RualyticsDaftar Isi
SERIES: PENGANTAR MACHINE LEARNING
Post 1: Pengenalan Machine Learning
Rasional: Fondasi konseptual yang koheren
1 Definisi machine learning
2 Perbedaan ML dengan pemrograman konvensional
3 Mengapa ML dibutuhkan dalam sains data
4 Anatomi Pipeline Machine Learning
4.1 Gambaran end-to-end: dari raw data → model → deployment
4.2 Tahapan utama: data collection, preprocessing, training, evaluation, deployment
5 Jenis-jenis Data dalam ML
5.1 Structured vs unstructured data
5.2 Tabular, time series, text, image, audio
6 Peran Statistika dan Matematika dalam ML
6.1 Konsep probabilitas dasar
6.2 Linear algebra sederhana (vektor, matriks)
Post 2: Supervised Learning
Rasional: Fokus pada satu paradigma dengan aplikasi konkret
1 Supervised learning (klasifikasi & regresi)
2 Contoh aplikasi supervised learning di dunia nyata
3 Algoritma Klasifikasi Populer (Overview)
3.1 Logistic Regression, Decision Tree, Random Forest, SVM, KNN
3.2 Kapan menggunakan algoritma mana (decision guide sederhana)
4 Algoritma Regresi Populer (Overview)
4.1 Linear Regression, Polynomial Regression, Ridge/Lasso
4.2 Perbedaan use case
5 Feature Engineering: Pengantar
5.1 Apa itu feature/fitur
5.2 Mengapa kualitas fitur penting
5.3 Contoh sederhana feature creation
Post 3: Unsupervised & Reinforcement Learning
Rasional: Melengkapi panorama paradigma ML
1 Unsupervised learning (clustering, dimensionality reduction)
2 Konsep dasar reinforcement learning
3 Algoritma Clustering Populer
3.1 K-Means, Hierarchical, DBSCAN (overview)
3.2 Use case masing-masing
4 Teknik Dimensionality Reduction
4.1 PCA (Principal Component Analysis) - konsep sederhana
4.2 t-SNE untuk visualisasi
5 Kapan Menggunakan Supervised vs Unsupervised
5.1 Decision tree/flowchart untuk memilih paradigma
5.2 Contoh kasus nyata
Post 4: Mekanisme Pembelajaran Model
Rasional: Proses teknis yang saling berkaitan erat
1 Konsep training dan testing: mengapa data dibagi
2 Konsep model: apa itu model, bagaimana model “belajar”
3 Overfitting dan underfitting: analogi dan implikasinya
4 Data Preprocessing: Konsep Dasar
4.1 Missing values handling
4.2 Normalization vs Standardization
4.3 Encoding categorical variables
5 Hyperparameter vs Parameter
5.1 Perbedaan konseptual
5.2 Contoh hyperparameter (learning rate, max_depth, dll)
6 Bias-Variance Tradeoff
6.1 Hubungannya dengan overfitting/underfitting
6.2 Visualisasi konsep
7 Cross-Validation
7.1 Mengapa train-test split saja tidak cukup
7.2 K-Fold Cross-Validation konsep dasar
Post 5: Evaluasi Model & Praktik
Rasional: Praktik dan evaluasi sebagai kulminasi pembelajaran