Panduan
Belajar machine learning dari nol: urutan Python, pandas, statistik, aljabar linier, lalu model
Urutan belajar machine learning dari nol dengan materi berbahasa Indonesia: Python dasar, pandas, statistik, aljabar linier, machine learning dengan scikit-learn, lalu jaringan saraf. Artikel ini menjelaskan kenapa urutannya begitu menurut prasyarat resmi Google, isi dan durasi tiap kelas gratis, kesalahan pemula seperti kebocoran data, kelas pilihan sesudahnya, dan apa yang belum dicakup, termasuk GPU dan kerangka deep learning.
Ditulis Redaksi KelasGratis · Terbit
Untuk Mahasiswa, analis data, dan programmer pemula yang ingin memahami machine learning dengan materi berbahasa Indonesia, mulai dari belum bisa Python.
Jawaban singkatnya: belajar machine learning dari nol sebaiknya berurutan Python dasar, pandas, statistik, aljabar linier, machine learning klasik dengan scikit-learn, lalu jaringan saraf. Urutan ini mengikuti prasyarat yang ditulis Google untuk Machine Learning Crash Course: Python dasar, statistik seperti rata-rata, median, pencilan, dan simpangan baku, aljabar linier seperti perkalian matriks, serta NumPy dan pandas. Penilaian redaksi di artikel ini berdasarkan sumber yang dicantumkan di bagian akhir.
Semua kelas di bawah gratis, berbahasa Indonesia, dan latihannya dijalankan di browser, jadi kamu tidak perlu memasang Python di komputer untuk mulai.
Kenapa tidak langsung belajar model machine learning?
Karena hampir semua pekerjaan sebelum model adalah Python dan pandas. Dokumentasi scikit-learn menjelaskan bahwa model menerima matriks X berukuran (n_samples, n_features), dengan baris sebagai sampel dan kolom sebagai fitur, serta y sebagai target. Menyiapkan tabel ke bentuk itu, membuang nilai kosong, dan mengubah tanggal atau teks menjadi angka dikerjakan dengan pandas. Orang yang melompati tahap ini biasanya bisa menyalin kode pelatihan, tetapi berhenti begitu datanya tidak serapi contoh.
Statistik dan aljabar linier dibutuhkan untuk membaca hasilnya. Rata-rata dan simpangan baku muncul di penskalaan fitur, perkalian matriks adalah isi satu lapisan jaringan saraf, dan uji hipotesis membantu membedakan kenaikan akurasi yang nyata dari kebetulan. Google menandai kalkulus sebagai opsional untuk kursusnya; turunan dan aturan rantai baru terasa perlu saat membahas cara jaringan saraf belajar.
Apa urutan kelasnya, dan berapa lama?
| Urutan | Kelas | Apa yang dipelajari | Level |
|---|---|---|---|
| 1 | Python dari Nol | Variabel, teks dan angka, fungsi, if, list, for dan while, dict, try/except, comprehension. 25 pelajaran, 75 latihan, 325 menit. | Pemula |
| 2 | Analisis Data dengan Python | Array numpy, DataFrame pandas, membaca CSV, menyaring, groupby dan agg, merge, nilai kosong, tanggal. 18 pelajaran, 56 latihan, 241 menit. | Menengah |
| 3 | Uji Statistik dengan Python | Distribusi normal, galat baku, selang kepercayaan, uji t, chi-kuadrat, korelasi Pearson dan Spearman, regresi linear sederhana. 16 pelajaran, 52 latihan, 222 menit. | Menengah |
| 4 | Aljabar Linier | Vektor, hasil kali titik, matriks, perkalian matriks, eliminasi Gauss, rank, determinan, invers, nilai eigen. 16 pelajaran, 52 latihan, 229 menit. | Menengah |
| 5 | Machine Learning Dasar dengan Python | Terawasi dan tak terawasi, data latih dan uji, regresi, k-NN, regresi logistik, pohon keputusan, presisi dan recall, validasi silang, Pipeline, k-means. 16 pelajaran, 52 latihan, 220 menit. | Menengah |
| 6 | Jaringan Saraf Tiruan Dasar dengan Python | Perseptron, fungsi aktivasi, softmax, forward pass, loss, gradient descent, backpropagation, Adam, MLP scikit-learn, regularisasi, konsep CNN dan RNN. 22 pelajaran, 71 latihan, 312 menit. | Menengah |
Keenam kelas inti itu berisi 113 pelajaran, 358 latihan, dan 1.549 menit materi, sekitar 26 jam. Bila statistik dasarmu masih goyah, sisipkan kelas Statistika dan Peluang (level Pemula, 252 menit) sebelum urutan ketiga. Perkiraan redaksi: dengan satu jam sehari, urutan inti selesai dalam dua sampai tiga bulan, karena kelas-kelas Menengah butuh waktu mengulang lebih banyak daripada durasi materinya.
Jalur Ilmu Data dengan Python menyusun kelas kedua sampai keenam beserta kelas pilihan lain. Jalur Cara Berpikir Pemrogram cocok sebagai pintu masuk bila Python adalah bahasa pemrograman pertamamu, dan jalur Matematika untuk Sains dan Komputer memuat aljabar linier bersama kalkulus.
Target apa yang menandakan satu tahap sudah selesai?
- Python: kamu bisa menulis fungsi yang membaca daftar transaksi, menyaring dengan if, dan merangkum dengan dict tanpa melihat contoh.
- pandas: diberi CSV yang belum pernah kamu lihat, kamu bisa menyebut tipe tiap kolom, jumlah nilai kosong, dan membuat rekap per kelompok dengan groupby.
- Statistik: kamu bisa menjelaskan arti p-value 0,03 tanpa menyebutnya “peluang hipotesis benar”, dan tahu kapan memakai uji t berpasangan.
- Aljabar linier: kamu bisa menghitung perkalian matriks 2×3 dengan 3×2 dengan tangan dan menjelaskan kenapa urutannya tidak bisa ditukar.
- Machine learning: kamu bisa melatih model klasifikasi dengan Pipeline, menilainya dengan validasi silang, lalu menjelaskan kenapa akurasi saja menyesatkan pada data yang tidak seimbang.
- Jaringan saraf: kamu bisa menghitung forward pass jaringan dua lapis dengan numpy dan menjelaskan peran learning rate dalam gradient descent.
Apa kesalahan pemula yang paling sering di machine learning?
Kebocoran data. Dokumentasi scikit-learn tentang kesalahan umum menyatakan aturannya: jangan pernah memanggil fit pada data uji, bagi data menjadi latih dan uji sebelum praproses apa pun, dan pelajari transformasi seperti normalisasi hanya dari data latih. Kalau rata-rata untuk normalisasi dihitung dari seluruh data, informasi dari data uji ikut masuk ke model, dan skor ujinya terlihat lebih bagus daripada kenyataan. Pipeline scikit-learn mencegah ini karena memastikan setiap langkah dijalankan pada bagian data yang benar.
Kesalahan kedua adalah lupa menskalakan fitur untuk jaringan saraf. Dokumentasi scikit-learn menyebut Multi-layer Perceptron peka terhadap skala fitur dan sangat menyarankan menstandarkan data, dengan penskalaan yang sama diterapkan ke data uji.
Setelah itu, kelas apa yang bisa diambil?
| Kelas pilihan | Apa yang dipelajari | Level |
|---|---|---|
| Data Mining Dasar | CRISP-DM, praproses, diskretisasi, aturan asosiasi dan Apriori, information gain, Naive Bayes, clustering hierarkis, deteksi pencilan. 15 pelajaran, 49 latihan, 222 menit. | Menengah |
| Peramalan Deret Waktu | Indeks tanggal dan resample, dekomposisi musiman, pemulusan eksponensial, Holt-Winters, MAE dan MAPE, validasi bergulir, AR(1). 20 pelajaran, 67 latihan, 302 menit. | Menengah |
Pilih yang sesuai dengan data di pekerjaanmu. Data penjualan harian lebih cocok dengan peramalan deret waktu; data transaksi keranjang belanja lebih cocok dengan data mining.
Apa yang belum dicakup, dan untuk siapa urutan ini tidak cocok?
- Deep learning skala besar. Dokumentasi scikit-learn sendiri menyatakan implementasi jaringan sarafnya tidak dimaksudkan untuk aplikasi skala besar dan tidak mendukung GPU. Kelas Jaringan Saraf memakai numpy dan scikit-learn untuk membangun pemahaman; kerangka seperti PyTorch atau TensorFlow tidak diajarkan.
- Model bahasa besar dan AI generatif. Cara kerja dan penyetelan model semacam itu di luar cakupan urutan ini.
- Menerapkan model ke produksi: API, pemantauan, dan pembaruan model tidak dibahas.
- Kalkulus mendalam. Turunan yang dibutuhkan backpropagation dijelaskan di dalam kelas Jaringan Saraf, tetapi bukti dan teori optimasi tidak.
- Orang yang hanya butuh rekap dan laporan. Kalau pekerjaanmu menjawab pertanyaan seperti “cabang mana yang penjualannya turun”, jalur analisis data dengan Excel, SQL, dan pandas lebih cepat berguna daripada machine learning.
Pertanyaan yang sering muncul
Apa yang harus dipelajari sebelum machine learning?
Python dasar, pandas dan NumPy, statistik seperti rata-rata, median, dan simpangan baku, serta aljabar linier seperti perkalian matriks. Itu juga daftar prasyarat yang ditulis Google untuk Machine Learning Crash Course; kalkulus ditandai opsional.
Apakah perlu jago matematika untuk belajar machine learning?
Tidak perlu jago, tetapi perlu nyaman dengan statistik dasar dan operasi matriks. Kelas Aljabar Linier dan Uji Statistik dengan Python menutup bagian itu dengan contoh angka dan kode, bukan pembuktian teorema.
Berapa lama belajar machine learning dari nol?
Materi enam kelas inti sekitar 26 jam. Dengan satu jam sehari, perkiraan redaksi dua sampai tiga bulan, karena kelas berlevel Menengah biasanya perlu diulang lebih dari sekali sebelum lulus.
Apakah kelas ini mengajarkan PyTorch atau TensorFlow?
Tidak. Kelas Jaringan Saraf memakai numpy untuk membangun forward pass dan backpropagation dari nol, lalu MLP di scikit-learn. Tujuannya pemahaman mekanisme; kerangka deep learning dipelajari dari dokumentasi resminya setelah itu.
Apa itu kebocoran data dalam machine learning?
Kebocoran data terjadi saat informasi dari data uji ikut dipakai melatih model, misalnya normalisasi dihitung dari seluruh data. Akibatnya skor uji terlihat terlalu bagus. Solusinya: bagi data dulu, lalu pakai Pipeline.
Lanjut dari sini
Kelas