Pengantar Papers With Code

Bayangkan Anda mencari makalah riset machine learning tertentu di Google. Anda menemukan sesuatu yang menarik dan ingin melihat implementasi kodenya, dataset, dan hasilnya. Anda akan menghabiskan berjam-jam untuk mencari semuanya satu per satu. Sekarang bayangkan Anda harus mengulang langkah ini 30 kali lagi untuk tesis atau proyek riset Anda. Bisa jadi mimpi buruk. 

Papers With Code siap membantu. Platform ini membuat membaca makalah riset jadi jauh lebih mudah, memberi sekilas ringkasan, implementasi kode, hasil, dan dataset. Selain itu, Anda dapat membandingkan hasil arsitektur berbagai model pada topik serupa menggunakan fitur leaderboard. 

Ini jauh lebih dari sekadar mencari makalah riset. Anda dapat memfilter pencarian menggunakan tag pada berbagai tugas, sub-tugas, model, dataset, dan metode untuk mengeksplorasi topik secara mendalam. 

Pada blog ini, kita akan menjelajahi berbagai fitur utama Papers With Code dan mempelajari cara terbaik melakukan riset untuk proyek machine learning. 

Fitur Utama Papers With Code 

Di halaman utama, Anda akan melihat makalah riset yang sedang tren berdasarkan jumlah bintang per jam. 

Papers With Code | Trending

Jika Anda menyukai makalahnya, klik tombol Paper untuk membaca abstrak dan melihat hasil, dataset, serta berbagai implementasi kode. Atau, jika Anda tertarik pada implementasinya, Anda bisa klik Code dan mengakses repositori GitHub yang berisi hasil, implementasi kode, dan dependensi. 

Halaman trending mirip dengan halaman utama media sosial. Anda dapat terus menggulir ke bawah untuk melihat makalah-makalah yang pernah tren dengan 1000+ bintang dan banyak implementasi kode yang dikontribusikan komunitas. 

Papers With Code adalah platform berbasis komunitas untuk mempelajari makalah riset mutakhir tentang machine learning. Platform ini menyediakan ekosistem lengkap bagi kontributor open-source, engineer machine learning, data scientist, peneliti, dan mahasiswa agar mudah berbagi ide dan mendorong pengembangan machine learning. 

Seluruh konten di Papers With Code berlisensi terbuka di bawah CC-BY-SA, dan siapa pun dapat berkontribusi menggunakan tombol “Edit”.

Browse State-of-the-Art 

Papers With Code | Browse State-of-the-Art

Dengan mengeklik tab Browse State-of-the-Art, Anda akan melihat kategori dan subkategori berdasarkan berbagai bidang studi machine learning. Misalnya:

1. Computer Vision
2. Natural Language Processing
3. Medis
4. Lain-lain
5. Metodologi
6. Deret Waktu
7. Graf
8. Pidung
9. Penalaran
10. Bermain Gim
11. Kode Komputer
12. Audio
13. Adversarial
14. Robot
15. Basis Pengetahuan
16. Basis Pengetahuan
17. Musik

Masing-masing kategori di atas memiliki subkategori. Dan saat Anda mengeklik kartu subkategori, Anda akan melihat definisi singkat subkategori dan benchmark-nya. 

Tujuan utama bagian Browse State-of-the-Art adalah memberi Anda informasi tentang model-model dengan performa terbaik pada dataset tertentu, pustaka populer, daftar dataset, sub-tugas, dan makalah yang paling banyak diimplementasikan. Selain itu, Anda dapat membandingkan berbagai metrik performa model pada dataset yang sama.  

Jika Anda ingin mempelajari berbagai kategori machine learning, kunjungi halaman Kursus Machine Learning kami. Halaman ini berisi kumpulan kursus ramah pemula, machine learning dengan Python dan R, serta kursus berbasis proyek. Anda juga dapat melihat templat populer, tutorial, dan lembar contekan. 

Datasets

Papers With Code | Datasets

Alih-alih kategori dan subkategori, Anda dapat mencari dataset tertentu atau menggunakan berbagai filter untuk menemukannya. 

Secara umum, situs web ini saling terhubung, sehingga Anda tidak perlu mencari dataset satu per satu. Namun, jika Anda mengerjakan riset yang memerlukan banyak dataset pada masalah machine learning tertentu, tab Dataset akan membantu Anda menemukan dataset populer menggunakan fitur pencarian dan filter. Anda dapat memfilter dataset berdasarkan modalitas, tugas, dan bahasa. 

Bagian menarik dimulai saat Anda mengeklik suatu dataset. Anda akan menemukan berbagai bagian interaktif seperti: 

• Contoh gambar: kumpulan berbagai gambar dalam dataset
• Penggunaan: jumlah makalah per tahun yang menggunakan dataset tersebut 
• Benchmark: peringkat model dengan performa terbaik pada tugas tertentu menggunakan dataset tersebut. 
• Lisensi: nama dan tautan lisensi
• Modalitas: berbagai tag modalitas beserta tautannya
• Bahasa: untuk dataset NLP ditampilkan tag bahasa alami. 
• Papers: daftar makalah riset terbaik yang menggunakan dataset tersebut. Berisi kode, hasil, tanggal, dan jumlah bintang pada repo.
• Dataset Loaders: mengunduh dan memuat dataset ke berbagai kerangka kerja machine learning seperti TensorFlow, PyTorch, dan Jax. 
• Tugas: tag tugas machine learning seperti Image Generation, Graph Classification, dan Stochastic Optimization.   
• Dataset Serupa: daftar dataset serupa berdasarkan tugas dan modalitas. 

Singkatnya, tab Dataset terintegrasi penuh dengan bagian lain dari situs untuk memberikan pengalaman pengguna yang mulus saat melakukan riset mendalam. 

Anda juga dapat melihat bagian Datasets di DataCamp untuk mengunduh berbagai jenis dataset. Selain itu, Anda dapat memulai Jupyter Notebook berbasis cloud secara gratis hanya dengan satu klik.

Methods

Papers With Code | Methods

Tab Methods mirip dengan tab Browse State-of-the-Art. Terdapat kategori dan subkategori dalam bentuk kartu tampilan. Tab Methods ditujukan bagi peneliti yang ingin mempelajari metodologi machine learning tertentu. Misalnya, Word Embedding, Image Feature Extractions, dan Activation Functions. 

Terdiri dari 7 kategori: 

1. Umum: Attention, Attention Mechanism, Stochastic Optimization.                                                                 
2. Computer Vision: Convolution Neural Networks, Image Model Blocks, Generative Models.
3. Natural Language Processing: Language Models, Transformers, Attention Patterns.
4. Reinforcement Learning: Policy Gradient Methods, Q-Learning Networks, Distributed Reinforcement Learning.
5. Audio: Audio Models Blocks, Text-to-Speech Models, Speech Separation Models.
6. Sequential: Recurrent Neural Networks, Temporal Convolutions, Time Series Analysis.
7. Graf: Graph Embedding, Graph Representation Learning, Graph Data Augmentation. 

Saat Anda mengeklik kartu metode apa pun, Anda akan melihat definisi, diagram, dan bagian Methods. Pada kartu metode Attention, Anda akan melihat Multi-Head Attention, Scaled Dot-Product Attention, Fixed Factorized Attention, dan semua metode Attention. Setiap metode menampilkan informasi tahun publikasi dan jumlah makalah yang menggunakan metode tersebut. 

Setelah mengeklik metode Multi-Head Attention, Anda akan melihat halaman dengan ringkasan persamaan, PDF makalah yang dapat diunduh, dan kode sumber. Anda juga akan melihat bagian Papers, Tasks, Usage Over Time, Components, dan Categories.

Ini adalah cara yang menyenangkan untuk mempelajari metode machine learning, karena semuanya dioptimalkan untuk meningkatkan pengalaman peneliti. 

Research Paper

Papers With Code | Paper

Di bagian atas halaman makalah riset, Anda akan melihat judul, nama penulis, tanggal, dan abstrak. Setelah itu, Anda akan melihat tombol PDF yang akan membawa Anda ke makalah lengkap, dan tombol Abstract yang akan membawa Anda ke halaman abstrak arxiv.org. 

Selain itu, sebuah makalah riset terdiri dari 5 bagian:

• Code: Anda akan melihat implementasi kode resmi dan berbagai kontribusi berbasis komunitas dengan demo aplikasi. 
• Tasks: berisi berbagai tugas machine learning. Misalnya, language models dan Question Answering. 
• Datasets: daftar dataset yang digunakan dalam makalah riset. 
• Results from the Paper: performa model pada berbagai dataset, tugas, dan versi model yang sama. Juga menampilkan peringkat global, perbandingan hasil, dan nilai metrik. 
• Methods: daftar metode yang digunakan dalam makalah untuk menghasilkan hasil mutakhir. 

Membaca makalah riset di Papers With Code itu mudah dan interaktif. Alih-alih mengunduh dan membaca seluruh makalah, Anda dapat mempelajari hampir semuanya dengan membaca tag, implementasi kode, tugas, dan hasilnya.  

Leaderboard

Papers With Code | Peringkat Klasifikasi Citra pada ImageNet

Jika Anda melihat gambar di atas, garis dan titik berwarna hijau kebiruan merepresentasikan model klasifikasi citra tercanggih pada dataset Imagenet. Titik abu-abu adalah model klasifikasi citra berkinerja rendah pada periode tertentu. 

Seluruh ekosistem Papers With Code berputar di sekitar leaderboard dan menempatkan riset mutakhir di posisi teratas. Di halaman depan, Anda akan melihat riset yang sedang tren berdasarkan bintang dan popularitas. Setiap tab menonjolkan dataset populer, implementasi kode, serta metodologi dan makalah riset terbaik. 

Visi di balik leaderboard, tren, dan benchmark adalah mendorong kualitas riset. Dengan cara ini, kita terus mendorong batas-batas machine learning setiap hari untuk mencapai status mutakhir. 

Tips Berguna di Papers With Code   

Di bawah ini, Anda akan menemukan beberapa tips berharga untuk menggunakan platform Papers With Code dan mengoptimalkan proyek riset Anda:

• Jika Anda kesulitan menemukan topik riset machine learning, lihat halaman trending.
• Jika Anda sudah menentukan topik dan kini mencari makalah riset, implementasi kode, dan dataset, kunjungi halaman Browse State-of-the-Art.
• Halaman Methods ditujukan bagi engineer machine learning yang mencari versi metodologi yang lebih baik seperti loss dan activation functions.
• Halaman Datasets ditujukan bagi data scientist yang mencari dataset yang dibersihkan dan terstandardisasi untuk tugas machine learning tertentu.
• Peneliti akademik dan industri dapat menggunakan platform untuk menambahkan informasi tentang dataset, model, tugas, kode, makalah yang dipublikasikan, dan hasil.
• Tambahkan lencana resmi state-of-the-art ke file README.md pada repositori GitHub.
• Anda dapat menggunakan API Client untuk membaca dan menulis perubahan menggunakan objek Python. Anda juga dapat mencerminkan kompetisi Anda dan menampilkan hasilnya di leaderboard.
• Halaman Portal memungkinkan Anda mengakses makalah di bidang Ilmu Komputer, Fisika, Astronomi, Matematika, dan Statistika. Makalah pada disiplin lain dilengkapi tautan implementasi kode yang dapat Anda ikuti untuk mereproduksi hasilnya.   

Para pengembang selalu menambahkan fitur baru untuk meningkatkan pengalaman pengguna, dan jika Anda memiliki sesuatu yang baru untuk dibagikan atau permintaan fitur, Anda dapat menghubungi mereka di Twitter atau Slack.  

Kesimpulan

Platform Papers With Code mempertemukan pemikiran dari berbagai latar belakang. Situs ini dikelola oleh Meta AI, tetapi dijalankan oleh komunitas. Keterbukaan untuk berkontribusi menghadirkan inklusivitas yang menjadi faktor penting dalam pertumbuhan pesat industri machine learning dan kecerdasan buatan.  

Di blog ini, kita telah mempelajari pentingnya platform interaktif dan saling terhubung bernama Papers With Code. Kita juga mengenali fitur-fitur kunci situs dan tips untuk mengoptimalkan riset. 

Papers With Code sangat bermanfaat untuk makalah riset machine learning, kode, dataset, dan benchmark. Ini adalah salah satu tempat terbaik untuk memulai proyek akhir Anda. Bahkan jika Anda baru di bidang ini, Anda dapat mendaftar jalur karier Machine Learning Scientist with Python atau R untuk memulai perjalanan profesional Anda. 

Jika Anda mencari beberapa proyek machine learning untuk dikerjakan, lihat blog terperinci kami dengan ide-ide untuk pembelajar di semua tingkatan.