Section ini adalah inti konseptual Course. Kita membongkar neural network menjadi komponen terkecil, yaitu neuron artifisial, lalu menyusunnya kembali menjadi model yang dapat belajar: dari forward propagation, fungsi loss, backpropagation, hingga pembaruan bobot dengan gradient descent. Seluruh konsep dibuktikan dengan implementasi dari nol menggunakan NumPy.

# Neuron Artifisial

Pahami unit komputasi terkecil neural network: dari analogi neuron biologis menuju rumus weighted sum, bias, dan fungsi aktivasi yang diimplementasikan dengan NumPy.

Buka → # Perceptron

Implementasikan aturan pembelajaran perceptron dengan NumPy, buktikan keterbatasan linearnya pada XOR, dan kenali latar sejarah yang memicu era multilayer network.

Buka → # Multilayer Perceptron

Susun neuron menjadi jaringan berlapis dengan matriks bobot per layer, lalu buktikan dengan NumPy bahwa MLP 2-2-1 mampu menyelesaikan XOR yang tak mampu diselesaikan perceptron.

Buka → # Fungsi Aktivasi

Kenali step, sigmoid, tanh, ReLU, Leaky ReLU, dan softmax beserta rumus, rentang, dan kegunaannya — semuanya diimplementasikan dan diplot dengan NumPy murni.

Buka → # Forward Propagation

Rakit alur prediksi lengkap neural network dua layer dengan NumPy: batch data mengalir dari input, melewati hidden layer dan aktivasi, hingga keluar sebagai prediksi dengan bentuk matriks yang diperiksa tiap tahap.

Buka → # Loss Function

Pahami mean squared error untuk regresi serta binary dan categorical cross-entropy untuk klasifikasi, lengkap dengan implementasi manual NumPy yang cocok dengan hitungan tangan.

Buka → # Backpropagation

Pelajari bagaimana aturan rantai dijalankan mundur dari loss ke setiap bobot, dibuktikan pada satu layer dua input dengan verifikasi beda hingga.

Buka → # Gradient Descent

Jalankan aturan pembaruan w = w - lr x gradien dengan NumPy murni: lihat loss turun monoton pada regresi linear, pahami pengaruh learning rate, dan bandingkan varian batch, mini-batch, dan stochastic.

Buka → # Computational Graph

Representasikan neural network sebagai graf operasi, lalu bangun mesin autograd mini yang menjalankan forward dan backward pass secara otomatis pada graf kecil.

Buka → # Implementasi Neural Network dari Nol

Rangkai seluruh konsep section menjadi MLP utuh dari nol dengan NumPy: kelas dengan init, forward, backward, dan step, dilatih pada make_moons hingga akurasi di atas 0.9.

Buka →