Memahami K-Nearest Neighbors: Belajar dari tetangga, jarak demi jarak

Bagian I menyiapkan bekal geometri, aljabar, peluang, dan NumPy. Bagian II membangun aturan tetangga terdekat, jarak dan metrik termasuk Mahalanobis, skala fitur, dan cara memilih k lewat bias dan varians. Bagian III menjawab mengapa tetangga bekerja: galat Bayes dan batas Cover-Hart, konsistensi dan teorema Stone, laju konvergensi, serta kutukan dimensi. Bagian IV membahas tetangga berbobot, estimasi kepadatan, regresi KNN sebagai penghalus linear, dan peluang yang terkalibrasi. Bagian V mempercepat pencarian tetangga dengan pohon k-d, ball tree, proyeksi acak Johnson-Lindenstrauss, dan LSH. Bagian VI membahas penyuntingan data latih, belajar metrik seperti NCA dan LMNN, studi kasus harga rumah California, dan arah lanjutan.

Setiap teorema dibuktikan langkah demi langkah, dan setiap algoritma ditulis dari nol dengan NumPy lebih dahulu, lalu dicocokkan dengan scikit-learn. Setiap bab memuat contoh soal dengan jawaban langkah demi langkah. Semua angka dan gambar berasal dari kode pendamping yang tersedia bebas di GitHub.

Untuk mahasiswa, dosen, dan praktisi data yang ingin memahami apa yang sebenarnya dikerjakan KNN dan kapan hasilnya dapat dipercaya. Prasyaratnya kalkulus dasar, sedikit aljabar linear, peluang dasar, dan kemampuan membaca Python.