Jalur ini menuntut tiga lapis prasyarat yang berbeda sifatnya, yaitu kemampuan Python dan NumPy, matematika dasar berupa turunan dan statistika sederhana, serta kosakata machine learning. Topik ini memetakan ketiganya, menunjukkan batas minimum yang benar-benar dipakai, dan menyertakan pemeriksaan mandiri berbasis kode. Hasil yang diperoleh adalah keputusan yang tepat tentang bagian mana yang perlu disegarkan sebelum masuk ke modul fondasi.
Python dan NumPy sebagai bahasa kerja#
Seluruh kode pada jalur ini ditulis dalam Python 3.12 dengan NumPy untuk operasi array. Kemampuan minimum yang dipakai adalah fungsi, struktur data dasar, pemahaman modul, dan penanganan kesalahan sederhana. Di atas itu, NumPy menyumbang satu konsep yang paling sering membedakan pemula dan praktisi, yaitu operasi vektor tanpa perulangan eksplisit.
import numpy as np
a = np.array([1.0, 2.0, 3.0])
matriks = np.array([[10.0, 20.0, 30.0],
[40.0, 50.0, 60.0]])
hasil = matriks @ a
print("dot per baris:", hasil)
print("bentuk matriks:", matriks.shape)
print("rata-rata per kolom:", matriks.mean(axis=0))dot per baris: [140. 320.]
bentuk matriks: (2, 3)
rata-rata per kolom: [25. 35. 45.]Perulangan for pada Python tetap sah, tetapi perhitungan numerik ditulis dalam bentuk operasi array karena dijalankan oleh kode C yang jauh lebih cepat. Kebiasaan ini nanti mengalir langsung ke PyTorch, karena tensor pada dasarnya adalah array NumPy yang ditambah dua hal, yaitu dukungan GPU dan kemampuan menghitung gradien.
Matematika minimum: turunan, statistika, dan vektor#
Tiga gagasan matematika dipakai berulang-ulang. Pertama, turunan mengukur kepekaan keluaran terhadap perubahan masukan, dan seluruh mekanika pelatihan berdiri di atasnya. Kedua, aturan rantai (chain rule) menyatakan bagaimana kepekaan itu merambat melalui fungsi yang tersusun:
Ketiga, statistika deskriptif berupa rata-rata, varians, dan korelasi dipakai untuk membaca data dan mendiagnosis model. Selain itu, perkalian matriks perlu dipahami sebagai penjumlahan hasil kali baris dan kolom, karena satu layer jaringan saraf pada dasarnya adalah satu perkalian matriks ditambah satu vektor bias.
Kedalaman yang dituntut di sini sengaja dibatasi. Turunan hanya dipakai pada fungsi yang muncul di dalam model, yaitu polinomial, eksponensial, dan logaritma, sedangkan pembuktian formal tidak pernah dibutuhkan. Apabila ketiga gagasan itu masih asing, satu pekan belajar pada materi kalkulus dan aljabar linier tingkat dasar sudah cukup untuk melanjutkan.
Kosakata machine learning yang harus ada di tangan#
Beberapa istilah machine learning klasik dipakai tanpa penjelasan ulang pada modul-modul berikutnya, sehingga perlu dipastikan sejak sekarang. Tabel berikut memadatkannya bersama padanan perannya di dalam kode.
| Istilah | Makna singkat | Wujud dalam kode |
|---|---|---|
| Fitur | Besaran masukan yang menggambarkan contoh | Baris pada array masukan |
| Label | Jawaban yang ingin diprediksi | Kolom target pada data |
| Dataset pelatihan | Contoh yang dipakai menyesuaikan parameter | Tensor masukan dan target |
| Generalisasi | Kinerja pada data yang belum dilihat | Metrik pada data evaluasi |
| Hyperparameter | Pilihan yang disetel manusia, bukan dilatih | Learning rate, jumlah layer |
Tidak perlu menghafal tabelnya, karena istilah ini akan dipakai dalam konteks ratusan kali sepanjang jalur. Yang penting adalah kepastian bahwa tidak ada satu pun istilah yang terasa sepenuhnya asing, sebab setiap modul menumpuk materi di atas kosakata ini tanpa mengulanginya dari nol.
Pemeriksaan mandiri sebelum melanjutkan#
Pemeriksaan mandiri paling andal adalah menjalankan kode berikut dan memahami setiap barisnya, karena kodenya memuat kelima prasyarat sekaligus dalam sepuluh baris.
import numpy as np
def rata_dan_varians(x):
return x.mean(), x.var()
skor = np.array([70.0, 85.0, 90.0, 60.0, 75.0])
rata, var = rata_dan_varians(skor)
z = (skor - rata) / np.sqrt(var)
print("rata-rata:", round(rata, 1))
print("skor terstandarisasi:", np.round(z, 2))rata-rata: 76.0
skor terstandarisasi: [-0.56 0.84 1.31 -1.5 -0.09]Cuplikan tersebut memuat definisi fungsi, operasi array, rata-rata dan varians, serta standarisasi skor yang menjadi pola pembersihan data paling umum. Apabila setiap barisnya dapat dijelaskan, prasyarat Python dan statistika sudah memenuhi syarat, dan jalur ini dapat dimulai dari modul Fondasi Jaringan Saraf tanpa penundaan.
Ringkasan#
- Prasyarat jalur ini terdiri atas Python dan NumPy, turunan beserta aturan rantai, statistika deskriptif, dan kosakata dasar machine learning.
- Operasi array tanpa perulangan eksplisit adalah kebiasaan NumPy yang berlanjut ke tensor PyTorch.
- Perkalian matriks dan turunan adalah dua perangkat matematika yang paling sering dipakai, dan keduanya cukup dipelajari pada tingkat dasar.
- Pemeriksaan mandiri berbasis kode lebih andal daripada penilaian perasaan, sehingga cuplikan terakhir sebaiknya dijalankan sebelum melanjutkan.
Referensi#
- NumPy documentation — Dokumentasi resmi NumPy, terutama bagian absolute basics untuk operasi array.
- The Python Tutorial — Python Software Foundation — Rujukan resmi sintaks Python yang dipakai pada seluruh contoh jalur.
- Dive into Deep Learning — Bab pendahuluan buku ini memuat ulasan prasyarat matematika dengan orientasi yang sama.