Machine Learning

Definisi machine learning, perbedaannya dengan pemrograman tradisional, dan kapan pendekatan ini tepat dipakai.

Pahami posisi machine learning di dalam artificial intelligence dan pekerjaan data science.

Telusuri perjalanan machine learning dari perceptron hingga era model modern berbasis data besar.

Bedakan supervised learning, unsupervised learning, dan reinforcement learning beserta contoh masalahnya.

Jelajahi penerapan machine learning pada sistem rekomendasi, deteksi penipuan, hingga diagnosis medis.

Ikuti tahapan proyek machine learning dari perumusan masalah hingga monitoring model di produksi.

Kenali pustaka Python utama untuk machine learning beserta peran masing-masing dalam alur kerja.

Apa itu CSS, cara kerjanya, hubungannya dengan HTML, dan halaman pertama Anda.

Siapkan editor, browser, dan struktur folder untuk bekerja dengan CSS secara nyaman.

Selector, property, value, declaration, dan aturan penulisan CSS yang benar.

Semua jenis selector CSS: element, class, id, attribute, hingga combinator.

Bagaimana browser memilih aturan mana yang menang ketika ada benturan gaya.

Satuan pengukuran CSS dan strategi menentukan ukuran elemen secara responsif.

Content, padding, border, margin, dan cara browser menghitung ukuran kotak elemen.

Format warna, gradien, background image, border, outline, dan kontras.

Font, ukuran, spasi, dan teknik tipografi agar teks nyaman dibaca.

Bagaimana browser menyusun elemen secara default dan opsi display yang tersedia.

position: static hingga sticky, inset, z-index, dan stacking context.

Layout satu dimensi: flex container, alignment, flex-grow/shrink, hingga pola navigasi dan card.

Layout dua dimensi: grid template, fr unit, areas, hingga layout dashboard.

Mobile-first, media query, breakpoint, dan teknik layout yang menyesuaikan semua layar.

Styling gambar: object-fit, aspect-ratio, caption, overlay, dan media responsif.

Styling berdasarkan state dan struktur DOM: hover, focus, nth-child, ::before, ::after.

Input, select, checkbox, button, focus state, validasi, dan layout form yang aksesibel.

Styling tabel data dan daftar: list-style, border-collapse, zebra striping, tabel responsif.

Animasi antarmuka: transition, transform, keyframes, dan prefers-reduced-motion.

CSS variables, design token, naming convention, reset, dan struktur stylesheet proyek.

CSS yang inklusif dan DevTools untuk menelusuri masalah style secara sistematis.

Kumpulan pola layout siap pakai: container, hero, sidebar, card grid, dashboard, footer.

Tujuh proyek nyata untuk merangkai seluruh materi CSS menjadi portofolio.

Rujukan resmi, panduan, dan tools untuk melanjutkan pembelajaran CSS.

Pahami vektor, matriks, dot product, dan norma yang menjadi bahasa dasar representasi data machine learning.

Pahami turunan, gradien, dan aturan rantai yang menjelaskan cara model menemukan parameter terbaiknya.

Gunakan ukuran pemusatan, sebaran, korelasi, dan distribusi untuk membaca karakteristik data.

Pahami kejadian, probabilitas bersyarat, dan distribusi peluang yang mendasari banyak model machine learning.

Kuasai ndarray, broadcasting, dan operasi vektor yang membuat komputasi machine learning menjadi efisien.

Kuasai DataFrame untuk memuat, menyaring, menggabungkan, dan meringkas data tabular.

Buat scatter plot, histogram, dan line plot untuk memahami data sebelum membangun model.

Instal Python versi yang sesuai dan pahami pertimbangan pemilihan versi untuk proyek machine learning.

Isolasi dependency tiap proyek dengan venv agar versi pustaka tidak saling bertabrakan.

Instal scikit-learn beserta NumPy, pandas, dan matplotlib yang menjadi fondasi alur kerja machine learning.

Pastikan seluruh pustaka terpasang dengan benar melalui serangkaian pemeriksaan singkat.

Gunakan notebook untuk eksplorasi data interaktif dan dokumentasi analisis yang dapat direproduksi.

Rancang struktur direktori data, kode, dan artefak model agar proyek mudah dipelihara.

Kuasai istilah fitur, label, sampel, model, parameter, dan hyperparameter yang dipakai sepanjang Course.

Pahami fungsi loss dan proses minimisasi yang mengubah data mentah menjadi parameter model.

Bedakan data berlabel dan tanpa label beserta konsekuensi pemilihan algoritmenya.

Bangun dan evaluasi model klasifikasi pertama menggunakan dataset iris dan KNeighborsClassifier.

Pahami kontrak estimator fit, predict, dan transform yang konsisten di seluruh scikit-learn.

Kenali gejala model yang terlalu menghafal atau terlalu sederhana beserta cara mendeteksinya.

Kendalikan sumber acak dalam eksperimen agar hasil dapat direproduksi dan dibandingkan.

Baca dan tulis data dalam format CSV, TSV, dan JSON dengan pandas secara andal.

Gunakan inspect, describe, dan value_counts untuk memetakan struktur data sebelum memodelkan.

Deteksi dan tangani data hilang dengan SimpleImputer, indikator kehilangan, dan penghapusan baris.

Deteksi pencilan dengan IQR dan z-score lalu putuskan strategi penanganannya secara sadar.

Terapkan StandardScaler, MinMaxScaler, dan RobustScaler pada skenario yang berbeda-beda.

Ubah kolom kategorikal menjadi angka dengan OrdinalEncoder dan OneHotEncoder.

Gunakan class_weight dan SMOTE dari imbalanced-learn saat kelas minoritas hanya sedikit.

Kenali kebocoran informasi dari data uji ke proses latih dan cara membangun pipeline yang aman.

Pahami regresi sebagai pendekatan fungsi kontinu terhadap data dan perannya memprediksi nilai numerik.

Hitung garis terbaik dengan least squares dan tafsirkan koefisienya pada satu fitur.

Perluas model ke banyak fitur dan pahami asumsi yang menyertainya.

Bandingkan MAE, MSE, RMSE, dan R2 untuk menilai kualitas prediksi regresi.

Bengkokkan garis prediksi dengan fitur pangkat melalui PolynomialFeatures.

Kendalikan overfitting dengan penalti L2, L1, dan kombinasi keduanya.

Baca koefisien dengan benar pada fitur berskala dan bereksponen agar simpulan tidak menyesatkan.

Pahami batas keputusan, probabilitas kelas, dan perbedaan klasifikasi biner serta multiclass.

Bangun pengklasifikasi berbasis fungsi sigmoid dan tafsirkan log-odds koefisienya.

Klasifikasikan berdasarkan tetangga terdekat dan pilih k yang seimbang antara bias dan varians.

Manfaatkan teorema Bayes dengan asumsi independensi fitur untuk klasifikasi cepat.

Pahami pemecahan rekursif berbasis impurity beserta kelebihan dan risikonya.

Temukan hyperplane pemisah optimal dan gunakan kernel untuk data tak terpisah linier.

Terapkan strategi one-vs-rest dan multinomial pada masalah dengan lebih dari dua kelas.

Pahami mengapa akurasi latih tidak cukup dan tujuan evaluasi yang sesungguhnya.

Sisihkan data uji yang tidak pernah disentuh selama pengembangan model.

Estimasi performa yang lebih stabil dengan KFold, StratifiedKFold, dan cross_validate.

Bedah prediksi benar dan salah ke dalam empat sel untuk kasus biner.

Ukur kualitas model pada kelas positif ketika biaya kesalahan asimetris.

Baca kurva ROC dan luas AUC untuk menilai model di seluruh ambang keputusan.

Hubungkan biaya bisnis nyata dengan pemilihan metrik evaluasi yang relevan.

Diagnosis kekurangan data atau kapasitas model lewat kurva pembelajaran.

Pahami kompromi fundamental yang menjelaskan perilaku semua model.

Pahami masalah tanpa label, karakteristik solusinya, dan tantangan menilai hasilnya.

Kelompokkan data berdasarkan pusat klaster dan pilih k dengan elbow serta silhouette.

Bangun hierarki klaster dengan agglomerative clustering dan dendrogram.

Temukan klaster berdasarkan kepadatan sekaligus mengenai label noise.

Ukur kualitas pemisahan klaster dan bandingkan hasil antar konfigurasi.

Proyeksikan data ke komponen utama untuk kompresi, visualisasi, dan penanganan multikolinearitas.

Visualisasikan data berdimensi tinggi dalam dua dimensi dan pahami batas tafsirannya.

Pahami mengapa kualitas fitur sering menentukan hasil lebih besar daripada pilihan algoritme.

Konstruksi fitur pangkat, interaksi, rasio, dan fitur turunan waktu dari kolom yang ada.

Saring fitur dengan ambang varians, korelasi, mutual information, dan chi-squared.

Pilih fitur secara rekursif dengan validasi silang dan model pembobotan.

Manfaatkan penalti L1 dan feature importance dari tree untuk seleksi yang menyatu dengan pelatihan.

Pahami mengapa gabungan model lemah dapat mengalahkan model tunggal yang kompleks.

Kurangi varians dengan bootstrap aggregating dan pemilihan fitur acak.

Bangun model bertahap yang memperbaiki galat residual dari model sebelumnya.

Gunakan implementasi gradient boosting yang efisien dan sering menjuarai kompetisi data.

Percepat pelatihan pada data besar dengan histogram dan pertumbuhan daun-wise.

Tangani fitur kategorikal secara native dengan ordered boosting.

Kombinasikan model beragam lewat pemungutan suara dan meta-learner.

Bedakan nilai yang dipelajari dari data dengan keputusan desain yang kita tentukan.

Jelajahi seluruh kombinasi hyperparameter secara sistematis dengan GridSearchCV.

Temukan kombinasi baik lebih cepat lewat pengambilan sampel acak ruang pencarian.

Alokasikan anggaran komputasi bertahap dengan successive halving.

Baca efek satu hyperparameter terhadap skor latih dan validasi.

Kenali optimasi Bayesian dan praktik pencarian yang efisien di dunia nyata.

Modelkan ketidakpastian dengan distribusi peluang alih-alih prediksi tunggal.

Perbarui keyakinan seiring bukti baru datang dengan aturan Bayes.

Turunkan parameter model dengan memaksimalkan peluang observasi data.

Modelkan data sebagai campuran beberapa distribusi normal dengan algoritme EM.

Pastikan probabilitas keluaran model sesuai frekuensi kejadian nyata.

Pahami anomali, kontekstual vs kolektif, dan pola masalah deteksinya.

Tandai pencilan univariat dengan ambang statistik yang dapat dijelaskan.

Deteksi anomali berbasis pemisahan acak yang cepat pada data berdimensi banyak.

Deteksi anomali lokal dengan membandingkan kepadatan tetangga.

Bangun batas wilayah data normal dengan support vector machine satu kelas.

Nilai detektor anomali dengan data berlabel, presisi pada k teratas, dan ambang kontaminasi.

Pahami keterurutan, autokorelasi, dan perbedaan analisisnya dari data tabular biasa.

Pisahkan tren, musiman, dan residual dengan statsmodels.

Uji kestabilan statistik deret dan terapkan differencing bila perlu.

Rakit model ARIMA dengan parameter p, d, dan q yang tepat.

Ubah deret waktu menjadi masalah supervised dengan fitur jendela waktu.

Evaluasi forecasting dengan pembagian data yang menghormati urutan waktu.

Bedakan transparansi intrinsik dan penjelasan pasca-hoc beserta risikonya.

Ukur kontribusi fitur dengan mengacaukan nilainya dan mengamati penurunan skor.

Visualisasikan efek rata-rata dan per-sampel dari satu fitur terhadap prediksi.

Alokasikan kontribusi tiap fitur secara adil dengan nilai Shapley.

Jelaskan model kompleks dengan model sederhana dan kenali batas penjelasannya.

Pahami mengapa asosiasi kuat belum berarti hubungan sebab-akibat.

Rumuskan pertanyaan kausal dengan potensi hasil dan efek treatment.

Rancang eksperimen terkontrol dan uji signifikansi perbedaan dua kelompok.

Pengaruhi efek treatment pada data observasional dengan pencocokan skor kecenderungan.

Gabungkan machine learning dengan estimasi efek kausal yang tahan confounding.

Pahami agent, environment, reward, dan perbedaannya dari supervised learning.

Formalkan masalah keputusan berurutan dengan state, action, dan transisi.

Implementasikan algoritme tabular Q-learning dari nol dengan NumPy.

Seimbangkan pencobaan baru dengan pemanfaatan pengetahuan terbaik saat ini.

Latih agent menyelesaikan peta gridworld dengan rintangan dan tujuan.

Kenali DQN dan keluarganya sebagai jalan lanjutan setelah Q-learning tabular.

Pahami motivasi representasi bertingkat dan kapan deep learning layak dipilih.

Bangun jaringan saraf maju dari nol dengan operasi matriks NumPy.

Kenal sigmoid, tanh, ReLU, dan softmax beserta konsekuensi gradiennya.

Hitung galat prediksi dan rambatkan gradien ke seluruh parameter jaringan.

Optimalkan parameter dengan batch, mini-batch, dan stochastic gradient descent.

Kendalikan overfitting jaringan dengan penalti bobot dan dropout.

Nilai kelayakan deep learning dari ukuran data, komputasi, dan kebutuhan interpretasi.

Rangkai langkah preprocessing dan model menjadi satu objek yang aman dari leakage.

Terapkan transformasi berbeda pada kolom numerik dan kategorikal dalam satu struktur.

Buat transformer sendiri yang kompatibel dengan Pipeline dan GridSearchCV.

Simpan model dan pipeline dengan joblib lalu muat kembali untuk inferensi.

Lacak konfigurasi, data, dan skor tiap eksperimen secara sistematis.

Amankan komponen data dan model dengan pytest sebelum masuk produksi.

Pilih pola penyajian model yang sesuai kebutuhan latensi dan volume prediksi.

Bangun API prediksi yang andal dengan validasi input via Pydantic.

Proses prediksi ribuan baris secara terjadwal dengan pola batch.

Pantau pergeseran distribusi data dengan PSI dan uji KS.

Rancang siklus pembaruan model yang terkontrol dan dapat diaudit.

Kenali data poisoning, model stealing, dan evasion pada sistem machine learning.

Pahami gangguan input kecil yang mengubah prediksi model secara besar.

Lindungi informasi pribadi dengan anonimisasi dan kesadaran membership inference.

Ukur disparitas lintas kelompok dan mitigasi bias dalam proses serta keluaran model.

Terapkan checklist tata kelola, dokumentasi, dan reviu manusia pada sistem berisiko.

Bangun model regresi harga rumah end-to-end: eksplorasi data, pipeline preprocessing, optimasi model, hingga laporan.

Prediksi pelanggan yang berpotensi berhenti berlangganan dengan penanganan data imbalance yang benar.

Segmentasi pelanggan retail tanpa label menggunakan clustering dan penyusunan profil tiap segmen.

Ramalkan penjualan harian dengan dekomposisi, ARIMA, dan model fitur lag yang divalidasi walk-forward.

Deteksi transaksi tidak wajar dengan statistik univariat dan Isolation Forest beserta pemilihan ambang.

Capstone Course: bangun sistem prediksi lengkap dari pipeline, evaluasi, penyimpanan model, API serving, hingga monitoring.

Rujukan utama yang selalu diperbarui untuk scikit-learn dan ekosistem machine learning Python.

Buku klasik dan kursus daring berkualitas untuk pendalaman sistematis.

Sumber dataset publik yang aman untuk berlatih dari pemula hingga lanjutan.

Tempat bertanya, mengikuti perkembangan bidang, dan mulai berkontribusi.

Arah pengembangan berikutnya setelah menyelesaikan Course ini.