Model generatif tidak hanya memprediksi label, tetapi menghasil data baru yang menyerupai data pelatihan. Section ini menelusuri tiga keluarga besar pendekatan: autoencoder dan varian variationalnya, GAN dengan permainan dua jaringan, serta diffusion model yang belajar membalik proses penambahan derau bertahap.

# Pengenalan Generative Model

Bedah perbedaan model discriminative P(y|x) dan generative P(x)/P(x,y), peta keluarga VAE-GAN-diffusion-autoregressive, plus demo Gaussian fit yang benar-benar menghasilkan data sintetis.

Buka → # Autoencoder

Bangun jaringan yang memampatkan data lewat bottleneck laten lalu merekonstruksinya: loss MSE, hubungan dengan PCA, deteksi anomali lewat error rekonstruksi — semua pada autoencoder linear 2D ke 1D yang dilatih nyata.

Buka → # Variational Autoencoder

Perbaiki ruang laten autoencoder yang berlubang dengan distribusi q(z|x), reparameterization trick, dan regularizer KL — dibuktikan angka nyata: sampling z dari prior menghasilkan titik dekat data.

Buka → # Generative Adversarial Network

Bedah permainan minmax dua jaringan — generator mengubah noise menjadi data tiruan, discriminator menilai asli vs palsu — dengan demo GAN mini PyTorch yang sampelnya konvergen ke statistik data dalam 2000 iterasi.

Buka → # Generator dan Discriminator

Bedah anatomi kedua jaringan GAN lapisan demi lapisan: generator yang membangun data dari noise dimensi kecil, discriminator sebagai classifier biner, hitungan parameter tiap lapisan, arsitektur tiap domain, efek kapasitas generator, dan label smoothing.

Buka → # Stabilitas Training GAN

Kenali tiga kegagalan klasik training GAN — mode collapse, discriminator menang mutlak, dan gradien yang menipis — lewat tiga duel nyata pada data tiga mode, lalu susun tabel gejala, diagnosis, dan obat: loss non-saturating, label smoothing, laju belajar serta ritme update yang seimbang, hingga WGAN-GP dan spectral norm.

Buka → # Diffusion Model

Pahami ide diffusion model: menambahkan derau bertahap pada data lalu mempelajari proses pembaliknya, lengkap dengan perbandingan keluarga VAE/GAN/diffusion dan demonstrasi derau bertahap pada sinyal 1D.

Buka → # Forward dan Reverse Diffusion

Formalkan forward process sebagai rantai Gaussian, turunkan bentuk tertutup x_t dari x_0, lalu pahami reverse process yang dipelajari jaringan denoiser — dengan implementasi NumPy yang angkanya bisa dicocokkan.

Buka → # Denoising dan Noise Schedule

Bandingkan noise schedule linear dan cosine, pahami mengapa objectif diffusion cukup MSE pada prediksi derau, lalu latih denoiser mini PyTorch dan jalankan sampling reverse penuh dari derau murni sampai sampel data.

Buka → # Latent Diffusion

Pahami mengapa diffusion di ruang piksel mahal, bagaimana Latent Diffusion Model memindahkan proses ke ruang laten VAE, conditioning teks lewat cross-attention, dan classifier-free guidance — disertai analogi mini teruji dari kompresi sampai dekode.

Buka → # Evaluasi Generative Model

Ukur kualitas model generatif dengan FID, Inception Score, precision-recall, dan implementasi kernel MMD mini NumPy yang membedakan distribusi sama, bergeser, hingga mode collapse — lalu rangkum seluruh keluarga model generatif dalam satu tabel.

Buka →