Pelajaran
Natural Language Processing (NLP): semua pelajaran
Dari kantong kata sampai embedding dan transformer.
6 modul · 19 pelajaran · 1 gratis untuk dibaca sekarang
Tentang jalur ini: hasil belajar, tools, dan hargaModul 1Representasi Teks
3 pelajaranDari one-hot ke word embedding ke embedding kontekstual — bagaimana mesin mewakili makna kata.
Dari Kata ke Vektor
18 minModel tidak bisa menghitung dengan kata. Cara kita mengubah kata menjadi angka menentukan apa yang bisa dipelajari model — dan apa yang tidak akan pernah bisa.
Tokenisasi untuk NLP
16 minModel tidak pernah melihat kata — ia melihat token. Cara teks dipotong menentukan kosakata, panjang urutan, biaya API, dan kenapa bahasa Indonesia lebih mahal dari bahasa Inggris.
Termasuk dalam jalurnya Ada simulasinyaTF-IDF dan Fitur Teks Klasik
16 minHitung kata, bobotkan dengan kelangkaannya, dan Anda punya baseline klasifikasi teks yang selesai dilatih dalam hitungan detik — dan sering sulit dikalahkan.
Termasuk dalam jalurnya Ada simulasinya
Modul 2Klasifikasi Teks
4 pelajaranAnalisis sentimen, deteksi topik, dan routing tiket — dari TF-IDF + regresi logistik sampai fine-tuning transformer.
Pipeline Pra-pemrosesan Teks
14 minSetiap langkah pra-pemrosesan membuang informasi. Pelajaran ini tentang memutuskan dengan sengaja apa yang digabung, apa yang dipertahankan, dan kenapa jawabannya berbeda untuk TF-IDF dan transformer.
Termasuk dalam jalurnyaClassifier Teks Klasik
18 minTF-IDF dengan regresi logistik: dilatih dalam sedetik, bobotnya terbaca, dan sering cukup. Pelajaran ini membangunnya dari 60 ulasan sampai ke keputusan threshold untuk routing.
Termasuk dalam jalurnya Ada simulasinyaFine-Tuning Transformer untuk Klasifikasi
20 minPinjam model yang sudah membaca jutaan kalimat Indonesia, pasang kepala klasifikasi 2.307 parameter, dan latih sebentar — lalu putuskan dengan jujur apakah hasilnya sepadan dengan biayanya.
Termasuk dalam jalurnya Ada simulasinyaKlasifikasi dengan LLM
16 minSatu prompt bisa mengklasifikasi tanpa satu pun label latih. Pertanyaannya bukan lagi "bisa atau tidak", melainkan kapan ia lebih murah, kapan lebih mahal, dan bagaimana Anda tahu hasilnya benar.
Termasuk dalam jalurnya Ada simulasinya
Modul 3Ekstraksi Informasi
3 pelajaranNamed entity recognition, ekstraksi relasi, dan mengubah dokumen bebas menjadi data terstruktur.
Named Entity Recognition
16 minKlasifikasi memberi satu label per dokumen. Ekstraksi butuh label per token: siapa, organisasi apa, di mana, kapan — dan skema BIO adalah cara menuliskannya supaya mesin bisa belajar.
Termasuk dalam jalurnya Ada simulasinyaEkstraksi Terstruktur dengan LLM
18 minDari faktur dan kontrak ke record JSON yang siap masuk database: skema yang menjaga tipe, kode yang menjaga kebenaran, dan loop yang memutuskan kapan manusia harus melihat.
Termasuk dalam jalurnya Ada simulasinyaMengevaluasi Ekstraksi
14 min"Akurasi 95%" tidak mengatakan apa-apa tentang sistem ekstraksi. Yang penting: per entitas atau per token, per kolom atau rata-rata, dan kesalahan mana yang membuat uang hilang.
Termasuk dalam jalurnya Ada simulasinya
Modul 4Transformer untuk NLP
3 pelajaranEncoder, decoder, BERT dan GPT — arsitektur yang mengubah NLP, dan cara memakai model pralatih.
Encoder dan Decoder
16 minBERT memahami, GPT menghasilkan — dan kenapa perbedaannya ada di mask attention.
Termasuk dalam jalurnya Ada simulasinyaModel Bahasa Pralatih
14 minPra-pelatihan, fine-tuning, dan memilih model dari ribuan yang tersedia.
Termasuk dalam jalurnyaHugging Face dalam Praktik
18 minPipeline, tokenizer, dan Trainer — dari nol ke model yang berjalan.
Termasuk dalam jalurnya Ada simulasinya
Modul 5Semantic Search dan Embedding Kalimat
3 pelajaranEmbedding kalimat, database vektor, dan mengevaluasi retrieval — fondasi pencarian modern dan RAG.
Embedding Kalimat
14 minDari vektor kata ke vektor kalimat, dan model yang dilatih untuk kemiripan.
Termasuk dalam jalurnya Ada simulasinyaDatabase Vektor
15 minPencarian tetangga terdekat yang cepat, indeks, dan filter metadata.
Termasuk dalam jalurnya Ada simulasinyaHybrid Search dan Evaluasi
17 minMenggabungkan kata kunci dan makna, lalu mengukur hasilnya.
Termasuk dalam jalurnya Ada simulasinya
Modul 6NLP untuk Bahasa Indonesia
3 pelajaranSlang, campur kode, bahasa daerah, dan sumber daya seperti IndoNLU — ditutup dengan satu proyek akhir.
Tantangan Teks Bahasa Indonesia
15 minSingkatan, slang, imbuhan, dan campuran bahasa Indonesia–Inggris.
Termasuk dalam jalurnyaSumber Daya NLP Bahasa Indonesia
13 minDataset, benchmark, dan model pralatih untuk bahasa Indonesia.
Termasuk dalam jalurnyaProyek Akhir: Penganalisis Ulasan
45 minSentimen dan topik dari ulasan e-commerce, dievaluasi dan siap dipakai.
Termasuk dalam jalurnya Ada simulasinya