN) - Apa itu RNN dan mengapa Anda harus menggunakannya?

Mari kita coba memahami perbedaan antara RNN dan ANN dari perspektif arsitektur:

Batasan perulangan pada lapisan tersembunyi ANN berubah menjadi RNN.

Seperti yang Anda lihat di sini, RNN memiliki koneksi berulang pada status tersembunyi. Batasan perulangan ini memastikan bahwa informasi sekuensial ditangkap dalam data masukan.

Anda harus melalui tutorial di bawah ini untuk mempelajari lebih lanjut tentang bagaimana RNN bekerja di bawah tenda (dan cara membuatnya dengan Python):

• Dasar-dasar Pembelajaran Mendalam - Pengantar Jaringan Neural Berulang

Kami dapat menggunakan jaringan saraf berulang untuk menyelesaikan masalah yang terkait dengan:

• Data Time Series
• Data teks
• Data audio

 

Keuntungan dari Recurrent Neural Network (RNN)

• RNN menangkap informasi sekuensial yang ada dalam data input, yaitu ketergantungan antara kata-kata dalam teks saat membuat prediksi:

Many2Many model Seq2Seq

           Seperti yang Anda lihat di sini, keluaran (o1, o2, o3, o4) pada setiap langkah waktu tidak hanya bergantung pada kata saat ini tetapi juga pada kata sebelumnya.

• RNN berbagi parameter di seluruh langkah waktu yang berbeda. Ini dikenal sebagai Berbagi Parameter . Hal ini menghasilkan lebih sedikit parameter untuk dilatih dan menurunkan biaya komputasi

RNN yang tidak digulung

            Seperti yang ditunjukkan pada gambar di atas, 3 matriks bobot - U, W, V, adalah matriks bobot yang digunakan bersama di semua langkah waktu.

 

Tantangan dengan Recurrent Neural Networks (RNN)

Deep RNN (RNN dengan jumlah langkah waktu yang besar) juga mengalami masalah gradien yang menghilang dan meledak yang merupakan masalah umum di semua jenis jaringan neural yang berbeda.

Vanishing Gradient (RNN)

Seperti yang Anda lihat di sini, gradien yang dihitung pada langkah terakhir kali menghilang saat mencapai langkah waktu awal.

 

Convolution Neural Network (CNN) - Apa itu CNN dan Mengapa Anda Harus Menggunakannya?

Jaringan saraf konvolusional (CNN) sedang populer di komunitas deep learning saat ini. Ini CNN model yang digunakan di seluruh aplikasi dan domain yang berbeda, dan mereka terutama terjadi dalam proyek-proyek pengolahan gambar dan video.

Blok pembangun CNN adalah filter alias kernel. Kernel digunakan untuk mengekstrak fitur yang relevan dari input menggunakan operasi konvolusi. Mari kita coba memahami pentingnya filter menggunakan gambar sebagai data masukan. Menggabungkan gambar dengan hasil filter dalam peta fitur:

Hasil Konvolusi

Ingin menjelajahi lebih lanjut tentang Convolution Neural Networks? Saya sarankan untuk melalui tutorial di bawah ini:

• Demystifying the Mathematics Behind Convolutional Neural Networks (CNNs)

Anda juga dapat mendaftar di kursus gratis ini di CNN untuk mempelajarinya lebih lanjut: Convolutional Neural Networks from Scratch

Meskipun jaringan saraf konvolusional diperkenalkan untuk memecahkan masalah yang terkait dengan data gambar, jaringan tersebut juga bekerja secara mengesankan pada masukan berurutan.

 

Keuntungan dari Convolution Neural Network (CNN)

• CNN mempelajari filter secara otomatis tanpa menyebutkannya secara eksplisit. Filter ini membantu mengekstraksi fitur yang tepat dan relevan dari data masukan

CNN - Klasifikasi Gambar

• CNN menangkap fitur spasial dari sebuah gambar. Fitur spasial mengacu pada susunan piksel dan hubungan antar piksel dalam sebuah gambar. Mereka membantu kita dalam mengidentifikasi objek secara akurat, lokasi suatu objek, serta hubungannya dengan objek lain dalam sebuah gambar

Pada gambar di atas, kita dapat dengan mudah mengidentifikasi bahwa itu adalah wajah manusia dengan melihat ciri-ciri khusus seperti mata, hidung, mulut, dan sebagainya. Kami juga dapat melihat bagaimana fitur-fitur spesifik ini diatur dalam sebuah gambar. Itulah yang mampu ditangkap CNN .

• CNN juga mengikuti konsep berbagi parameter. Filter tunggal diterapkan di berbagai bagian input untuk menghasilkan peta fitur:

Menyatukan gambar dengan filter

Perhatikan bahwa peta fitur 2 * 2 dihasilkan dengan menggeser filter 3 * 3 yang sama melintasi bagian gambar yang berbeda.

 

Jadi, Perbandingan Berbagai Jenis Jaringan Neural (ANN) vs. RNN vs. CNN).

Di sini, saya telah merangkum beberapa perbedaan di antara berbagai jenis jaringan saraf:

 

Catatan Akhir

Pada artikel ini, saya telah membahas pentingnya pembelajaran mendalam dan perbedaan di antara berbagai jenis jaringan saraf. Saya sangat percaya bahwa berbagi pengetahuan adalah bentuk pembelajaran yang paling utama. Jika ada yang ditanyakan silahkan tinggalkan komentar anda dibawah ini...

ref : analyticsvidhya.com

Read More

Bagaimana Mengganti Versi Python di Anaconda

Python memiliki banyak versinya, mulai dari lawas hingga versi 3.9.0 (November 2020), semakin tinggi versi yang ada biasanya semakin lengkap fasilitas yang diberikan. tetapi tidak dengan paket yang biasa kita gunakan seperti pygame, keras, tensorflow dan lain sebagainya. biasanya ketika telah menginstall aplikasi anaconda sudah nclude dengan python versi terbaru yang mereka sertakan. tetapi seiring waktu terkadang kita ingin mengganti untuk meng-downgrade atau meng upgrade versi dari python yang kita akan gunakan.

Dalam artikel ini saya akan menunjukan bagaimana cara menurunkan atau menaikan versi python yang anda gunakan.

Mendowngrade atau mengUpgrade antar versi itu mudah jika menggunakan distrib Anaconda Python. 

Berikut langkah-langkahnya.

• Buka aplikasi terminal Anaconda anda (Anaconda Prompt
• Cek versi Python yang sedang digunakan dengan mengetikan perintah 

conda search python

• Setelah itu akan muncul Versi yang tersedia di Python seperti berikut.

Loading channels: done
# Name                       Version           Build  Channel
python                        2.7.13     h1b6d89f_16  pkgs/main
python                        2.7.13     h9912b81_15  pkgs/main
python                        2.7.13     hb034564_12  pkgs/main
python                        2.7.14     h2765ee6_18  pkgs/main
python                        2.7.14     h3e68818_15  pkgs/main
python                        2.7.14     h4084c39_22  pkgs/main
python                        2.7.14     h4a10d90_30  pkgs/main
python                        2.7.14     h4a10d90_31  pkgs/main
python                        2.7.14     h59f5a59_20  pkgs/main
python                        2.7.14     h819644d_16  pkgs/main
python                        2.7.14     h8c3f1cb_23  pkgs/main
python                        2.7.15      h2880e7c_2  pkgs/main
python                        2.7.15      h2880e7c_3  pkgs/main
python                        2.7.15      h2880e7c_4  pkgs/main
python                        2.7.15     hcb6e200_15  pkgs/main
python                        2.7.15      hcb6e200_5  pkgs/main
python                        2.7.15      hcb6e200_7  pkgs/main
python                        2.7.15      he216670_0  pkgs/main
python                        2.7.16      hcb6e200_0  pkgs/main
python                        2.7.17      h930f6bb_0  pkgs/main
python                        2.7.18      hcb6e200_0  pkgs/main
python                        2.7.18      hfb89ab9_0  pkgs/main
python                         3.5.4     h1357f44_23  pkgs/main
python                         3.5.4     hc495aa9_21  pkgs/main
python                         3.5.4     hd3c4935_11  pkgs/main
python                         3.5.4     hdec4e59_20  pkgs/main
python                         3.5.4     hedc2606_15  pkgs/main
python                         3.5.5      h0c2934d_0  pkgs/main
python                         3.5.5      h0c2934d_1  pkgs/main
python                         3.5.5      h0c2934d_2  pkgs/main
python                         3.5.6      he025d50_0  pkgs/main
python                         3.6.2     h09676a0_15  pkgs/main
python                         3.6.2     h6679aeb_11  pkgs/main
python                         3.6.3      h210ce5f_2  pkgs/main
python                         3.6.3      h3389d20_0  pkgs/main
python                         3.6.3      h3b118a2_4  pkgs/main
python                         3.6.3      h9e2ca53_1  pkgs/main
python                         3.6.4      h0c2934d_2  pkgs/main
python                         3.6.4      h0c2934d_3  pkgs/main
python                         3.6.4      h6538335_0  pkgs/main
python                         3.6.4      h6538335_1  pkgs/main
python                         3.6.5      h0c2934d_0  pkgs/main
python                         3.6.6      hea74fb7_0  pkgs/main
python                         3.6.7      h33f27b4_0  pkgs/main
python                         3.6.7      h33f27b4_1  pkgs/main
python                         3.6.7      h9f7ef89_2  pkgs/main
python                         3.6.8      h9f7ef89_0  pkgs/main
python                         3.6.8      h9f7ef89_1  pkgs/main
python                         3.6.8      h9f7ef89_7  pkgs/main
python                         3.6.9      h5500b2f_0  pkgs/main
python                        3.6.10      h9f7ef89_0  pkgs/main
python                        3.6.10      h9f7ef89_1  pkgs/main
python                        3.6.10      h9f7ef89_2  pkgs/main
python                        3.6.12      h5500b2f_2  pkgs/main
python                         3.7.0      hea74fb7_0  pkgs/main
python                         3.7.1      h33f27b4_3  pkgs/main
python                         3.7.1      h33f27b4_4  pkgs/main
python                         3.7.1      h8c8aaf0_6  pkgs/main
python                         3.7.1      he44a216_5  pkgs/main
python                         3.7.2      h8c8aaf0_0  pkgs/main
python                         3.7.2     h8c8aaf0_10  pkgs/main
python                         3.7.2      h8c8aaf0_2  pkgs/main
python                         3.7.3      h8c8aaf0_0  pkgs/main
python                         3.7.3      h8c8aaf0_1  pkgs/main
python                         3.7.4      h5263a28_0  pkgs/main
python                         3.7.5      h8c8aaf0_0  pkgs/main
python                         3.7.6      h60c2a47_2  pkgs/main
python                         3.7.7 h60c2a47_0_cpython  pkgs/main
python                         3.7.7      h60c2a47_2  pkgs/main
python                         3.7.7      h81c818b_4  pkgs/main
python                         3.7.9      h60c2a47_0  pkgs/main
python                         3.8.0      hff0d562_0  pkgs/main
python                         3.8.0      hff0d562_1  pkgs/main
python                         3.8.0      hff0d562_2  pkgs/main
python                         3.8.1      h5fd99cc_1  pkgs/main
python                         3.8.1 h5fd99cc_8_cpython  pkgs/main
python                         3.8.1 he1778fa_7_cpython  pkgs/main
python                         3.8.2      h5fd99cc_0  pkgs/main
python                         3.8.2     h5fd99cc_11  pkgs/main
python                         3.8.2     he1778fa_13  pkgs/main
python                         3.8.3      he1778fa_0  pkgs/main
python                         3.8.3      he1778fa_2  pkgs/main
python                         3.8.5      h5fd99cc_1  pkgs/main
python                         3.8.5      he1778fa_0  pkgs/main
python                         3.9.0      h6244533_2  pkgs/main
python                         3.9.0      h8aef87e_1  pkgs/main

• Selanjutnya untuk mengganti versi Python anda, dapat mengunakan perinta berikut.

conda install python=3.5.4

 # atau bisa dengen versi yang lebih tinggi 

 conda install python=3.9.0

 # atau sesuai selera anda.

Demikian perintah yang bisa diguanakn untuk  Mendowngrade atau mengUpgrade Versi Python dengan Anaconda. semoga membantu.

Read More

Belajar Bahasa Pemrograman Python

Tutorial Belajar Python Part 1:

Pengertian Bahasa Pemrograman Python

Dalam tutorial pertama belajar pemrograman python di Duniailkom ini kita akan berkenalan dengan bahasa Python, mulai dari pengertian bahasa pemrograman python, sejarah singkat, serta apa keunggulan dan alasan kita belajar bahasa Python.

---

Mengapa Harus Belajar Bahasa Python?

Jika ada yang bertanya “Apa bahasa pemrograman yang sebaiknya dipelajari pertama kali?” Biasanya saya akan jawab: Pascal. Alasannya karena bahasa pascal terstruktur serta banyakmenggunakan perintah dalam bahasa inggris sehari-hari seperti begin, end, for do, for downto do, dst.

Namun penggunaan Pascal di luar bidang akademik sudah sangat jarang. Hanya ada 2 aplikasi modern yang cukup populer berbasis dari bahasa Pascal, yakni Delphi dan Lazarus. Keduanya dipakai untuk membuat aplikasi desktop yang juga harus bersaing dengan Visual Studio buatan Microsoft. Akibatnya tidak heran sangat jarang lowongan pekerjaan dalam bahasa Pascal.

Pilihan bahasa dasar lain adalah C atau C++. Duo sejoli bahasa pemrograman ini sudah sangat matang dan menjadi dasar dari mayoritas bahasa pemrograman yang lebih modern sepertiJava, PHP dan JavaScript. Bahasa C dan C++ juga banyak dipakai dalam berbagai bidang, mulai dari sistem operasi hingga pembuatan game.

Namun perintah dalam bahasa C atau C++ lumayan rumit karena banyak melibatkan simbol-simbol seperti tanda kurung kurawal { }, %c, %d, serta perintah dengan kata-kata abstrak sepertivoid, cin atau cout.

Sekarang muncul alternatif ketiga: Python. Bahasa pemrograman ini bisa dibilang mengawinkan fitur terbaik yang ada di Pascal, C dan C++. Perintah bahasa Python mudah, rapi dan sederhana seperti di Pascal, bahkan dalam beberapa aspek jauh lebih baik.

Dan tidak seperti Pascal, implementasi modern dari bahasa Python juga sangat beragam dan terus berkembang. Kita bisa memakai Python untuk membuat web (Django), keperluan data science (NumPy), data mining (Scikit-Learn), deep learning (PyTorch), hingga machine learning (TensorFlow). Dalam bidang scientist atau penelitian, bahasa Python sangat menjanjikan.

---

Pengertian Bahasa Pemrograman Python

Mengutip wikipedia, Bahasa Pemrograman Python adalah interpreted high-level programming language for general-purpose programming. Terjemahan bebasnya: Python adalah bahasa pemrograman tingkat tinggi (high-level programming language), berjalan dengan sisteminterpreted, dan bisa dipakai untuk berbagai jenis tujuan (general-purpose).

Sebutan bahasa pemrograman tingkat tinggi merujuk level kedekatan sebuah bahasa pemrograman ke kode-kode listrik yang dipakai komputer. Sebuah bahasa pemrograman disebut sebagai bahasa pemrograman tingkat tinggi (high-level programming language) karena perintah atau kode program yang dipakai sudah mirip dengan bahasa manusia (bahasa inggris).

Hampir semua bahasa pemrograman modern masuk ke dalam bahasa tingkat tinggi, diantaranya Pascal, C++, Java, PHP, JavaScript dan juga Python. Bahasa C masih sering disebut bahasa pemrograman tingkat menengah karena sebagian perintahnya bisa langsung mengakses hardware komputer, namun karena hal ini juga bahasa C sedikit lebih rumit untuk dipelajari.

Python menggunakan metode pemrosesan interpreted, dimana kode program akan diproses baris per baris langsung dari kode program (tidak butuh proses compile). Ini mirip seperti bahasa script seperti PHP dan JavaScript.

---

Sejarah Singkat Python

Bahasa pemrograman Python dirilis pertama kali oleh Guido van Rossum di tahun 1991, yang sudah dikembangkan sejak tahun 1989.

Awal pemilihan nama Python tidak secara langsung berasal dari nama ular piton, tapi sebuah acara humor di BBC pada era 1980an dengan judul “Monty Python’s Flying Circus“. Monty Pythonadalah kelompok lawak yang membawakan acara tersebut. Kebetulan Guido van Rossumadalah penggemar dari acara ini.

Pada tahun 1994, Python 1.0 dirilis, yang diikuti dengan Python 2.0 pada tahun 2000. Python 3.0 keluar pada tahun 2008.

Saat tutorial ini ditulis, versi terakhir Python adalah Python 3.7 yang baru saja di rilis Juni 2018. Web resmi python berada di www.python.org.

Tampilan halaman resmi website python di www.python.org

---

Keunggulan Bahasa Pemrograman Python

Jika dibandingkan dengan bahasa pemrograman lain, berikut keunggulan dari bahasa pemrograman Python dan alasan kenapa harus belajar bahasa Python:

§  Mudah dipelajari. Bahasa pemrograman python memiliki sedikit keyword dan struktur yang sederhana sehingga mudah dipelajari bagi pemula.

§  Mudah di baca. Python mengharuskan penggunaan spasi untuk “menjorokkan” blok kode program (indentation), sehingga kode yang ditulis lebih rapi. Dalam bahasa pemrograman lain, indentation ini tidak diwajibkan.

§  Perintah yang lebih singkat. Kode program yang dipakai python jauh lebih singkat dibandingkan dengan bahasa pemrograman lain untuk menyelesaikan masalah yang sama.

§  Cross-platform. Python bisa dipakai di berbagai sistem operasi, termasuk Windows, UNIX, Linux, Mac OS, dll. Dalam mayoritas penggunaan, kode program yang ditulis tidak perlu diubah agar bisa berjalan di sistem operasi yang berbeda.

§  Mendukung multi-paradigma. Python bisa ditulis dengan kode program prosedural maupun pemrograman object (OOP).

§  Memiliki banyak library. Library adalah sebutan untuk kode program tambahan untuk hal-hal khusus. Berdasarkan web pypi.org, python memiliki lebih dari 140.000 library atau packages.

§  Gratis. Python dikembangkan sebagai project open source dan bisa digunakan siapa saja secara gratis.

Dengan berbagai keunggulan tersebut, tidak ada salahnya anda mempersiapkan diri dan menambah skill bahasa pengetahuan bahasa Python.

ref : duniailkom.com

Read More