Machine learning adalah teknik membangun pola dari data secara sistematis, bukan proses otomatis yang bekerja tanpa aturan. Section ini menanamkan konsep fundamental sebelum masuk ke model tertentu: jenis pembelajaran, anatomi dataset dan label, pemisahan data latihan dan pengujian, pentingnya baseline model, alur pelatihan yang baku, generalisasi, gejala overfitting dan underfitting, hingga cara memilih model secara jujur.

# Pengenalan Machine Learning

Pahami apa itu machine learning, kapan dipakai, dan bagaimana machine learning berbeda dari pemrograman biasa.

Buka → # Jenis Machine Learning

Petakan supervised, unsupervised, dan reinforcement learning beserta contoh masalahnya.

Buka → # Supervised dan Unsupervised Learning

Bandingkan dua paradigma inti dengan dataset contoh yang sama.

Buka → # Dataset dan Label

Kenali anatomi dataset berlabel: fitur, target, dan format data yang diminta scikit-learn.

Buka → # Fitur dan Target

Pisahkan matriks fitur X dan vektor target y dengan konvensi scikit-learn.

Buka → # Pemisahan Dataset

Bagi data latihan dan pengujian dengan train_test_split tanpa kebocoran informasi.

Buka → # Baseline Model

Bangun baseline sederhana sebagai patokan yang harus dikalahkan model kompleks.

Buka → # Alur Pelatihan Model

Ikuti alur baku fit-predict-evaluate dari awal hingga akhir.

Buka → # Generalisasi Model

Pahami kemampuan model bekerja pada data baru dan cara mengukurnya dengan jujur.

Buka → # Overfitting dan Underfitting

Kenali dua penyakit model dari kurva belajar lalu rawat dengan cara yang tepat.

Buka → # Memilih Model

Pilih model berdasarkan jenis masalah, ukuran data, interpretabilitas, dan biaya.

Buka →