Dasar-dasar¶
Topik fondasi yang dipakai di semua bab. Setiap topik diajarkan sekali di sini, lalu bab-bab merujuknya.
Mulai dari sini: mengapa ada bab dasar?¶
Semua bab (klasifikasi, regresi, forecasting, klaster, asosiasi) memakai alat dan konsep yang sama. Bab ini mengajarkannya sekali saja agar bab lain bisa fokus pada metodenya.
Analogi
Sebelum memasak berbagai hidangan, Anda belajar memegang pisau, mengatur api, dan mengenali bahan. Bab ini adalah latihan dasarnya.
Tiga kelompok isi¶
- Alat: lingkungan Python, NumPy, pandas, visualisasi.
- Memahami dan menyiapkan data: statistik, EDA, praproses, feature engineering.
- Menilai model dengan jujur: pembagian data, overfitting dan kebocoran, metrik, pipeline scikit-learn.
Setiap pelajaran dibuka dengan Gambaran singkat yang menjelaskan topiknya dengan bahasa sehari-hari.
Prasyarat¶
Pemahaman dasar pemrograman dan matematika tingkat SMA. Python dijelaskan dari awal.
Daftar pelajaran¶
| # | Pelajaran | Isi utama | Dipakai oleh |
|---|---|---|---|
| 1 | Lingkungan Python | venv, instalasi, skrip vs notebook, reproduksibilitas | Semua bab |
| 2 | NumPy | array, axis, broadcasting, jarak Euclidean |
Semua bab |
| 3 | pandas | DataFrame, seleksi, groupby, data hilang |
Semua bab |
| 4 | Visualisasi Data | histogram, boxplot, scatter, heatmap | EDA, semua bab |
| 5 | Statistik | median, IQR, korelasi, probabilitas bersyarat | EDA, Estimasi, Forecasting |
| 6 | EDA | daftar periksa EDA, keputusan praproses | Semua bab |
| 7 | Pembersihan dan Praproses | imputasi, outlier, encoding, scaling | Semua bab |
| 8 | Feature Engineering | fitur turunan, log, binning, polinomial | Klasifikasi, Estimasi, Forecasting |
| 9 | Data Latih, Validasi, Uji | split, stratified, validasi silang | Semua bab |
| 10 | Metrik Evaluasi | precision, recall, F1, MAE, RMSE, R² | Klasifikasi, Estimasi |
| 11 | Workflow scikit-learn dan Pipeline | Pipeline, ColumnTransformer |
Semua bab |
| 12 | Overfitting, Underfitting, Kebocoran Data | diagnosis dan pencegahan | Semua bab |
Data dan reproduksibilitas¶
Contoh kode ada di folder examples/fundamentals/. Banyak lesson memakai data pelanggan sintetis (customer_data.py) dan beberapa dataset bawaan scikit-learn. Setiap contoh memakai seed tetap; keluaran yang ditampilkan berasal dari program yang benar-benar dijalankan (Python 3.14, scikit-learn 1.9).