Pemahaman menjadi kuat ketika dipakai membangun sesuatu yang nyata. Section ini berisi sembilan Project Chapter yang disusun berurutan sesuai tingkat kompleksitasnya, mulai dari klasifikasi digit tulisan tangan hingga men-deploy model ke REST API. Setiap proyek menyediakan struktur data, src, tests, dan laporan agar praktiknya menyerupai alur kerja sungguhan.
Bangun dan latih neural network yang mengenali digit 0-9 dari gambar tulisan tangan, lalu evaluasi kualitas prediksinya.
Lihat proyek → # Proyek: Klasifikasi Gambar HewanBangun model CNN untuk mengklasifikasikan gambar hewan, lalu tingkatkan hasilnya dengan transfer learning.
Lihat proyek → # Proyek: Klasifikasi Penyakit TanamanLatih model yang mengenali penyakit tanaman dari foto daun dan menganalisis kesalahan prediksinya secara sistematis.
Lihat proyek → # Proyek: Analisis Sentimen UlasanBangun pipeline NLP tiga kelas utuh dari data ulasan fiktif: preprocessing teks, model embedding dengan mean pooling, training, evaluasi, hingga prediksi teks baru.
Lihat proyek → # Proyek: Prediksi Deret WaktuBangun pipeline prediksi deret waktu utuh dengan LSTM: data sintetis tren-musiman, windowing, pembagian temporal tanpa acak, training dengan early stopping, dan evaluasi melawan baseline naive.
Lihat proyek → # Proyek: Transfer Learning dengan Model PretrainedManfaatkan model pretrained untuk dataset kecil, lalu bandingkan hasilnya dengan model yang dilatih dari nol.
Lihat proyek → # Proyek: Fine-Tuning Model BahasaFine-tune model bahasa Indonesia dengan LoRA pada dataset kecil, lalu evaluasi dan jalankan inference hasilnya.
Lihat proyek → # Proyek: Deteksi Objek pada GambarBangun sistem deteksi objek: siapkan label bounding box, pilih model, latih, lalu jalankan deteksi pada gambar baru.
Lihat proyek → # Proyek: Deployment Model Deep LearningBawa model hasil pelatihan ke REST API, uji endpoint-nya, lalu optimasi dan jalankan sebagai layanan inference.
Lihat proyek →