Angka akurasi tunggal menyembunyikan lebih banyak informasi daripada yang disampaikannya. Section ini melatih kebiasaan membaca sinyal diagnosis: kurva learning yang menunjukkan pola overfitting, confusion matrix yang memperlihatkan kelas yang tertukar, serta norm gradien yang mengungkap masalah sebelum nilai loss melonjak tidak terkendali.

# Metrik Klasifikasi

Bongkar jebakan akurasi pada kelas tak seimbang, kuasai presisi, recall, dan F1 beserta trade-off ambang keputusannya, lalu pilih strategi rata-rata macro, micro, atau weighted yang sesuai tujuan model.

Buka → # Metrik Regresi

Kuasai MAE, MSE, RMSE, dan R-kuadrat lewat perhitungan manual yang diverifikasi scikit-learn, saksikan bagaimana satu pencilan menggeser tiap metrik dengan porsi berbeda, lalu pahami hubungan loss pelatihan dengan metrik evaluasi.

Buka → # Confusion Matrix

Baca confusion matrix dengan benar — baris aktual, kolom prediksi — verifikasi orientasinya lewat contoh tangan, bedah satu kelas menjadi TP/FP/FN/TN, lalu normalisasi per baris dan temukan pasangan kelas yang paling sering tertukar.

Buka → # Kurva Learning

Rekam loss latih dan validasi setiap epoch, kenali empat pola kurva — sehat, underfit, overfit, dan learning rate terlalu besar — lalu ubah diagnosis menjadi tindakan perbaikan yang terarah.

Buka → # Analisis Kesalahan

Bangun kebiasaan praktisi: kumpulkan prediksi salah, kelompokkan polanya, ukur statistik fiturnya, lalu rumuskan hipotesis dan tindakan — semuanya pada model digits nyata yang keliru.

Buka → # Debugging Gradient

Pantau norm gradien per layer, baca histogram gradien, tangani kasus gradien None, dan verifikasi kebenaran turunan dengan gradient check beda hingga — semua pada contoh yang diuji nyata.

Buka → # Exploding dan Vanishing Gradient

Lihat secara kuantitatif mengapa jaringan 15 layer sigmoid kehilangan gradien di layer awal (rasio 8e-14) sementara ReLU + Kaiming bertahan, mengapa gradien RNN membengkak 1.5^t, dan obat apa yang tersedia untuk keduanya.

Buka → # Experiment Tracking

Catat setiap eksperimen dengan pola manual dict config, nama run, dan log JSON — lalu bandingkan tiga konfigurasi dari log yang dibaca ulang — sebelum mengenal MLflow, Weights & Biases, dan TensorBoard.

Buka → # Reproducible Experiments

Naikkan reproducibility tiga tingkat — seed, rekaman config dan hash dataset, environment lock — dengan fungsi run_experiment(seed) yang menghasilkan dua run identik dan rekaman JSON yang bisa dibaca ulang.

Buka →