Jaringan Saraf Tiruan Dasar dengan Python
Neuron, backpropagation, Adam, dropout, konvolusi, dan RNN dihitung sendiri dengan numpy, lalu MLP scikit-learn — di browser.
Pelajaran pertama bisa dicoba tanpa akun. Selanjutnya pakai akun gratis agar progres, draft kode, dan sertifikatmu tersimpan.
Dua puluh dua pelajaran membongkar cara kerja jaringan saraf tiruan tanpa kotak hitam: neuron dengan bobot dan bias, fungsi aktivasi step, sigmoid, ReLU, dan softmax, forward pass jaringan kecil dengan numpy, fungsi loss MSE dan cross-entropy, gradient descent dan learning rate, backpropagation satu lapis tersembunyi yang dihitung dengan tangan dan dibuktikan dengan kode, serta satu langkah momentum dan Adam. Setelah itu MLPClassifier dan MLPRegressor scikit-learn: skala fitur, inisialisasi Xavier dan He, overfitting, regularisasi alpha, early stopping, dropout, batch normalization, dan evaluasi. Modul terakhir menulis konvolusi 2D, padding, stride, dan pooling dengan numpy, menghitung ukuran dan parameter lapisan CNN, kemiripan embedding, dan RNN sederhana langkah demi langkah beserta masalah gradien yang lenyap. Semua kode dijalankan di Python sungguhan (Pyodide) dan diperiksa dengan test assert.
5,0 ★ (Belum ada ulasan) · 22 pelajaran · 5 modul · ±312 menit
Bawa pulang keterampilannya
Yang akan kamu bisa setelah kelas ini
- Menghitung keluaran sebuah neuron dari masukan, bobot, dan bias, lalu menerapkan fungsi aktivasi step, sigmoid, ReLU, dan softmax dengan numpy.
- Menjalankan forward pass jaringan kecil dengan perkalian matriks, menghitung jumlah parameternya, dan menilai keluarannya dengan MSE dan cross-entropy.
- Melatih jaringan dengan gradient descent: memilih learning rate, menurunkan gradien dengan aturan rantai, menulis backpropagation satu lapis tersembunyi, dan menghitung satu langkah pembaruan momentum dan Adam.
- Melatih MLPClassifier dan MLPRegressor dengan fitur yang diskalakan, memilih inisialisasi Xavier atau He, serta mengendalikan overfitting dengan alpha, early stopping, dropout, dan batch normalization yang dihitung sendiri.
- Menulis konvolusi 2D dengan padding dan stride, pooling, dan satu langkah waktu RNN dengan numpy, menghitung ukuran keluaran dan parameter lapisan CNN, RNN, dan embedding, serta menjelaskan gradien yang lenyap.
Untuk siapa
Orang yang sudah bisa melatih model scikit-learn dan ingin tahu apa yang terjadi di dalam jaringan saraf: dari satu neuron sampai MLP, tanpa memasang TensorFlow atau PyTorch.
Prasyarat
Machine Learning Dasar dengan Python (fit, predict, pembagian latih-uji), Aljabar Linier (perkalian matriks) atau pemahaman setara
Alat yang perlu disiapkan
- Browser modern di komputer. Python, numpy, dan scikit-learn dimuat sekali (sekitar 35 MB) lalu tersimpan di cache.
Tempat berlatih
Coba, periksa, lalu lanjutkan.
71 latihan di 22 pelajaran. Jawaban diperiksa langsung di halaman materi; petunjuk dibuka bertahap.
Jalur belajar kelas ini
Kurikulum
5 modul · 22 pelajaran · ±312 menit
03Belajar: gradient descent, backpropagation, dan optimizer5 pelajaran
04MLP scikit-learn, inisialisasi, dan regularisasi5 pelajaran
05CNN, RNN, dan embedding dengan numpy4 pelajaran
Urutan pelajaran tidak dikunci.
Sertifikat kelas
Selesaikan kelasnya, sertifikat ini atas namamu.
- Nama lengkapmu dan judul kelas tercetak di sertifikat.
- Kode dan QR yang bisa dicek siapa saja di kelasgratis.com/verifikasi.
- Sekali klik ke profil LinkedIn, atau unduh PNG dan PDF.
Bukti penyelesaian materi, bukan akreditasi atau sertifikasi kompetensi.
Pertanyaan yang sering muncul
Kenapa kelas ini tidak memakai TensorFlow, Keras, atau PyTorch?
Ketiganya tidak berjalan di Python peramban (Pyodide). Kelas ini memakai numpy untuk menghitung neuron, loss, dan backpropagation sendiri, lalu MLPClassifier dan MLPRegressor dari scikit-learn untuk jaringan yang dilatih pustaka. Mekanismenya sama, sehingga pindah ke pustaka deep learning mana pun tinggal mempelajari nama fungsinya.
Apakah perlu kartu grafis (GPU)?
Tidak. Semua jaringan di kelas ini kecil, dari satu neuron sampai MLP dengan 32 neuron tersembunyi untuk gambar angka 8×8 piksel, dan dilatih dalam hitungan detik di prosesor biasa.
Apakah CNN dan RNN dilatih di kelas ini?
Tidak. Keduanya dijalankan maju (forward pass) dengan numpy dan dihitung pasti: konvolusi 2D dengan padding dan stride, max pooling dan average pooling, ukuran keluaran dan jumlah parameter lapisan konvolusi, status tersembunyi RNN langkah demi langkah, serta kemiripan kosinus antarvektor embedding. Yang dilatih sungguhan adalah jaringan buatan sendiri untuk XOR dan MLP scikit-learn.
Apakah Adam, dropout, dan batch normalization hanya dijelaskan sebagai teori?
Tidak. Satu langkah pembaruan momentum dan Adam, masker dropout dengan seed tetap, dan batch normalization per fitur ditulis sendiri dengan numpy dan diperiksa dengan test. Inisialisasi He juga dibuat dengan generator acak numpy, lalu simpangan bakunya dicocokkan dengan rumusnya.
Dari pengalaman belajar
Ulasan peserta
Apa yang membantu, dan apa yang masih bisa diperbaiki?
Ulasan berasal dari akun yang telah menyelesaikan setidaknya satu pelajaran. Bintang 1–3 ditinjau admin sebelum terbit; bintang 4–5 langsung terbit. Sebelum ada ulasan terbit, kelas menggunakan nilai awal admin 5,0. Setelahnya, rating mengikuti rata-rata ulasan yang sudah terbit.
Pengalamanmu bisa membantu peserta berikutnya.
Belum ada ulasan yang terbit untuk kelas ini.
Bagikan pengalaman belajarmu
Masuk dan selesaikan satu pelajaran untuk menulis ulasan. Masuk ke akun →
Setelah kelas ini
Jalur yang memuat kelas ini
Revisi materi terakhir: 28 Sep 2026. Laporan kesalahan bisa dikirim dari setiap halaman pelajaran.