「Mencoba Belajar Machine Learning Sendiri」

baeba · 2026-07-16T09:47:55+09:00

1. Tujuan dan struktur dokumen Tulisan ini adalah kumpulan materi pembelajaran yang secara sistematis menghimpun kuliah, blog, GitHub, paper, dataset, dan lainnya untuk orang yang ingin belajar machine learning dan deep learning secara mandiri. Ini bukan sekadar daftar tautan, melainkan juga menyajikan tingkat kesulitan belajar dan tujuan pemanfaatannya agar pemula tahu urutan belajar yang baik. Cakupannya luas, mulai dari Python hingga matematika dan statistik, machine learning, deep learning, LLM, sampai praktik Kaggle. Dijalankan sebagai proyek GitHub terbuka tempat berbagai kontributor menambahkan materi. 2. Urutan belajar yang disarankan Disarankan untuk terlebih dahulu mempelajari sintaks Python, lalu memproses data dengan NumPy dan Pandas, serta memvisualisasikannya dengan alat seperti Matplotlib. Setelah itu, pelajari aljabar linear, diferensiasi, probabilitas, dan statistik untuk memahami prinsip algoritma machine learning. Pada tahap berikutnya, pelajari machine learning tradisional menggunakan Scikit-learn dan deep learning berbasis TensorFlow serta PyTorch. Terakhir, strukturnya diarahkan untuk meningkatkan kemampuan praktis melalui proyek Kaggle, implementasi paper, dan analisis data nyata. 3. Dasar matematika dan statistik Tersedia rangkuman kuliah yang menjelaskan konsep matematika yang diperlukan untuk belajar AI, seperti vektor, matriks, diferensiasi, turunan parsial, logaritma natural, dan kemiripan. Di bidang statistik, materi mencakup distribusi probabilitas, distribusi normal, uji hipotesis, p-value, interval kepercayaan, dan teori Bayes. Juga mencakup AR, MA, dan ARIMA yang diperlukan untuk analisis deret waktu, serta materi transformasi Fourier dalam pemrosesan sinyal dan empirical mode decomposition. Materi pengantar yang membantu memahami rumus kompleks dengan mudah melalui gambar dan kuliah tulisan tangan diprioritaskan untuk direkomendasikan. 4. Machine learning tradisional Pertama-tama menjelaskan prinsip dasar bagaimana model belajar, seperti gradient descent, backpropagation error, dan loss function. Mencakup algoritma representatif seperti regresi linear, regresi logistik, decision tree, KNN, SVM, PCA, dan analisis klaster. Termasuk juga metode untuk mengurangi overfitting seperti regularisasi L1 dan L2, serta Lasso, Ridge, dan ElasticNet. Setiap topik menyediakan kuliah konsep bersama materi implementasi Python sehingga teori dan praktik terhubung. 5. Bidang utama deep learning Merangkum model-model deep learning utama, mulai dari struktur neural network hingga CNN, RNN, LSTM, GAN, dan reinforcement learning. Dalam computer vision, memperkenalkan contoh pemanfaatan object detection, image segmentation, autonomous driving, dan OpenCV. Dalam natural language processing, mencakup Word2Vec, BERT, GPT, Transformer, Attention, Seq2Seq, dan lainnya. Tidak hanya penggunaan model sederhana, tetapi juga memungkinkan belajar memahami paper, mengimplementasikan kode, dan menyesuaikan hyperparameter. 6. Teknologi AI terbaru dan cara belajar Memperkenalkan teknologi yang secara otomatis mencari struktur model dan parameter, seperti AutoML, Bayesian optimization, Hyperband, dan NAS. Meta-learning adalah metode untuk cepat mempelajari masalah baru, sedangkan active learning adalah metode untuk belajar dengan hanya memilih data yang diperlukan. Federated learning melatih model secara bersama-sama di berbagai perangkat tanpa mengumpulkan data ke server pusat. Incremental learning dan continual learning membahas cara terus mempelajari data baru sambil mempertahankan pengetahuan yang sudah ada. 7. LLM, LangChain, dan ChatGPT Memperkenalkan AI agent seperti AutoGPT yang secara otomatis membagi tujuan yang diberikan pengguna menjadi beberapa tahap dan menjalankannya. Melalui contoh seperti KoChatGPT dan KoAlpaca, pembaca dapat mempelajari fine-tuning LLM bahasa Korea serta teknologi RLHF dan LoRA. Materi LangChain membahas cara menghubungkan LLM dengan PDF, situs web, CSV/Excel, dan model Hugging Face. Dengan memanfaatkan dokumentasi OpenAI API dan Cookbook, pembaca dapat mengembangkan layanan tanya jawab, peringkasan dokumen, dan analisis data. 8. Pembelajaran praktik Kaggle dan Dacon Menyediakan materi bertahap mulai dari cara memulai Kaggle, penggunaan dataset, API, prosedur mengikuti kompetisi, hingga solusi pemenang. Pembaca dapat berlatih masalah klasifikasi dan regresi seperti Titanic, harga rumah, risiko kredit, dan permintaan sepeda. Kompetisi dan tutorial per bidang seperti deteksi gambar, natural language processing, deret waktu, dan suara juga dipisahkan. Intinya adalah membangun pengalaman dalam preprocessing data, validasi model, dan peningkatan performa pada masalah yang mirip dengan praktik nyata. 9. Beragam bentuk materi pembelajaran Kuliah disusun terutama dari konten gratis atau terbuka seperti Coursera, Stanford, T Academy, dan YouTube. Blog menjelaskan lebih dalam topik seperti matematika, statistik, paper, dan natural language processing. Repositori GitHub mencakup Jupyter Notebook yang dapat dijalankan, kode contoh, model pretrained, dan dataset. Wikidocs dan ebook cocok untuk mempelajari Python, deep learning, algorithmic trading, dan lainnya secara berurutan seperti membaca buku. 10. Open data dan alat pengembangan Memperkenalkan berbagai sumber data seperti AI Hub, portal data publik, Seoul Open Data Plaza, dan Papers with Code. Merangkum library berdasarkan tujuan, dengan fokus pada TensorFlow, PyTorch, dan Scikit-learn. Termasuk PublicDataReader untuk mengambil data publik sebagai DataFrame, serta dataset medis, vision, dan bahasa Korea. Juga ada materi tentang lingkungan pengembangan berbasis Docker dan pembangunan server GPU, sehingga membantu menyusun lingkungan proyek nyata. 11. Komunitas dan informasi karier Melalui komunitas berdasarkan teknologi seperti TensorFlow Korea, PyTorch KR, dan Kaggle Korea, pembaca dapat bertanya dan bertukar informasi. Melalui wawancara dengan data scientist dan machine learning engineer aktif, diperkenalkan pengalaman tentang pekerjaan, pencarian kerja, gaji, dan studi pascasarjana. Pembaca juga dapat melihat kemungkinan masuk dari latar belakang non-teknis serta perbedaan peran antara data scientist dan ML engineer. Ini menunjukkan bahwa selain belajar teknologi, portofolio, kompetisi, dan aktivitas komunitas juga penting untuk persiapan karier. Evaluasi inti Perspektif Isi Sifat materi Kumpulan tautan dan materi praktik komprehensif untuk belajar mandiri machine learning dan AI Keunggulan utama Cakupannya luas dari dasar hingga LLM terbaru, dengan banyak materi gratis Pembaca yang cocok Pemula AI, developer, analis data, peserta persiapan Kaggle Cara memanfaatkan Daripada melihat semua materi secara berurutan, pilih jalur belajar sesuai bidang tujuan Catatan perhatian Sebagian materi sudah lama, jadi perlu memeriksa versi library dan apakah teknologinya masih terbaru

(github.com/teddylee777)

32 poin oleh baeba 6 jam lalu | 2 komentar | Bagikan ke WhatsApp

1. Tujuan dan struktur dokumen

Tulisan ini adalah kumpulan materi pembelajaran yang secara sistematis menghimpun kuliah, blog, GitHub, paper, dataset, dan lainnya untuk orang yang ingin belajar machine learning dan deep learning secara mandiri.
Ini bukan sekadar daftar tautan, melainkan juga menyajikan tingkat kesulitan belajar dan tujuan pemanfaatannya agar pemula tahu urutan belajar yang baik.
Cakupannya luas, mulai dari Python hingga matematika dan statistik, machine learning, deep learning, LLM, sampai praktik Kaggle.
Dijalankan sebagai proyek GitHub terbuka tempat berbagai kontributor menambahkan materi.

2. Urutan belajar yang disarankan

Disarankan untuk terlebih dahulu mempelajari sintaks Python, lalu memproses data dengan NumPy dan Pandas, serta memvisualisasikannya dengan alat seperti Matplotlib.
Setelah itu, pelajari aljabar linear, diferensiasi, probabilitas, dan statistik untuk memahami prinsip algoritma machine learning.
Pada tahap berikutnya, pelajari machine learning tradisional menggunakan Scikit-learn dan deep learning berbasis TensorFlow serta PyTorch.
Terakhir, strukturnya diarahkan untuk meningkatkan kemampuan praktis melalui proyek Kaggle, implementasi paper, dan analisis data nyata.

3. Dasar matematika dan statistik

Tersedia rangkuman kuliah yang menjelaskan konsep matematika yang diperlukan untuk belajar AI, seperti vektor, matriks, diferensiasi, turunan parsial, logaritma natural, dan kemiripan.
Di bidang statistik, materi mencakup distribusi probabilitas, distribusi normal, uji hipotesis, p-value, interval kepercayaan, dan teori Bayes.
Juga mencakup AR, MA, dan ARIMA yang diperlukan untuk analisis deret waktu, serta materi transformasi Fourier dalam pemrosesan sinyal dan empirical mode decomposition.
Materi pengantar yang membantu memahami rumus kompleks dengan mudah melalui gambar dan kuliah tulisan tangan diprioritaskan untuk direkomendasikan.

4. Machine learning tradisional

Pertama-tama menjelaskan prinsip dasar bagaimana model belajar, seperti gradient descent, backpropagation error, dan loss function.
Mencakup algoritma representatif seperti regresi linear, regresi logistik, decision tree, KNN, SVM, PCA, dan analisis klaster.
Termasuk juga metode untuk mengurangi overfitting seperti regularisasi L1 dan L2, serta Lasso, Ridge, dan ElasticNet.
Setiap topik menyediakan kuliah konsep bersama materi implementasi Python sehingga teori dan praktik terhubung.

5. Bidang utama deep learning

Merangkum model-model deep learning utama, mulai dari struktur neural network hingga CNN, RNN, LSTM, GAN, dan reinforcement learning.
Dalam computer vision, memperkenalkan contoh pemanfaatan object detection, image segmentation, autonomous driving, dan OpenCV.
Dalam natural language processing, mencakup Word2Vec, BERT, GPT, Transformer, Attention, Seq2Seq, dan lainnya.
Tidak hanya penggunaan model sederhana, tetapi juga memungkinkan belajar memahami paper, mengimplementasikan kode, dan menyesuaikan hyperparameter.

6. Teknologi AI terbaru dan cara belajar

Memperkenalkan teknologi yang secara otomatis mencari struktur model dan parameter, seperti AutoML, Bayesian optimization, Hyperband, dan NAS.
Meta-learning adalah metode untuk cepat mempelajari masalah baru, sedangkan active learning adalah metode untuk belajar dengan hanya memilih data yang diperlukan.
Federated learning melatih model secara bersama-sama di berbagai perangkat tanpa mengumpulkan data ke server pusat.
Incremental learning dan continual learning membahas cara terus mempelajari data baru sambil mempertahankan pengetahuan yang sudah ada.

7. LLM, LangChain, dan ChatGPT

Memperkenalkan AI agent seperti AutoGPT yang secara otomatis membagi tujuan yang diberikan pengguna menjadi beberapa tahap dan menjalankannya.
Melalui contoh seperti KoChatGPT dan KoAlpaca, pembaca dapat mempelajari fine-tuning LLM bahasa Korea serta teknologi RLHF dan LoRA.
Materi LangChain membahas cara menghubungkan LLM dengan PDF, situs web, CSV/Excel, dan model Hugging Face.
Dengan memanfaatkan dokumentasi OpenAI API dan Cookbook, pembaca dapat mengembangkan layanan tanya jawab, peringkasan dokumen, dan analisis data.

8. Pembelajaran praktik Kaggle dan Dacon

Menyediakan materi bertahap mulai dari cara memulai Kaggle, penggunaan dataset, API, prosedur mengikuti kompetisi, hingga solusi pemenang.
Pembaca dapat berlatih masalah klasifikasi dan regresi seperti Titanic, harga rumah, risiko kredit, dan permintaan sepeda.
Kompetisi dan tutorial per bidang seperti deteksi gambar, natural language processing, deret waktu, dan suara juga dipisahkan.
Intinya adalah membangun pengalaman dalam preprocessing data, validasi model, dan peningkatan performa pada masalah yang mirip dengan praktik nyata.

9. Beragam bentuk materi pembelajaran

Kuliah disusun terutama dari konten gratis atau terbuka seperti Coursera, Stanford, T Academy, dan YouTube.
Blog menjelaskan lebih dalam topik seperti matematika, statistik, paper, dan natural language processing.
Repositori GitHub mencakup Jupyter Notebook yang dapat dijalankan, kode contoh, model pretrained, dan dataset.
Wikidocs dan ebook cocok untuk mempelajari Python, deep learning, algorithmic trading, dan lainnya secara berurutan seperti membaca buku.

10. Open data dan alat pengembangan

Memperkenalkan berbagai sumber data seperti AI Hub, portal data publik, Seoul Open Data Plaza, dan Papers with Code.
Merangkum library berdasarkan tujuan, dengan fokus pada TensorFlow, PyTorch, dan Scikit-learn.
Termasuk PublicDataReader untuk mengambil data publik sebagai DataFrame, serta dataset medis, vision, dan bahasa Korea.
Juga ada materi tentang lingkungan pengembangan berbasis Docker dan pembangunan server GPU, sehingga membantu menyusun lingkungan proyek nyata.

11. Komunitas dan informasi karier

Melalui komunitas berdasarkan teknologi seperti TensorFlow Korea, PyTorch KR, dan Kaggle Korea, pembaca dapat bertanya dan bertukar informasi.
Melalui wawancara dengan data scientist dan machine learning engineer aktif, diperkenalkan pengalaman tentang pekerjaan, pencarian kerja, gaji, dan studi pascasarjana.
Pembaca juga dapat melihat kemungkinan masuk dari latar belakang non-teknis serta perbedaan peran antara data scientist dan ML engineer.
Ini menunjukkan bahwa selain belajar teknologi, portofolio, kompetisi, dan aktivitas komunitas juga penting untuk persiapan karier.

Evaluasi inti

Perspektif	Isi
Sifat materi	Kumpulan tautan dan materi praktik komprehensif untuk belajar mandiri machine learning dan AI
Keunggulan utama	Cakupannya luas dari dasar hingga LLM terbaru, dengan banyak materi gratis
Pembaca yang cocok	Pemula AI, developer, analis data, peserta persiapan Kaggle
Cara memanfaatkan	Daripada melihat semua materi secara berurutan, pilih jalur belajar sesuai bidang tujuan
Catatan perhatian	Sebagian materi sudah lama, jadi perlu memeriksa versi library dan apakah teknologinya masih terbaru

2 komentar

ihope 4 jam lalu

Oh~~ saya suka yang seperti ini~!

blizard4479 4 jam lalu

Wah, terima kasih atas materi yang luar biasa!