Front matter
Daftar Isi
Navigasi lengkap buku dan praktikum
Front matter
CCover BukuCover utama dan arah visual buku.
THalaman JudulIdentitas buku, edisi, dan penulis.
ATentang PenulisProfil Wayan Dadang sebagai penulis utama.
Daftar bab
00
Peta Belajar AI dari NolMengapa AI penting, cara belajar, dan cara memakai buku tebal ini tanpa tersesat.Lab: AI lab journal, glossary bilingual, peta kompetensi pribadi.
01
Apa Itu Artificial Intelligence?Definisi AI, sejarah singkat, symbolic AI, statistical AI, modern AI, dan batasan hype.Lab: Membuat peta contoh AI di sekitar pembaca Indonesia.
02
Peta AI, ML, DL, dan RLHubungan AI, data science, ML, DL, generative AI, dan RL; taksonomi algoritma.Lab: Mengklasifikasikan 30 kasus ke jenis AI/ML/DL/RL.
03
Python, Data, dan Notebook ReproducibleFondasi Python, Jupyter, Git, dataset kecil, dan cara berpikir eksperimen.Lab: Notebook reproducible dengan data mini.
03B
Eksplorasi, Visualisasi, dan Kualitas DataTipe data, struktur data, data cleaning, EDA, plotting, outlier, data sintetis, splitting, leakage, dan pemilihan model berdasarkan tipe data.Lab: Audit data tabular campuran, bersihkan data, buat plot, tangani outlier, split data aman, dan tulis data insight report.
04
Matematika AI yang MenyenangkanAljabar linear, vektor, matriks, ruang fitur, dan geometri model melalui cerita dan visual.Lab: Visualisasi vektor dan decision boundary dengan Python.
05
Probabilitas, Statistik, Kalkulus, dan GradientKetidakpastian, distribusi, loss, turunan, gradient descent, dan optimisasi tanpa trauma rumus.Lab: Simulasi dadu/pasar + gradient descent manual.
06
Fondasi Machine LearningDataset, fitur, label, train/validation/test, leakage, bias-variance, metrik, baseline.Lab: Baseline model yang jujur pada dataset tabular.
07
Supervised LearningRegression, classification, kNN, Naive Bayes, logistic regression, decision tree, random forest, boosting, SVM.Lab: Perbandingan algoritma supervised learning.
08
Unsupervised dan Representation LearningClustering, PCA, embeddings, anomaly detection, self-supervised learning pengantar.Lab: Segmentasi data dan visualisasi PCA/embedding.
09
Neural Network dari NolNeuron, layer, activation, forward pass, loss, backprop intuitif, training loop.Lab: Neural network kecil dari NumPy.
10
Deep Learning PraktisCNN/RNN/Transformer sebagai keluarga model, regularization, transfer learning, dan GPU basics.Lab: Training model kecil dan membaca kurva loss.
11
Generative AI dan LLM sebagai Konteks ModernMengapa generative AI penting, prompting, embeddings, RAG, hallucination, dan safety sebagai overview.Lab: Mini RAG dokumen publik dengan sitasi.
12
Reinforcement LearningBandit, eksplorasi-eksploitasi, game theory, MDP, Bellman, DP, Monte Carlo, TD, SARSA, Q-learning, DQN/deep Q-network, policy gradient, actor-critic, SAC, offline RL, RLHF/RLAIF, Hugging Face TRL, dan safety reward design.Lab: Sales bandit, gridworld SARSA/Q-learning, Mini Pong, policy gradient bandit, soft/SAC-style pricing, dan toy RLHF.
13
Capstone AI-FirstProyek akhir AI sampai RL tanpa robotics: problem framing, data, model, evaluasi, demo, etika.Lab: Repo capstone + laporan + demo + risk register.