Satu tangga, dari matematika sampai sistem AI
Enam tahap, masing-masing berisi jalur belajar terpandu. Mulai dari anak tangga yang sesuai dengan yang sudah kamu tahu. Setiap jalur adalah rangkaian pendek penjelasan interaktif.
Fondasi
Kalkulus, aljabar linear, dan probabilitas: alat yang membentuk setiap model.
3 jalur · 20 penjelasan · Buka tahap →
Kalkulus untuk ML
Turunan, chain rule, dan matematika optimasi di balik training
Jalur · 5 penjelasanAljabar Linear
Vector, tensor, eigenvalue, dan dekomposisi yang dipakai ML
Jalur · 8 penjelasanProbabilitas dan Statistik
Distribusi, teorema Bayes, estimasi, dan teori informasi dari awal sampai akhir
Dasar ML
Loss, gradient descent, algoritma klasik, evaluasi, serta pengolahan data dan feature.
4 jalur · 27 penjelasan · Buka tahap →
Cara Model Belajar
Jenis tugas prediksi, loss function, gradient descent, dan pengaturan yang menentukan training
Jalur · 8 penjelasanML Klasik
Decision tree, SVM, clustering, dan metode ensemble di luar neural network
Jalur · 8 penjelasanEvaluasi Model
Validasi, cross-validation, bias-variance tradeoff, dan jebakan yang perlu dihindari
Jalur · 5 penjelasanData dan Feature
Membersihkan data, membangun feature, embedding, transfer learning, dan dimensionality reduction
Deep Learning
Neuron dan backprop, training deep network, arsitektur utama, dan computer vision.
4 jalur · 25 penjelasan · Buka tahap →
Neural Network dari Nol
Dari satu neuron sampai forward propagation, loss, dan backprop
Jalur · 7 penjelasanTraining Deep Network
Optimizer, schedule, inisialisasi, normalisasi, dan cara menjaga training tetap stabil
Jalur · 6 penjelasanArsitektur
CNN, recurrent network, autoencoder, GAN, dan skip connection
Jalur · 4 penjelasanComputer Vision
Pooling, deteksi objek, segmentasi, dan data augmentation
LLM dan Generative AI
Representasi teks, model bahasa, transformer, diffusion, RLHF, LoRA, dan RAG.
4 jalur · 22 penjelasan · Buka tahap →
NLP I: Teks sebagai Angka
Tokenization, feature teks klasik, dan word embedding
Jalur · 5 penjelasanNLP II: Model Bahasa
Klasifikasi, seq2seq, NER, dan pemodelan bahasa dengan BERT
Jalur · 6 penjelasanCara Kerja LLM
Dari attention sampai transformer decoder-only, arsitektur di balik GPT
Jalur · 4 penjelasanGenerative AI
Diffusion model, RLHF, LoRA, dan retrieval-augmented generation
AI Engineering
Cara LLM dilatih dalam skala besar dan disajikan dengan cepat, ditambah vector search, kalibrasi, dan drift di sistem produksi.
3 jalur · 16 penjelasan · Buka tahap →
Cara LLM Dilatih
Mixed precision, distributed training, scaling law, dan distillation
Jalur · 8 penjelasanCara LLM Di-serve
Sampling, KV cache, quantization, MoE, dan teknik inference cepat
Jalur · 4 penjelasanML di Produksi
Vector search, chunking dan reranking, kalibrasi, dan data drift
AI System Design
Studi kasus yang menggabungkan isi tahap-tahap sebelumnya menjadi sistem utuh dengan batasan nyata pada latency, biaya, dan kualitas.
3 studi kasus · Buka tahap →
Merancang Serving LLM
Rencanakan GPU, latency, dan biaya untuk model chat 7B dari prinsip dasar
Melanjutkan KV Cache, Quantization, Continuous Batching, Decoder-Only TransformerStudi kasus · 6 langkahMembangun Sistem RAG
Tentukan ukuran chunking, vector index, pencarian, reranking, dan generation untuk sistem RAG
Melanjutkan Retrieval-Augmented Generation, Embedding, Chunking dan Reranking untuk RAG, Vector Search dan HNSW, K-Means Clustering, KV CacheStudi kasus · 6 langkahMerancang Feed Rekomendasi
Retrieval, ranking, re-ranking, feedback loop, dan durasi A/B test untuk feed berisi 1 juta item
Melanjutkan Embedding, Vector Search dan HNSW, K-Nearest Neighbors, Gradient Boosting, Evaluasi Model dan Metrik, Class Imbalance & Resampling, Uji HipotesisStudi kasus berikutnya: membangun sistem RAG dan merancang feed rekomendasi.