Dokumentasi Resmi dan Referensi

Capstone telah ditutup; kini tugas section penutup course ini adalah menyarangkan Anda pada sumber belajar yang bisa dipercaya. Prinsipnya satu: dokumentasi resmi adalah sumber kebenaran pertama. Blog dan tutorial mempercepat awal, tetapi perilaku parameter, nilai bawaan, dan perubahan antar versi hanya didokumentasikan resmi oleh pustaka yang bersangkutan. Sepanjang course ini setiap klaim teknis kita sandarkan ke dokumentasi resmi — kebiasaan yang perlu Anda bawa terus. Chapter ini memetakan dokumen resmi mana yang wajib ada di bookmark, bagaimana membacanya secara efektif, dan mengapa nomor versi adalah bagian dari kontrak belajar Anda.

Peta Dokumentasi Ekosistem #

Ekosistem machine learning Python yang kita pakai sepanjang course ini punya dokumentasi resmi yang kualitasnya terpelihara dengan baik. Tabel berikut merangkum alamat-alamat utamanya dan kapan masing-masing layak dibuka.

Dokumentasi scikit-learn layak mendapat perhatian khusus karena strukturnya menjadi pola bagi pustaka lain. User Guide menjelaskan konsep per topik — dari preprocessing hingga model evaluation — lengkap dengan contoh dan peringatan jebakan. Halaman API (Reference) mendokumentasikan setiap kelas: parameter, atribut berakhiran _ yang lahir setelah fit(), dan tabel metode. Ketika sebuah estimator berperilaku tak terduga, urutan baca yang benar adalah: halaman API estimator → User Guide topiknya → example gallery untuk contoh runnable.

Membaca Dokumentasi Secara Efektif #

Tiga kebiasaan membaca yang membedakan pembaca dokumentasi produktif dari yang sekadar lewat. Pertama, baca bagian Notes dan Examples di halaman API, bukan hanya tabel parameter — di sanalah jebakan (misalnya urutan argumen yang berubah antar versi, atau perilaku default yang mengejutkan) biasanya diungkap. Kedua, cocokkan versi: dokumentasi scikit-learn versi stable bisa berbeda dari versi terpasang di lingkungan Anda; pemilih versi ada di pojok kanan atas setiap situs dokumentasi besar. Ketiga, mulai dari contoh: galeri contoh scikit-learn dan tutorial FastAPI adalah titik masuk tercepat karena menyediakan kode lengkap yang bisa dijalankan lalu dimodifikasi.

Dokumentasi juga hidup di dalam interpreter itu sendiri — docstring setiap kelas dan fungsi bisa dibaca tanpa membuka peramban, dan untuk kelas scikit-learn isinya identik dengan halaman API-nya. Contoh berikut memeriksa versi seluruh ekosistem terpasang sekaligus menunjukkan akses docstring dari dalam Python.

# Cek versi pustaka ekosistem machine learning yang terpasang dan tunjukkan
# cara mengakses dokumentasi dari dalam interpreter. Versi adalah bagian
# dari kontrak reproducibility: dokumentasi yang kita baca harus cocok
# dengan versi yang kita jalankan.

import platform

import joblib
import lightgbm
import matplotlib
import numpy
import pandas
import scipy
import sklearn
import statsmodels

pustaka = [
    ("scikit-learn", sklearn),
    ("numpy", numpy),
    ("pandas", pandas),
    ("scipy", scipy),
    ("matplotlib", matplotlib),
    ("statsmodels", statsmodels),
    ("joblib", joblib),
    ("lightgbm", lightgbm),
]

print("== Versi pustaka terpasang ==")
for nama, modul in pustaka:
    print(f"{nama:13s}: {modul.__version__}")
print(f"{'python':13s}: {platform.python_version()}")

print("\n== Dokumentasi dari dalam interpreter ==")
print("bantuan StandardScaler (potongan awal):")
teks = sklearn.preprocessing.StandardScaler.__doc__.strip().split("\n")
for baris in teks[:4]:
    print(f"  {baris}")

print("\nbantuan train_test_split (potongan awal):")
teks = sklearn.model_selection.train_test_split.__doc__.strip().split("\n")
for baris in teks[:3]:
    print(f"  {baris}")

Output yang Dihasilkan:

== Versi pustaka terpasang ==
scikit-learn : 1.5.2
numpy        : 2.1.3
pandas       : 2.2.3
scipy        : 1.14.1
matplotlib   : 3.9.2
statsmodels  : 0.14.5
joblib       : 1.5.3
lightgbm     : 4.5.0
python       : 3.12.15

== Dokumentasi dari dalam interpreter ==
bantuan StandardScaler (potongan awal):
  Standardize features by removing the mean and scaling to unit variance.

      The standard score of a sample `x` is calculated as:


bantuan train_test_split (potongan awal):
  Split arrays or matrices into random train and test subsets.

      Quick utility that wraps input validation,

Mari kita bedah singkat:

1. Baris 17–26 (daftar pustaka): daftar modul yang kita perlukan sepanjang course ini — versi masing-masing dicetak dari atribut __version__.
2. Baris 28–31 (versi terpasang): scikit-learn 1.5.2, numpy 2.1.3, pandas 2.2.3 — angka-angka ini yang harus dicocokkan dengan pemilih versi di situs dokumentasi. Membaca dokumentasi 1.6 saat menjalankan 1.5 berisiko mengarungi parameter yang belum ada.
3. Baris 33–42 (docstring): __doc__ berisi teks yang sama dengan halaman API — awal kalimat menjelaskan apa yang dilakukan estimator, diikuti rumus yang dipakai. Fungsi help() di REPL menampilkan format yang sama dengan navigasi bagian.

Kontrak Versi dalam Praktik #

Aturan praktis yang perlu Anda bawa keluar dari course ini sederhana. Kunci versi pustaka pada setiap proyek (file requirements.txt atau pyproject.toml yang di-pin persis — materi Section Virtual Environment), catat versi pada manifes artefak model (materi Section Pipeline dan Produktivitas), dan saat membaca dokumentasi pastikan pemilih versi menunjuk versi yang sama dengan yang terpasang. Ketiga kebiasaan ini menjaga eksperimen Anda tetap bisa direproduksi — dan reproduksibilitas, seperti yang kita buktikan berulang kali sepanjang course, adalah fondasi kepercayaan pada hasil machine learning.

Rujukan daring perlu disandingkan dengan bahan yang lebih sistematis: buku dan kursus yang menyusun materi secara bertingkat. Chapter berikutnya memetakan buku klasik dan kursus daring mana yang layak menyita waktu Anda setelah dokumentasi resmi — pada Buku dan Materi Kursus.

Referensi Resmi #

• scikit-learn User Guide — pintu masuk resmi seluruh topik, jadi pola dokumentasi bagi pustaka lain.
• scikit-learn API Reference — halaman per estimator lengkap dengan parameter dan contoh.
• pandas User Guide — manipulasi data tabular sebelum masuk model.
• NumPy documentation — fondasi array dan operasi numerik seluruh ekosistem.