Belajar machine learning , dari matematika sampai AI engineering , sambil langsung mencobanya.

Cara model belajar dari data

2

Dasar ML

Kamu akan bisa: melatih dan mengevaluasi model, serta membedakan overfitting dari hasil yang sungguhan.

Gradient DescentDecision Tree dan SplitCross-ValidationBias-Variance Tradeoff

4 jalur · 27 penjelasan

Neural network dari awal sampai akhir

3

Deep Learning

Kamu akan bisa: menjelaskan backpropagation dan alasan deep network butuh inisialisasi dan normalisasi yang cermat.

BackpropagationOptimizerConvolutional Neural NetworkSkip Connection & ResNet

4 jalur · 25 penjelasan

Dari kata sebagai angka sampai GPT

4

LLM dan Generative AI

Kamu akan bisa: membaca diagram transformer dan menjelaskan cara kerja GPT, diffusion, dan RAG dari dalam.

EmbeddingCara Kerja Self-AttentionArsitektur TransformerDiffusion Model

4 jalur · 22 penjelasan

Training, serving, dan menjalankan model di produksi

5

AI Engineering

Kamu akan bisa: menalar kecepatan, memori, dan biaya saat melatih dan menjalankan LLM.

KV CacheQuantizationFlashAttentionVector Search dan HNSW

3 jalur · 16 penjelasan

Studi kasus berikutnya: membangun sistem RAG dan merancang feed rekomendasi.

6

AI System Design

Menyatukan semua bagian

Kamu akan bisa: merancang sistem AI utuh dengan batasan nyata pada latency, biaya, dan kualitas.

Merancang Serving LLMMembangun Sistem RAGMerancang Feed Rekomendasi

3 studi kasus interaktif

Lihat semua 18 jalur belajar →

Bites

Bites terbaru

bf16 vs fp16: jangkauan atau ketelitian dalam 16 bit yang sama

Continuous vs static batching: kenapa server LLM mengisi ulang slot di tiap langkah

MoE vs dense: tambah expert, bukan komputasi per token

Adam vs SGD: dua cara menuruni bukit yang sama

Bagging vs boosting: banyak pohon berdampingan atau berurutan

Batch normalization dengan bahasa sederhana

Bahasa sederhana