Machine learning terasa magis sampai dibedah menjadi langkah-langkah teknis yang dapat diikuti. Section ini memakai scikit-learn untuk membangun fondasi yang jujur: data preparation, training, evaluasi, dan kesadaran akan keterbatasan model.

# Dasar Machine Learning

Pahami cara machine learning belajar dari data, bedakan supervised, unsupervised, dan reinforcement learning.

Buka → # Menyiapkan Dataset

Siapkan X, y, dan train/test split dengan benar sebelum melatih model machine learning pertama Anda.

Buka → # Feature Engineering

Ubah fitur mentah menjadi input yang layak: scaling, one-hot encoding, fitur turunan, dan seleksi fitur.

Buka → # Supervised Learning

Latih model k-NN, decision tree, logistic regression, dan random forest untuk classification dan regression.

Buka → # Unsupervised Learning

Temukan pola tersembunyi tanpa label: k-means, evaluasi silhouette, dan reduksi dimensi dengan PCA.

Buka → # Training dan Evaluation

Ukur performa model dengan jujur: confusion matrix, precision, recall, cross-validation, dan GridSearchCV.

Buka → # Model Pipelines

Rangkai preprocessing dan model dalam satu Pipeline untuk mencegah data leakage dan menyederhanakan kode.

Buka → # Model Serialization

Simpan dan muat model dengan pickle dan joblib, plus pola metadata sidecar untuk menghindari kejutan versi.

Buka → # Pengenalan Deployment Model

Bawa model ke produksi lewat endpoint prediksi FastAPI, pahami latency, throughput, dan monitoring drift.

Buka →