Course ini merangkum konsep inti agar dapat dipelajari secara berurutan, tetapi sumber kebenaran tertinggi untuk setiap pustaka tetap dokumentasi resminya. Dokumentasi diperbarui mengikuti setiap rilis, ditinjau langsung oleh pengembang pustaka, dan memuat detail API yang tidak mungkin diwadahi satu chapter. Membiasakan diri membuka dokumentasi — bukan hanya tutorial pihak ketiga — adalah kebiasaan yang membedakan praktisi yang mandiri. Chapter ini memetakan dokumentasi resmi untuk seluruh topik Course, menandai kegunaan dan level masing-masing, lalu menutup dengan pola membaca yang efektif.
Peta Dokumentasi per Topik #
Tabel berikut menghimpun dokumentasi resmi yang paling sering kita perlukan sepanjang Course. Kolom Level menunjukkan tingkat kenyamanan yang dibutuhkan saat pertama kali membuka halaman tersebut; semua dokumen pada akhirnya akan terasa ramah begitu kebiasaan terbentuk.
| Topik | Dokumentasi | Kegunaan utama | Level |
|---|---|---|---|
| PyTorch (API) | docs.pytorch.org | Referensi torch.nn, optimizer, DataLoader | Menengah |
| PyTorch (tutorial) | pytorch.org/tutorials | Panduan bertahap resmi untuk tiap topik | Pemula–menengah |
| TensorFlow + Keras | tensorflow.org/guide/keras | Guide API Keras 3 dan ekosistem TensorFlow | Pemula–menengah |
| Keras | keras.io | Guide dan referensi API Keras | Pemula–menengah |
| NumPy | numpy.org/doc/stable | Referensi array dan fungsi matematis | Pemula |
| pandas | pandas.pydata.org/docs | Manipulasi tabel dan pembersihan data | Pemula |
| matplotlib | matplotlib.org/stable | Grafik, subplot, dan kustomisasi visual | Pemula |
| scikit-learn | scikit-learn.org/stable | Metrik, pembagian data, dan model klasik | Pemula–menengah |
| Hugging Face | huggingface.co/docs | Transformers, tokenizers, dan penggunaan Hub | Menengah |
| ONNX Runtime | onnxruntime.ai/docs | Eksekusi model hasil ekspor ONNX | Menengah |
| FastAPI | fastapi.tiangolo.com | REST API untuk menyajikan model | Pemula–menengah |
| Jupyter | jupyter.org/documentation | Notebook dan antarmuka JupyterLab | Pemula |
Pemetaannya mengikuti alur Course. Dokumentasi NumPy, pandas, dan matplotlib menemani section Dasar Python untuk Deep Learning ; scikit-learn mulai dipakai pada chapter Dasar Machine Learning dan terus muncul saat mengevaluasi model; dokumentasi PyTorch serta TensorFlow menjadi rujukan utama untuk dua section framework; Hugging Face mendampingi kita dari NLP hingga model multimodal; ONNX Runtime dan FastAPI dipakai di section Deployment dan Inference ; sedangkan Jupyter kita kenal sejak chapter Pengenalan Jupyter Notebook .
Urutan Membaca yang Praktis #
Dokumentasi besar terasa padat saat pertama dibuka, tetapi hampir semuanya mengikuti struktur tiga lapis yang sama. Membaca berurutan dari lapis paling atas membuat penjelajahan menjadi sistematis:
- Quickstart atau halaman depan — contoh singkat yang menunjukkan gambaran umum dalam sepuluh menit; cocok untuk memastikan pustaka terpasang benar sebagaimana dibahas di section Persiapan Lingkungan .
- User guide — bab konseptual yang menjelaskan mengapa API dirancang demikian; tempat terbaik untuk memahami
nn.Module,tf.data, atau tokenizer sebelum menulis kode serius. - API reference — kamus teknis per modul; dicari saat kita butuh satu fungsi spesifik, bukan dibaca dari depan ke belakang.
Satu kebiasaan kecil yang berdampak besar: halaman referensi API di PyTorch, Keras, dan Hugging Face hampir selalu menyertakan contoh mini di bagian bawah. Contoh tersebut biasanya dapat langsung ditempel ke notebook dan dimodifikasi — cara tercepat menguji pemahaman tanpa menulis kode dari nol. Ketika pesan galat menyebut fungsi yang tidak dikenal, buka halaman API-nya dan periksa ulang nama serta argumen; lebih dari separuh galat sehari-hari selesai di tahap ini.
Menjaga Kesesuaian Versi #
Dokumentasi besar menyediakan pemilih versi, umumnya berupa tautan stable versus latest. Versi stable mengikuti rilis yang telah diuji menyeluruh, sedangkan latest mengikuti pengembangan terbaru yang bisa berubah tanpa pengumuman. Course ini ditulis dan diuji dengan Python 3.12, PyTorch 2.14, TensorFlow 2.21 dengan Keras 3, NumPy 2.1, pandas 2.2, matplotlib 3.9, dan scikit-learn 1.5 — angka yang bisa Anda bandingkan dengan keluaran pip freeze sebagaimana dipraktikkan pada chapter Manajemen Dependensi
.
Peta ini akan menemani Anda jauh melampaui usia Course ini. Dokumentasi menjawab pertanyaan “bagaimana API ini bekerja”, tetapi untuk memahami mengapa bidang ini bergerak ke arah tertentu, kita membutuhkan bacaan yang menyusun gagasan secara utuh. Chapter berikutnya mengkurasi empat buku yang mengisi peran itu, dari rujukan teori klasik hingga buku praktik dengan kode yang dapat dijalankan.