Lewati ke konten
Datamewby Intura
Mulai gratis

Semua pelajaran

Semua pelajaran di Datamew, dikelompokkan per jalur dan modul. Pelajaran bertanda gratis bisa Anda baca utuh di sini, tanpa akun. Sisanya termasuk dalam jalurnya dan dibuka di aplikasi belajar.

166 pelajaran · 10 gratis untuk dibaca sekarang

Gratis untuk dibaca sekarang

Pelajaran utuh, terbuka untuk semua. Masing-masing adalah awal sebuah modul, jadi cukup mewakili isi lainnya.

Python untuk Data Science

3 modul · 4 pelajaran

Modul 1Mulai dari Sini

  1. Kenapa Python untuk DataGratis
  2. Membaca Traceback Sampai Selesai (Termasuk dalam jalurnya)

Modul 2Struktur Data yang Dipakai Setiap Hari

  1. List dan Dict (Termasuk dalam jalurnya)

Modul 3pandas Sampai Bisa Dipercaya

  1. DataFrame dan Pembersihan Data (Termasuk dalam jalurnya)
Semua pelajaran di Python untuk Data Science, lengkap dengan ringkasannya

Data Analytics: Statistik & Visualisasi Data

9 modul · 23 pelajaran

Modul 1Correlation

  1. Apa yang Sebenarnya Diukur KorelasiGratis

Modul 2Bayesian

  1. Membalik Probabilitas (Termasuk dalam jalurnya)

Modul 3Sampling dan Uji Hipotesis

  1. Teorema Limit Pusat (Termasuk dalam jalurnya)
  2. p-Value dan Statistical Power (Termasuk dalam jalurnya)
  3. Interval Kepercayaan (Termasuk dalam jalurnya)

Modul 4A/B Testing

  1. Merancang Eksperimen (Termasuk dalam jalurnya)
  2. Ukuran Sampel dan Durasi (Termasuk dalam jalurnya)
  3. Menganalisis Hasil A/B Test (Termasuk dalam jalurnya)
  4. Jebakan A/B Testing (Termasuk dalam jalurnya)

Modul 5Regresi untuk Analis

  1. Regresi Linear Sederhana (Termasuk dalam jalurnya)
  2. Regresi Berganda dan Confounder (Termasuk dalam jalurnya)
  3. Diagnostik Regresi (Termasuk dalam jalurnya)

Modul 6Memilih Grafik yang Tepat

  1. Gambar Dulu, Ringkas KemudianGratis
  2. Grafik untuk Presentasi (Termasuk dalam jalurnya)
  3. Warna dan Aksesibilitas (Termasuk dalam jalurnya)

Modul 7Visualisasi dengan Python: matplotlib dan seaborn

  1. Anatomi Grafik matplotlib (Termasuk dalam jalurnya)
  2. Grafik Statistik dengan seaborn (Termasuk dalam jalurnya)
  3. Grafik Interaktif dengan plotly (Termasuk dalam jalurnya)

Modul 8Dashboard dan Data Storytelling

  1. Mendesain Dashboard (Termasuk dalam jalurnya)
  2. Memilih KPI (Termasuk dalam jalurnya)
  3. Data Storytelling (Termasuk dalam jalurnya)

Modul 9Grafik yang Menyesatkan

  1. Sumbu Terpotong dan Sumbu Ganda (Termasuk dalam jalurnya)
  2. Rentang Pilihan dan Luas yang Menipu (Termasuk dalam jalurnya)
Semua pelajaran di Data Analytics: Statistik & Visualisasi Data, lengkap dengan ringkasannya

Pengantar Machine Learning

12 modul · 21 pelajaran

Modul 1Getting Started

  1. Supervised, Unsupervised, ReinforcementGratis
  2. Kategorikal vs Numerik, Terstruktur vs Tidak Terstruktur (Termasuk dalam jalurnya)

Modul 2Dataset Splitting, Cross-Validation, Data Leakage

  1. Membagi Data, dan K-Fold (Termasuk dalam jalurnya)
  2. Data Leakage (Termasuk dalam jalurnya)

Modul 3Training, Evaluation, Bias–Variance, Tuning

  1. Memilih Metrik yang Benar (Termasuk dalam jalurnya)
  2. Bias–Variance Trade-off (Termasuk dalam jalurnya)
  3. Hyperparameter Tuning (Termasuk dalam jalurnya)

Modul 4KNN — Classifier dan Regressor

  1. Bagaimana KNN Memutuskan (Termasuk dalam jalurnya)

Modul 5SVM — Classifier dan Regressor

  1. Margin, C, dan Kernel (Termasuk dalam jalurnya)

Modul 6Linear Regression

  1. Mencari Garis Terbaik (Termasuk dalam jalurnya)

Modul 7Logistic Regression

  1. Sigmoid, Log-Odds, dan Ambang Batas (Termasuk dalam jalurnya)

Modul 8Decision Tree, Random Forest, Gradient Boosting

  1. Dari Satu Pohon ke Hutan (Termasuk dalam jalurnya)

Modul 9Feature Engineering

  1. Membuat Fitur yang Berguna (Termasuk dalam jalurnya)

Modul 10Explainable AI: Feature Importance, PDP, SHAP

  1. Tiga Pertanyaan, Tiga Alat (Termasuk dalam jalurnya)

Modul 11Unsupervised Learning: Clustering dan Reduksi Dimensi

  1. Clustering dengan K-Means (Termasuk dalam jalurnya)
  2. Principal Component Analysis (PCA) (Termasuk dalam jalurnya)
  3. DBSCAN, Clustering Hierarkis, dan Gaussian Mixture (Termasuk dalam jalurnya)

Modul 12Sistem Rekomendasi

  1. Apa yang Diprediksi Sebuah Recommender (Termasuk dalam jalurnya)
  2. Content-Based Filtering (Termasuk dalam jalurnya)
  3. Collaborative Filtering (Termasuk dalam jalurnya)
  4. Mengevaluasi dan Menggabungkan Recommender (Termasuk dalam jalurnya)
Semua pelajaran di Pengantar Machine Learning, lengkap dengan ringkasannya

Pengantar Deep Learning & Neural Network

6 modul · 21 pelajaran

Modul 1Dasar-Dasar Neural Network

  1. Apa yang Sebenarnya Dihitung Neural NetworkGratis
  2. Fungsi Aktivasi: ReLU, GELU, dan Kawan-Kawan (Termasuk dalam jalurnya)
  3. Backpropagation Tanpa Rasa Takut (Termasuk dalam jalurnya)
  4. Training Loop Pertama Anda di PyTorch (Termasuk dalam jalurnya)

Modul 2Melatih Jaringan yang Dalam

  1. Optimizer: SGD, Momentum, Adam (Termasuk dalam jalurnya)
  2. Jadwal Learning Rate dan Warmup (Termasuk dalam jalurnya)
  3. Inisialisasi dan Normalisasi (Termasuk dalam jalurnya)
  4. Regularisasi: Dropout, Weight Decay, Early Stopping (Termasuk dalam jalurnya)

Modul 3PyTorch untuk Deep Learning

  1. Tensor dan Autograd (Termasuk dalam jalurnya)
  2. Membangun Model dengan nn.Module (Termasuk dalam jalurnya)
  3. Dataset dan DataLoader (Termasuk dalam jalurnya)
  4. GPU dan Mixed Precision (Termasuk dalam jalurnya)

Modul 4Convolutional Neural Networks

  1. Cara Kerja Konvolusi (Termasuk dalam jalurnya)
  2. Arsitektur CNN: dari LeNet ke ResNet (Termasuk dalam jalurnya)
  3. Transfer Learning (Termasuk dalam jalurnya)

Modul 5Model Sekuens dan Transformer

  1. RNN dan LSTM (Termasuk dalam jalurnya)
  2. Mekanisme Attention (Termasuk dalam jalurnya)
  3. Arsitektur Transformer (Termasuk dalam jalurnya)

Modul 6Deep Learning dalam Praktik

  1. Men-debug Neural Network (Termasuk dalam jalurnya)
  2. Melacak Eksperimen (Termasuk dalam jalurnya)
  3. Proyek Akhir: Klasifikasi Gambar (Termasuk dalam jalurnya)
Semua pelajaran di Pengantar Deep Learning & Neural Network, lengkap dengan ringkasannya

LLM, Prompt Engineering & Context Engineering

6 modul · 22 pelajaran

Modul 1Cara Kerja LLM

  1. Bagaimana LLM Membaca Prompt AndaGratis
  2. Prediksi Token Berikutnya dan Sampling (Termasuk dalam jalurnya)
  3. Jendela Konteks dan Biaya Token (Termasuk dalam jalurnya)
  4. Memilih Model (Termasuk dalam jalurnya)

Modul 2Dasar Prompt Engineering

  1. Instruksi yang Jelas dan Peran (Termasuk dalam jalurnya)
  2. Contoh Few-Shot (Termasuk dalam jalurnya)
  3. Penalaran dan Chain-of-Thought (Termasuk dalam jalurnya)
  4. Keluaran Terstruktur (Termasuk dalam jalurnya)

Modul 3Context Engineering

  1. Apa yang Masuk ke Konteks (Termasuk dalam jalurnya)
  2. Retrieval-Augmented Generation (RAG) (Termasuk dalam jalurnya)
  3. Jebakan Konteks Panjang (Termasuk dalam jalurnya)
  4. Memori dan Status Percakapan (Termasuk dalam jalurnya)

Modul 4Membangun dengan API LLM

  1. Panggilan API Pertama (Termasuk dalam jalurnya)
  2. Tool Calling (Termasuk dalam jalurnya)
  3. Biaya, Latensi, dan Caching (Termasuk dalam jalurnya)
  4. Retry dan Rate Limit (Termasuk dalam jalurnya)

Modul 5Mengevaluasi Aplikasi LLM

  1. Membangun Set Evaluasi (Termasuk dalam jalurnya)
  2. LLM sebagai Penilai (Termasuk dalam jalurnya)
  3. Uji Regresi untuk Prompt (Termasuk dalam jalurnya)

Modul 6Keamanan dan Keandalan LLM

  1. Halusinasi dan Grounding (Termasuk dalam jalurnya)
  2. Prompt Injection (Termasuk dalam jalurnya)
  3. Guardrail dan Monitoring (Termasuk dalam jalurnya)
Semua pelajaran di LLM, Prompt Engineering & Context Engineering, lengkap dengan ringkasannya

Membangun AI Agent: Harness Engineering

6 modul · 20 pelajaran

Modul 1Dasar-Dasar AI Agent

  1. Apa yang Membuat Sesuatu Menjadi AgentGratis
  2. Mendesain Alat untuk Agent (Termasuk dalam jalurnya)
  3. Workflow versus Agent (Termasuk dalam jalurnya)
  4. Membangun Agent dari Nol (Termasuk dalam jalurnya)

Modul 2Harness Engineering

  1. Manajemen Konteks di Loop Agent (Termasuk dalam jalurnya)
  2. Izin dan Sandboxing (Termasuk dalam jalurnya)
  3. Penanganan Error dan Pemulihan (Termasuk dalam jalurnya)
  4. Observabilitas dan Tracing (Termasuk dalam jalurnya)

Modul 3Alat dan Model Context Protocol

  1. Antarmuka Alat yang Bekerja (Termasuk dalam jalurnya)
  2. Model Context Protocol (MCP) (Termasuk dalam jalurnya)
  3. Agent di Atas Database dan API (Termasuk dalam jalurnya)

Modul 4Sistem Multi-Agent

  1. Pola Orchestrator-Worker (Termasuk dalam jalurnya)
  2. Subagent dan Isolasi Konteks (Termasuk dalam jalurnya)
  3. Kapan Multi-Agent Merugikan (Termasuk dalam jalurnya)

Modul 5Mengevaluasi Agent

  1. Evaluasi Tingkat Tugas (Termasuk dalam jalurnya)
  2. Membaca Lintasan Agent (Termasuk dalam jalurnya)
  3. Metrik Biaya dan Keandalan (Termasuk dalam jalurnya)

Modul 6Membawa Agent ke Produksi

  1. Human-in-the-Loop (Termasuk dalam jalurnya)
  2. Keamanan Agent dan Prompt Injection (Termasuk dalam jalurnya)
  3. Proyek Akhir: Agent Riset (Termasuk dalam jalurnya)
Semua pelajaran di Membangun AI Agent: Harness Engineering, lengkap dengan ringkasannya

MLOps: Deploy Model Machine Learning & Deep Learning

6 modul · 19 pelajaran

Modul 1Sistem ML di Produksi

  1. Kenapa Model Memburuk di ProduksiGratis
  2. Training-Serving Skew (Termasuk dalam jalurnya)
  3. Inferensi Batch vs Online (Termasuk dalam jalurnya)
  4. Daftar Periksa Desain Sistem ML (Termasuk dalam jalurnya)

Modul 2Mengemas dan Menyajikan Model

  1. Menyimpan Model dengan Benar (Termasuk dalam jalurnya)
  2. API Model dengan FastAPI (Termasuk dalam jalurnya)
  3. Container dengan Docker (Termasuk dalam jalurnya)

Modul 3Menyajikan Deep Learning dan LLM

  1. Latensi, Throughput, dan Batching (Termasuk dalam jalurnya)
  2. ONNX dan Optimasi Model (Termasuk dalam jalurnya)
  3. Kuantisasi (Termasuk dalam jalurnya)
  4. Menyajikan LLM (Termasuk dalam jalurnya)

Modul 4Pipeline ML dan CI/CD

  1. Pelacakan Eksperimen dan Model Registry (Termasuk dalam jalurnya)
  2. Pipeline Pelatihan (Termasuk dalam jalurnya)
  3. CI/CD untuk Machine Learning (Termasuk dalam jalurnya)

Modul 5Monitoring dan Pelatihan Ulang

  1. Mendeteksi Data Drift (Termasuk dalam jalurnya)
  2. Strategi Pelatihan Ulang (Termasuk dalam jalurnya)
  3. Shadow dan Canary Deployment (Termasuk dalam jalurnya)

Modul 6Proyek Akhir MLOps

  1. Memilih Infrastruktur Cloud (Termasuk dalam jalurnya)
  2. Proyek Akhir: Rilis dan Pantau (Termasuk dalam jalurnya)
Semua pelajaran di MLOps: Deploy Model Machine Learning & Deep Learning, lengkap dengan ringkasannya

Computer Vision dengan Deep Learning

6 modul · 17 pelajaran

Modul 1Dasar-Dasar Citra Digital

  1. Bagaimana Komputer Melihat GambarGratis
  2. Pra-pemrosesan dan Augmentasi Gambar (Termasuk dalam jalurnya)
  3. Pooling dan Receptive Field (Termasuk dalam jalurnya)

Modul 2Klasifikasi Gambar dengan CNN

  1. Membangun CNN di PyTorch (Termasuk dalam jalurnya)
  2. Transfer Learning dengan Backbone Pralatih (Termasuk dalam jalurnya)
  3. Mengevaluasi Classifier Gambar (Termasuk dalam jalurnya)

Modul 3Deteksi Objek

  1. Bounding Box dan IoU (Termasuk dalam jalurnya)
  2. Detektor Satu Tahap: YOLO (Termasuk dalam jalurnya)
  3. Melatih Detektor Kustom (Termasuk dalam jalurnya)

Modul 4Segmentasi Gambar

  1. Segmentasi Semantik vs Instance (Termasuk dalam jalurnya)
  2. U-Net (Termasuk dalam jalurnya)
  3. Model Segmentasi dengan Prompt (Termasuk dalam jalurnya)

Modul 5Vision Transformer dan Model Multimodal

  1. Vision Transformer (ViT) (Termasuk dalam jalurnya)
  2. CLIP dan Embedding Gambar-Teks (Termasuk dalam jalurnya)
  3. Model Vision-Language (Termasuk dalam jalurnya)

Modul 6Computer Vision di Produksi

  1. Deployment di Edge dan Mobile (Termasuk dalam jalurnya)
  2. Proyek Akhir: Sistem Visi (Termasuk dalam jalurnya)
Semua pelajaran di Computer Vision dengan Deep Learning, lengkap dengan ringkasannya

Natural Language Processing (NLP)

6 modul · 19 pelajaran

Modul 1Representasi Teks

  1. Dari Kata ke VektorGratis
  2. Tokenisasi untuk NLP (Termasuk dalam jalurnya)
  3. TF-IDF dan Fitur Teks Klasik (Termasuk dalam jalurnya)

Modul 2Klasifikasi Teks

  1. Pipeline Pra-pemrosesan Teks (Termasuk dalam jalurnya)
  2. Classifier Teks Klasik (Termasuk dalam jalurnya)
  3. Fine-Tuning Transformer untuk Klasifikasi (Termasuk dalam jalurnya)
  4. Klasifikasi dengan LLM (Termasuk dalam jalurnya)

Modul 3Ekstraksi Informasi

  1. Named Entity Recognition (Termasuk dalam jalurnya)
  2. Ekstraksi Terstruktur dengan LLM (Termasuk dalam jalurnya)
  3. Mengevaluasi Ekstraksi (Termasuk dalam jalurnya)

Modul 4Transformer untuk NLP

  1. Encoder dan Decoder (Termasuk dalam jalurnya)
  2. Model Bahasa Pralatih (Termasuk dalam jalurnya)
  3. Hugging Face dalam Praktik (Termasuk dalam jalurnya)

Modul 5Semantic Search dan Embedding Kalimat

  1. Embedding Kalimat (Termasuk dalam jalurnya)
  2. Database Vektor (Termasuk dalam jalurnya)
  3. Hybrid Search dan Evaluasi (Termasuk dalam jalurnya)

Modul 6NLP untuk Bahasa Indonesia

  1. Tantangan Teks Bahasa Indonesia (Termasuk dalam jalurnya)
  2. Sumber Daya NLP Bahasa Indonesia (Termasuk dalam jalurnya)
  3. Proyek Akhir: Penganalisis Ulasan (Termasuk dalam jalurnya)
Semua pelajaran di Natural Language Processing (NLP), lengkap dengan ringkasannya