Deep learning berdiri di atas tiga pilar matematika: aljabar linear untuk representasi data, kalkulus untuk proses pembelajaran, serta probabilitas dan statistika untuk interpretasi hasil. Section ini membahas setiap pilar secara praktis dengan contoh numerik yang dapat dijalankan, bukan teori formal yang berhenti di rumus.

# Aljabar Linear untuk Deep Learning

Pahami vektor, matriks, dot product, dan norma sebagai bahasa dasar yang dipakai neural network untuk menyimpan dan mengolah data.

Buka → # Kalkulus untuk Deep Learning

Pahami turunan, gradien, dan aturan rantai sebagai dasar bagaimana neural network memperbaiki bobotnya melalui gradient descent.

Buka → # Probabilitas dan Statistika

Pahami distribusi probabilitas, softmax, ekspektasi, dan maximum likelihood sebagai bahasa untuk menafsirkan keluaran model deep learning.

Buka → # Dasar Machine Learning

Pahami siklus machine learning, perbedaan supervised dan unsupervised, train/test split, serta overfitting melalui contoh klasifikasi digit yang diuji nyata.

Buka → # Representasi Data Numerik

Kuasai normalisasi fitur, one-hot encoding, dan pemilihan dtype agar data siap diolah model deep learning tanpa jebakan skala dan presisi.

Buka → # Operasi Tensor

Pahami rank, shape, dan empat keluarga operasi tensor — elementwise, reduksi, reshape, transpose — yang menjadi kosa kata harian deep learning.

Buka →