Machine Learning

Bagaimana model sebenarnya belajar, dijelaskan dengan intuisi dulu dan sedikit NumPy untuk membuktikannya. 18 modul masing-masing 10 menit, dengan soal yang mengecek jawabanmu di browser.

Mulai jalurnya

Dasar

• 1. Apa itu ML: supervised vs unsupervisedGratis
  Pahami machine learning sebagai "menemukan aturan dari contoh", bedakan masalah supervised dari unsupervised, dan ketahui kapan sama sekali tidak perlu memakai ML.
• 2. Fitur, label, data training vs testGratis
  Susun data menjadi matriks fitur X dan vektor label y, encode kategori, bagi menjadi set training dan test, dan hindari bocornya jawaban ke dalam fitur.
• 3. Ide tentang model dan loss functionGratis
  Pahami model sebagai fungsi dengan parameter, ukur seberapa salahnya dengan loss function, dan temukan parameter terbaik dengan mencari loss terendah.
• 4. Overfitting, underfitting, dan generalisasiGratis
  Lihat bagaimana model bisa terlalu sederhana atau terlalu fleksibel, ukur dengan error training vs test, dan pelajari kebiasaan yang menjaga model tetap jujur.

Menengah

• 5. Regresi linear (intuisi matematikanya)Gratis
  Cocokkan garis (dan bidang) yang meminimalkan error kuadrat, baca koefisiennya sebagai efek bisnis, bandingkan least squares NumPy dengan scikit-learn, dan periksa residualnya.
• 6. Regresi logistik dan klasifikasiGratis
  Ubah jumlah berbobot menjadi probabilitas dengan sigmoid, prediksi churn dengan regresi logistik, pilih ambang keputusan, dan baca koefisiennya.
• 7. Pembagian train/validation/test dan cross-validationGratis
  Pakai set validasi untuk memilih model tanpa menyentuh set test, dapatkan perkiraan yang lebih andal dengan k-fold cross-validation, dan setel pengaturan dengan grid search.
• 8. Metrik klasifikasi: accuracy, precision, recall, F1Gratis
  Hitung true dan false positive, hitung precision, recall dan F1 secara manual dan dengan scikit-learn, dan pilih metrik yang sesuai dengan biaya bisnisnya.
• 9. Metrik regresi: MAE, MSE, R²Pro
  Ukur error regresi dalam satuan yang dipahami orang, ketahui kapan MSE atau MAE yang cocok, tafsirkan R² dengan benar, dan selalu bandingkan dengan baseline sederhana.
• 10. Bias-variance tradeoffPro
  Pahami error prediksi sebagai bias ditambah variance ditambah noise, lihat keduanya dengan melatih ulang model pada banyak sampel, dan gunakan learning curve untuk memutuskan apa yang perlu diperbaiki.

Lanjutan

• 11. Gradient descent dijelaskanPro
  Latih model dengan berulang kali melangkah menuruni loss, hitung gradient untuk linear regression secara manual, pilih learning rate, dan pahami kenapa inilah mesin di balik neural network.
• 12. Regularisasi (L1, L2)Pro
  Lawan overfitting dengan menghukum bobot yang besar, bandingkan Ridge (L2) dan Lasso (L1), setel kekuatan penalti dengan cross-validation, dan gunakan Lasso untuk memilih fitur.
• 13. Decision tree dan random forestPro
  Pahami bagaimana sebuah tree membagi data dengan pertanyaan ya/tidak, baca tree yang sudah dilatih, atur kedalamannya, dan gabungkan banyak tree menjadi random forest yang lebih akurat.
• 14. Feature scaling dan preprocessingPro
  Standarkan angka, lakukan one-hot encoding pada kategori, isi nilai yang hilang, dan bungkus semuanya dalam Pipeline dengan ColumnTransformer supaya training dan prediksi selalu cocok.
• 15. Confusion matrix dan ROC/AUCPro
  Tata setiap jenis kesalahan dalam confusion matrix, telusuri kurva precision-recall dan ROC di semua threshold, dan ringkas kualitas pemeringkatan dengan AUC.

Ahli

• 16. Metode ensemble dan boosting (intuisi)Pro
  Gabungkan model dengan voting, bagging, dan boosting, pahami bagaimana gradient boosting memperbaiki kesalahannya sendiri langkah demi langkah, dan ketahui kapan penyetelan tambahannya sepadan.
• 17. Unsupervised: clustering dan PCAPro
  Temukan segmen customer dengan k-means, pilih jumlah cluster, jelaskan arti setiap segmen, dan padatkan banyak fitur menjadi sedikit dengan PCA.
• 18. Alur kerja ML yang bersih dari awal sampai akhirPro
  Mulai dari pertanyaan bisnis sampai model churn yang di-deploy dan terdokumentasi, dengan pipeline yang bisa direproduksi, evaluasi yang jujur, threshold yang dipilih, model yang disimpan, dan fungsi scoring.

Proyek jalur

• Proyek Machine Learning: model pertama Toko KitaPro
  Tiga tugas bernilai pada data asli toko. Bangun model churn dan evaluasi dengan jujur, pilih threshold keputusan yang paling murah bagi toko, dan pilih model prakiraan permintaan dengan cross-validation, bukan dengan split yang kebetulan beruntung.

Modul Pro terbuka dengan sekali bayar Rp 149.000, milikmu selamanya.