PyTorch

Deep learning dari tensor sampai fine-tuning. Kamu melatih matematikanya dengan NumPy dan API-nya lewat kuis. 16 modul masing-masing 10 menit, dengan soal yang mengecek jawabanmu di browser.

Mulai jalurnya

Dasar

• 1. Tensor: pembuatan dan dasar-dasarnyaGratis
  Kenali tensor, array milik PyTorch, buat tensor dengan cara-cara yang umum, dan baca shape serta dtype-nya, dengan latihan NumPy yang bisa langsung dijalankan di sini.
• 2. Operasi tensor dan broadcastingGratis
  Lakukan perhitungan element-wise, perkalian matriks, dan reduksi sepanjang dimensi pada tensor, dengan aturan broadcasting yang sama seperti NumPy dan beberapa kebiasaan khas PyTorch.
• 3. NumPy ↔ tensor; device (CPU/GPU)Gratis
  Pindahkan data antara NumPy, pandas, dan PyTorch tanpa kejutan, pahami memori yang dipakai bersama, dan tempatkan tensor serta model di device yang tepat.
• 4. Autograd: cara kerja gradientGratis
  Lihat bagaimana PyTorch merekam operasi dan menghitung gradient dengan backward(), mengapa gradient terakumulasi, kapan pelacakan dimatikan, dan cek gradient secara numerik di NumPy.

Menengah

• 5. Membangun model dengan nn.ModuleGratis
  Definisikan network sebagai class nn.Module dengan layer dan method forward, pahami apa yang dihitung Linear layer, tambahkan activation, dan hitung jumlah parameter.
• 6. Fungsi loss dan optimizerGratis
  Pilih loss yang tepat untuk masalah regresi, biner, dan multi-kelas, pahami logit dan BCEWithLogitsLoss, dan biarkan optimizer seperti SGD atau Adam memperbarui bobot.
• 7. Training loop, langkah demi langkahGratis
  Tulis training loop lengkap dengan epoch, mini-batch, tahap validasi dalam mode eval, dan pencatatan loss, serta pahami fungsi setiap barisnya.
• 8. Dataset dan DataLoaderGratis
  Bungkus data dalam Dataset, biarkan DataLoader menangani pembagian batch dan pengacakan, dan tulis training loop yang lebih rapi yang dipakai setiap proyek PyTorch.

Lanjutan

• 9. Contoh lengkap: regresi dari nolPro
  Bangun proyek regresi PyTorch yang lengkap untuk permintaan kopi, mulai dari persiapan data, training, evaluasi terhadap baseline, sampai prediksi untuk hari-hari baru.
• 10. Contoh lengkap: klasifikasiPro
  Latih classifier churn PyTorch dari awal sampai akhir dengan logit dan BCEWithLogitsLoss, ubah output menjadi probabilitas, pilih threshold, dan evaluasi dengan AUC serta confusion matrix.
• 11. Menyimpan dan memuat modelPro
  Simpan state_dict model, tulis checkpoint training yang lengkap, muat kembali dengan benar, dan simpan preprocessing serta config yang dibutuhkan prediksi.
• 12. Mengurangi overfitting (dropout, early stopping)Pro
  Cegah network menghafal data training dengan weight decay, dropout, dan early stopping, dan lihat efek setiap teknik pada loss validasi.

Ahli

• 13. Dataset kustom dan transformPro
  Tulis Dataset yang membangun contoh sesuai permintaan (sliding window, file yang dibaca saat dibutuhkan) dan transform yang melakukan preprocessing atau augmentasi pada setiap contoh, sambil memisahkan perilaku training dan evaluasi.
• 14. Menyusun proyek training yang bersihPro
  Pecah script training menjadi modul config, data, model, engine, dan entry point, lengkap dengan seed, opsi command-line, checkpoint, dan test, supaya eksperimen bisa direproduksi dan mudah diubah.
• 15. Fine-tuning model pretrainedPro
  Pakai ulang network yang dilatih untuk tugas besar pada tugas kecil dengan membekukan body-nya, mengganti head-nya, dan kalau perlu melakukan fine-tuning semua layer dengan learning rate kecil.
• 16. Debugging training (jebakan yang umum)Pro
  Kenali dan perbaiki bug yang membuat training gagal tanpa suara, termasuk broadcasting shape di loss, lupa zero_grad atau eval, loss yang meledak, dan input yang tidak diskalakan, serta gunakan pengecekan overfit-satu-batch.

Proyek jalur

• Proyek PyTorch: jaringan permintaan Toko Kita, dengan tanganPro
  Tiga tugas bernilai yang membangun ulang apa yang dikerjakan PyTorch untukmu, dengan NumPy. Jalankan forward pass jaringan kecil dan ukur loss-nya, latih dengan early stopping yang menyimpan bobot terbaik, dan debug skrip training yang punya empat bug klasik.

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