Chapter sebelumnya menempatkan dokumentasi resmi sebagai rujukan kebenaran harian. Dokumentasi, namun, dirancang untuk dicari saat dibutuhkan — bukan untuk dibaca dari sampul ke sampul. Untuk membangun pemahaman yang tersusun bertingkat, Anda memerlukan bahan yang dirancang sebagai kurikulum: buku dan kursus yang menyusun konsep dalam urutan yang sudah teruji. Chapter ini memetakan pilihan terkurasi — buku klasik yang bertahan lintas dekade, buku praktik yang menempel pada kode, dan kursus daring yang bisa diikuti gratis — beserta posisi masing-masing dalam perjalanan belajar Anda setelah course ini.
Tiga Jalur Buku #
Buku machine learning yang layak menyita waktu terbagi menurut tujuan bacaannya, dan memilih sesuai tujuan menghemat berbulan-bulan waktu.
| Buku | Penekanan | Cocok dibaca setelah |
|---|---|---|
| An Introduction to Statistical Learning (ISL/ISLP) | Intuisi statistika + kode Python | Langsung setelah course ini |
| Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow | Praktik end-to-end | Setelah ISL, untuk kedalaman kerja |
| The Elements of Statistical Learning (ESL) | Dasar matematis penuh | Saat butuh teori yang kaku |
| Designing Machine Learning Systems | Arsitektur sistem produksi | Setelah pengalaman proyek nyata |
An Introduction to Statistical Learning — kini dengan edisi Python (ISLP) yang tersedia gratis daring di situs resminya — adalah kelanjutan paling alami dari course ini. Kisah konsepnya paralel dengan yang kita pelajari: regresi, klasifikasi, resampling, regularisasi, pohon, dan support vector machine, tetapi diceritakan dari sisi statistika dengan aljabar yang tetap ramah. Hands-On Machine Learning karya Aurélien Géron memilih jalur sebaliknya: proyek nyata sejak bab awal, pipeline end-to-end, lalu bagian deep learning yang kita sengaja tinggalkan sebagai konseptual di course ini. The Elements of Statistical Learning adalah kakak matematis ISL — buka saat Anda membutuhkan dasar matematis yang lebih dalam. Sementara Designing Machine Learning Systems karya Chip Huyen mengisi celah yang jarang diajarkan: bagaimana menyusun sistem ML yang bisa dioperasikan — tema yang di course ini kita cicipi lewat Section Deployment dan Operasional.
Kursus Daring yang Teruji #
Kursus daring menempati posisi antara dokumentasi dan buku: tersusun bertingkat seperti buku, tetapi dengan tenggat, kuis, dan kadang komunitas diskusi. Tiga nama berikut telah bertahun-tahun menjadi rujutan.
Pertama, Machine Learning Specialization dari Andrew Ng di Coursera — pembaruan dari kursus legendaris yang mendidik satu generasi praktisi; pilihan paling lembut untuk mengulang fondasi dengan sudut pandang berbeda dari course ini. Kedua, fast.ai — filosofinya “kode dulu, teori kemudian” — cocok saat Anda siap melompat ke deep learning praktis; seluruh materinya gratis daring. Ketiga, kuliah umum terbuka seperti MIT OpenCourseWare untuk fondasi matematika dan Stanford CS229 untuk statistika machine learning level pascasarjana — keduanya menyediakan rekaman dan bahan tertulis gratis bagi siapa pun yang ingin mengejar kedalaman akademis.
Cara Membaca Buku Teknis #
Buku teknis bukan novel; cara membacanya menentukan hasilnya. Tiga kebiasaan yang terbukti efektif: kerja ulang contoh dengan tangan sendiri — buka notebook atau editor saat membaca, ketik ulang, ubah parameternya, amati akibatnya; baca dengan masalah nyata di kepala — bab regularisasi terasa berbeda saat Anda sedang berhadapan dengan model yang overfit di proyek sendiri; dan lompat sesuai kebutuhan — buku referensi dirancang untuk dibaca non-linier, gunakan daftar isinya sebagai peta, bukan antrian.
Yang juga patut diingat: bidang ini bergerak cepat pada tepiannya (pustaka, teknik tuning, perkakas MLOps) tetapi lambat pada intinya (statistika, optimasi, generalisasi). Buku-buku pada tabel di atas semuanya berumur panjang justru karena menulis inti, bukan tepian. Alokasikan waktu membaca dengan proporsi yang sama: mayoritas untuk inti yang awet, minoritas untuk perkakas yang berganti.
Buku dan kursus menyediakan bahan bakar berpikir; keterampilan machine learning, namun, hanya tumbuh pada data sungguhan. Chapter berikutnya memetakan tempat menemukannya — pada Dataset untuk Latihan.
Referensi Resmi #
- An Introduction to Statistical Learning (ISLP) — situs resmi buku dengan edisi Python yang tersedia gratis.
- fast.ai — Practical Deep Learning — kursus deep learning praktis gratis.
- MIT OpenCourseWare — kuliah terbuka untuk fondasi matematika dan statistika.
- Stanford CS229: Machine Learning — bahan kuliah pascasarjana tersedia terbuka.