Roadmap Belajar AI untuk Pemula

Belajar artificial intelligence sering terasa membingungkan karena daftar materinya sangat panjang. Ada Python, matematika, statistik, machine learning, deep learning, data engineering, dan berbagai alat baru.

Anda tidak perlu menguasai semuanya sekaligus. Yang Anda perlukan adalah urutan yang membuat setiap tahap menjadi fondasi bagi tahap berikutnya.

1. Mulai dengan Python dasar

Tujuan pertama bukan menjadi ahli Python. Tujuannya adalah mampu membaca, menulis, dan memperbaiki program kecil.

Pelajari bagian berikut:

• variabel dan tipe data;
• kondisi dan perulangan;
• fungsi;
• list, dictionary, tuple, dan set;
• membaca dan menulis berkas;
• menangani kesalahan sederhana;
• menggunakan modul dan lingkungan virtual.

Setelah mempelajari satu konsep, tulis program kecil tanpa menyalin seluruh contoh. Misalnya, buat program yang membaca daftar nilai, menghitung rata-rata, lalu menampilkan nilai tertinggi.

Jangan menunggu sampai semua sintaks terasa hafal. Kemampuan mencari dokumentasi dan memahami pesan kesalahan lebih penting daripada menghafal setiap fungsi.

2. Belajar bekerja dengan data

AI belajar dari data. Karena itu, tahap berikutnya adalah memahami bagaimana data dibaca, diperiksa, dibersihkan, dan diringkas.

Mulailah dengan:

• NumPy untuk array dan operasi numerik;
• pandas untuk data berbentuk tabel;
• Matplotlib atau Seaborn untuk visualisasi;
• notebook untuk mencatat kode, hasil, dan penjelasan.

Gunakan dataset kecil yang bisa Anda pahami. Data penjualan sederhana, kualitas udara, cuaca, atau nilai siswa lebih baik untuk latihan awal daripada dataset besar yang tidak memiliki konteks jelas.

Pada tahap ini, biasakan menanyakan:

1. Apa arti setiap kolom?
2. Apakah ada nilai yang hilang?
3. Apakah tipe datanya benar?
4. Apakah terdapat nilai yang tidak masuk akal?
5. Pola apa yang terlihat setelah divisualisasikan?

3. Pelajari matematika sesuai kebutuhan

Anda tidak harus menyelesaikan seluruh buku kalkulus sebelum mencoba machine learning. Pelajari matematika secara bertahap ketika konsep tersebut mulai digunakan.

Prioritas awal yang bermanfaat:

• aljabar dasar dan fungsi;
• vektor dan matriks;
• rata-rata, median, varians, dan distribusi;
• probabilitas dasar;
• konsep turunan dan gradien.

Fokus pada makna. Misalnya, jangan hanya menghafal rumus varians. Pahami bahwa varians membantu menjelaskan seberapa tersebar nilai dalam data.

4. Masuk ke machine learning klasik

Mulailah dengan masalah yang terstruktur dan dapat dievaluasi dengan jelas.

Konsep utama yang perlu dipahami:

• fitur dan target;
• data latih dan data uji;
• regresi dan klasifikasi;
• baseline;
• metrik evaluasi;
• overfitting dan underfitting;
• validasi silang;
• pipeline pemrosesan data.

Gunakan scikit-learn untuk eksperimen awal. Pustaka ini menyediakan antarmuka yang konsisten untuk menyiapkan data, melatih model, membuat prediksi, dan mengevaluasi hasil.

Jangan langsung mengejar model paling rumit. Model sederhana yang dijelaskan dengan baik lebih berguna daripada model kompleks yang tidak Anda pahami.

5. Bangun proyek kecil

Sebuah proyek pemula tidak harus menjadi aplikasi besar. Proyek yang baik menunjukkan cara Anda berpikir.

Struktur yang bisa digunakan:

1. Jelaskan masalah dan tujuan.
2. Periksa sumber dan kualitas data.
3. Lakukan eksplorasi data.
4. Tentukan baseline.
5. Latih satu atau dua model.
6. Pilih metrik yang sesuai.
7. Jelaskan kesalahan dan keterbatasan.
8. Tulis langkah untuk menjalankan proyek.

Contoh proyek pertama:

• memprediksi harga rumah dari fitur sederhana;
• mengklasifikasikan pesan spam;
• menganalisis faktor yang berkaitan dengan keterlambatan pengiriman;
• mengelompokkan pelanggan berdasarkan pola transaksi.

6. Pelajari deep learning setelah fondasinya kuat

Deep learning lebih mudah dipahami jika Anda sudah mengenal data latih, fungsi kerugian, evaluasi, dan overfitting.

Ketika siap, pelajari:

• tensor;
• jaringan saraf sederhana;
• fungsi aktivasi;
• proses training;
• batch dan epoch;
• optimisasi;
• regularisasi;
• evaluasi pada data yang tidak digunakan saat training.

Pilih satu framework, misalnya PyTorch, dan gunakan secara konsisten sampai Anda memahami alur kerjanya.

Jadwal belajar yang realistis

Untuk pembelajar yang juga bekerja atau kuliah, konsistensi lebih penting daripada durasi panjang.

Contoh ritme mingguan:

Hari	Kegiatan
Dua hari	Mempelajari konsep dan mencoba contoh
Dua hari	Mengerjakan latihan tanpa melihat solusi
Satu hari	Memperbaiki catatan dan kode
Akhir pekan	Melanjutkan proyek kecil

Sesuaikan durasinya dengan kondisi Anda. Hindari membuat jadwal yang hanya bisa dipertahankan selama satu minggu.

Tanda bahwa Anda siap melanjutkan

Anda siap berpindah tahap ketika mampu:

• menjelaskan konsep dengan kata-kata sendiri;
• menjalankan contoh tanpa bergantung pada langkah yang sangat rinci;
• membaca pesan kesalahan dan mencoba perbaikan;
• mengubah contoh untuk data atau pertanyaan yang berbeda;
• menjelaskan keterbatasan hasil.

Roadmap bukan perlombaan. Gunakan urutan ini untuk mengurangi kebingungan, lalu sesuaikan kedalamannya dengan tujuan Anda.