modul-belajar

Pustaka pembelajaran mesin untuk bahasa Tenun — ditulis murni dengan Tenun, berjalan di atas bytecode VM. Mencakup aljabar linear, regresi, jaringan saraf dengan propagasi-balik, k-NN, dan k-means.

Tidak ada ketergantungan eksternal: seluruh perhitungan dibangun di atas tipe desimal, larik []desimal, dan builtin matematika Tenun (eksp, ln, akar, tanh, pangkat).

Pasang

tenun add belajar

impor "belajar";

Seluruh fungsi tersedia secara global dengan awalan jelas: mat_*, vek_* (aljabar linear), akt_* (aktivasi), rugi_* (fungsi rugi), jar_* (jaringan saraf), reg_* (regresi), knn_*, kmeans/klaster_*, stat_*, data_*.

Contoh: melatih MLP menyelesaikan XOR

impor "belajar";

biar X: [][]desimal = [[0.0,0.0], [0.0,1.0], [1.0,0.0], [1.0,1.0]];
biar Y: [][]desimal = [[0.0], [1.0], [1.0], [0.0]];

biar lapisan: []bulat = [2, 6, 1];                       // 2 masukan -> 6 tersembunyi -> 1 keluaran
biar bobot: [][][]desimal = jar_bobot_baru(lapisan, 1.0);
biar bias: [][]desimal = jar_bias_baru(lapisan);

jar_latih(bobot, bias, X, Y, 4000, 0.5);                 // 4000 epok, laju 0.5

untuk i dari 0 sampai 4 {
    cetak(jar_prediksi(bobot, bias, X[i])[0]);           // -> ~0, ~1, ~1, ~0
}

Simpan & muat model (latih sekali, pakai berkali-kali)

// --- skrip latih ---
jar_latih(bobot, bias, X, Y, 3000, 0.5);
jar_simpan(bobot, bias, "model.txt");      // simpan bobot+bias ke berkas

// --- skrip inferensi (proses terpisah) ---
biar bobot: [][][]desimal = jar_muat_bobot("model.txt");
biar bias: [][]desimal = jar_muat_bias("model.txt");
biar tebak: bulat = stat_argmaks(jar_prediksi(bobot, bias, contoh));

Format berkas teks: baris 1 arsitektur (mis. 35,24,10), baris 2 semua bobot, baris 3 semua bias.

OCR digit (klasifikasi karakter dari piksel)

OCR = klasifikasi karakter dari vektor piksel. data_dari_pola mengubah pola gambar ('#' = piksel aktif) menjadi masukan classifier.

biar tiga: []desimal = data_dari_pola([
    "####.", "....#", "....#", ".###.", "....#", "....#", "####."
]);
biar bobot: [][][]desimal = jar_muat_bobot("model_digit.txt");  // model terlatih
biar bias: [][]desimal = jar_muat_bias("model_digit.txt");
cetak(stat_argmaks(jar_prediksi(bobot, bias, tiga)));            // -> 3

Lihat examples/ocr_latih.tenun (latih + simpan 10 digit) dan examples/ocr_kenali.tenun (muat model + kenali, termasuk glyph berderau). Berkas model_digit.txt terlatih sudah disertakan — ocr_kenali bisa langsung jalan.

Contoh: regresi linear

biar model: []desimal = reg_model_baru(2);               // 2 fitur
reg_linear_latih(model, X, y, 2000, 0.02);
cetak(reg_linear_prediksi(model, [5.0, 5.0]));

Struktur folder

modul-belajar/
  tenun.json
  README.md
  src/
    belajar.tenun          titik masuk; mengimpor seluruh bagian
    core/
      matriks.tenun        vektor & matriks: dot, kali, transpos, hadamard
      aktivasi.tenun       sigmoid, relu, tanh, softmax + turunannya
      rugi.tenun           MSE, entropi-silang biner & kategorikal
      jaringan.tenun       MLP: maju, propagasi-balik, latih, prediksi
      regresi.tenun        regresi linear & logistik (gradient descent)
      tetangga.tenun       klasifikasi k-NN
      klaster.tenun        pengklasteran k-means
    utils/
      stat.tenun           rata, varian, stdev, argmaks, normalisasi, akurasi
      data.tenun           one-hot, jarak Euclidean, acak-urut, bagi latih/uji
  examples/
    xor.tenun              MLP belajar XOR
    regresi_linear.tenun   regresi linear
    klasifikasi_knn.tenun  klasifikasi k-NN
    kmeans.tenun           pengklasteran k-means

Acuan API

Aljabar linear (core/matriks.tenun)

Fungsi	Keterangan
vek_nol(n), vek_isi(n, v), vek_acak(n, skala)	konstruksi vektor
mat_nol(b, k), mat_acak(b, k, skala)	konstruksi matriks
vek_dot, vek_tambah, vek_kurang, vek_skalar, vek_hadamard, vek_jumlah	operasi vektor
mat_kali_vek, mat_kali, mat_transpos	operasi matriks

Aktivasi (core/aktivasi.tenun)

akt_sigmoid, akt_relu, akt_tanh, akt_softmax beserta turunan akt_d_sigmoid, akt_d_relu, akt_d_tanh.

Fungsi rugi (core/rugi.tenun)

rugi_mse, rugi_mse_grad, rugi_silang_biner, rugi_silang.

Jaringan saraf (core/jaringan.tenun)

Fungsi	Keterangan
jar_bobot_baru(lapisan, skala)	inisialisasi bobot dari arsitektur []bulat
jar_bias_baru(lapisan)	inisialisasi bias
jar_prediksi(bobot, bias, x)	propagasi maju, kembalikan keluaran
jar_latih_satu(...)	satu langkah SGD (propagasi-balik)
jar_latih(bobot, bias, X, Y, epok, laju)	loop latih penuh

Regresi (core/regresi.tenun)

reg_model_baru, reg_linear_prediksi, reg_linear_latih, reg_logistik_prediksi, reg_logistik_latih.

k-NN & k-means

knn_klasifikasi(X, y, x, k) · kmeans(X, k, iterasi), klaster_terdekat, klaster_tugas.

Utilitas

stat_rata, stat_varian, stat_stdev, stat_min, stat_maks, stat_argmaks, stat_normalisasi, stat_minmax, stat_akurasi · data_satu_panas, data_jarak, data_acak_urut, data_batas_latih.

Catatan

• Aktivasi jaringan saraf memakai sigmoid pada setiap lapisan; rugi MSE.
• Larik di Tenun bertipe rujukan, sehingga fungsi latih memperbarui bobot di tempat.
• Modul ini berjalan pada VM (tenun run). Backend native (tenun build) belum mendukung builtin matematika.

Lisensi

MIT.