Video dan artikel daring membangun intuisi dengan cepat, tetapi buku tetap unggul dalam satu hal: menyusun gagasan menjadi satu alur utuh dari halaman pertama sampai terakhir. Buku yang baik memutuskan urutan penyajian secara sengaja — teori diletakkan setelah alat matematikanya siap, dan topik lanjutan diletakkan setelah fondasinya kokoh. Chapter ini mengkurasi empat buku yang paling sering dirujuk praktisi deep learning, memetakan posisi masing-masing di jalur belajar Anda, dan mencatat hal-hal yang perlu diperhatikan sebelum membeli atau mengunduhnya.
Empat Buku Inti dalam Jalur Belajar #
Deep Learning karya Ian Goodfellow, Yoshua Bengio, dan Aaron Courville (2016) adalah buku teori klasik bidang ini, dan seluruh teksnya dapat dibaca gratis di deeplearningbook.org . Posisinya di jalur belajar: rujukan matematis setelah section Prasyarat Deep Learning selesai — bab awal buku ini justru membahas aljabar linear dan probabilitas yang sudah kita kuasai di sana. Kekuatannya adalah cakupan teori yang menyeluruh: teori generalisasi, regularisasi, hingga metode penelitian. Keterbatasannya juga jujur harus disebut: buku ini lahir sebelum era Transformer, jadi bab pemrosesan sekuens perlu dilengkapi sumber lain, dan seluruhnya tanpa kode PyTorch atau TensorFlow modern.
Dive into Deep Learning (dikenal sebagai d2l.ai) adalah buku interaktif yang dapat diakses gratis di d2l.ai . Setiap konsep disajikan dalam tiga lapisan: matematika, kode yang dapat dijalankan, dan diskusi eksperimen — pola yang sama dengan yang kita pakai sepanjang Course ini. Posisinya: pendamping paralel sejak section dasar neural network, karena urutan babnya hampir sejajar dengan urutan Course. Kekuatannya adalah ketiga versi kode (PyTorch, TensorFlow, JAX) disajikan berdampingan sehingga kita bisa membandingkan dua framework seperti yang dilakukan di section PyTorch dan TensorFlow. Buku ini juga dirawat berkala, sehingga contoh kodenya mengikuti API terbaru.
Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow karya Aurélien Géron (penerbit O’Reilly) menempati posisi jembatan: separuh pertama buku memperkuat fondasi machine learning klasik dengan scikit-learn, separuh kedua naik ke deep learning dengan Keras. Kekuatannya adalah proyek end-to-end yang realistis — mulai pengumpulan data, pipeline, hingga evaluasi — lengkap dengan checklist yang mencerminkan praktik industri. Bagian akhirnya juga menyentuh topik produksi yang sejalan dengan section Deployment dan Inference . Buku ini berbayar; edisi ketiga (2022) mengikuti TensorFlow 2.x, sementara edisi kedua (2019) masih memadai untuk konsep inti.
Deep Learning with Python karya François Chollet (penerbit Manning) ditulis oleh pencipta Keras sendiri. Kekuatannya khas: penjelasan intuitif yang menempatkan cara berpikir di atas formula, dengan contoh yang sengaja dibuat kecil agar dapat diikuti tanpa GPU. Posisinya: pendamping section TensorFlow — banyak gagasan di Course ini (recursive pattern, arsitektur sebagai penyusunan blok) memantulkan cara pandang buku tersebut.
| Buku | Level | Fokus | Akses |
|---|---|---|---|
| Deep Learning (2016) | Lanjut | Teori dan matematika | Gratis daring |
| Dive into Deep Learning | Menengah | Teori + kode + eksperimen | Gratis daring |
| Hands-On ML (Géron) | Pemula–menengah | ML klasik menuju DL, proyek nyata | Berbayar |
| Deep Learning with Python (Chollet) | Pemula–menengah | Intuisi DL praktis dengan Keras | Berbayar |
Catatan Edisi dan Usia Buku #
Deep learning bergerak lebih cepat daripada siklus penerbitan buku. Buku teori klasik tahun 2016 tidak memuat Transformer — arsitektur yang kini menopang section Attention dan Transformer sampai Large Language Model — sehingga strategi terbaiknya adalah membagi peran: buku untuk fondasi yang stabil, dan paper serta dokumentasi untuk gelombang baru. Sebelum membeli buku berbayar, periksa edisi terbaru dan tahun cetak ulangnya; penerbit lazim memperbarui kode contoh di antara cetakan.
Dengan buku sebagai fondasi membaca yang panjang, kita kini beralih ke format yang berlawanan: kursus terstruktur dengan video, tenggat, dan tugas pemrograman. Chapter berikutnya memetakan kursus terkenal yang melengkapi jalur belajar ini, lengkap dengan gaya mengajar dan prasyarat masing-masing.