4,9/5 · 152 ulasan · Pemula sampai lanjut
Les deep learning Jogja untuk pemula sampai lanjut. Satu tutor satu peserta, dari fondasi Python sampai model terlatih dan portofolio proyek yang siap ditunjukkan.
Kenapa Edufio
Sebagian peserta ingin diajar orang yang tiap hari melatih model di kantor. Sebagian lagi lebih nyaman bersama tutor yang terbiasa menghadapi pertanyaan dosen penguji. Keduanya tersedia, dan kamu menentukan sejak profil dikirim.
Cara mengajar yang pas untuk satu orang bisa terasa terlalu cepat bagi yang lain. Sampaikan saja ke tim kami; penggantinya disiapkan tanpa tambahan biaya dan catatan kemajuanmu ikut berpindah.
Tutor membuka repositorimu, menjalankan ulang percobaan terakhir, lalu menunjukkan baris mana yang membuat angka melenceng. Umpan balik sedetail itu tidak tersedia di kelas rekaman mana pun.
Peserta kami banyak yang asisten praktikum, pekerja dengan jam giliran, atau mahasiswa berjadwal kuliah pecah. Sesi bisa jatuh pukul enam pagi sebelum berangkat, atau pukul delapan malam sepulang kerja.
Peserta yang mengejar sidang bulan depan menerima urutan materi yang berbeda dari peserta yang menyiapkan lamaran kerja. Target ditulis di sesi pemetaan dan ditinjau ulang tiap awal bulan.
Tiap sesi meninggalkan rekaman: konfigurasi yang dicoba, metrik yang keluar, dan alasan langkah berikutnya. Berkas itulah yang nanti kamu tunjukkan kepada pembimbing atau kepada pewawancara teknis.
Kisah peserta
Sejak catatan percobaan saya dirapikan, jam pakai komputer lab tidak lagi habis untuk mengulang uji yang sama.
Cakupan
Kode terpisah dari notebook, konfigurasi terpusat, dan petunjuk pemasangan yang sudah diuji di folder kosong.
Setiap percobaan punya nama, konfigurasi, dan metrik. Hasil terbaikmu selalu bisa diulang, termasuk berbulan-bulan setelahnya.
Galat bentuk tensor, kehabisan memori, dan nilai NaN berhenti jadi tembok. Kamu tahu urutan pemeriksaan yang harus dijalani.
Kelas timpang, regresi, dan peringkat menuntut ukuran yang berbeda. Kamu bisa menjelaskan alasan memilih salah satunya.
Model bisa dipakai orang lain tanpa bertanya kepadamu lebih dulu, dan itu syarat pertama sebuah proyek disebut selesai.
Pemisahan per subjek, urutan penskalaan, dan pemakaian data validasi. Tiga kebiasaan yang menyelamatkan angka laporanmu.
Daftar makalah dan dokumentasi yang relevan dengan bidangmu, disusun berurutan supaya kamu bisa jalan sendiri setelah program selesai.
Sesi tanya jawab bergaya penguji sidang dan wawancara teknis, dengan jawaban yang bertumpu pada angka percobaanmu sendiri.
Rekam jejak Edufio
4,9/5
penilaian 152 peserta dan alumni
Tahap demi tahap
Rentang di bawah memakai dua sesi per pekan sebagai patokan, ritme yang paling umum dipilih peserta di Jogja. Peserta yang datang dengan Python yang sudah kuat kerap memotongnya sepertiga, sedangkan yang mengejar sidang dalam waktu dekat menukar urutannya.
Tutor menilai kemampuan Python, kenyamanan matematika, dan perangkat yang kamu punya. Sesi ditutup dengan satu skrip pelatihan sederhana yang berjalan di mesinmu sendiri.
Tiga pekan berikutnya membuat operasi tensor terasa biasa. Targetnya jelas: kamu bisa membaca pesan galat bentuk tensor dan langsung tahu lapisan mana yang bermasalah.
Klasifikasi citra atau teks berukuran kecil, dilatih dari awal sampai selesai tanpa menyalin notebook orang lain. Di sinilah laju belajar dan overfitting berhenti jadi istilah dan mulai jadi pengalaman.
Data kuliah, data kantor, atau data yang kamu kumpulkan sendiri. Sebagian besar waktu justru habis di pembersihan dan pemisahan, dan bagian itulah yang paling menentukan hasil akhir.
Metrik dipilih sesuai bentuk masalah, pembanding sederhana dibuat lebih dulu, lalu tiap perbaikan diuji satu per satu supaya penyebab kenaikan angka bisa ditunjuk dengan pasti.
Skrip prediksi, README berisi cara pakai, dan satu sesi latihan menjawab pertanyaan tajam soal keputusan desain. Format yang sama berguna di ruang sidang maupun di wawancara kerja.
Kami mulai dari memeriksa data, lanjut proyek klasifikasi citra, lalu ulasan kode tiap pekan. Waktu tes teknis, saya bisa menjelaskan tiap keputusan desain tanpa gugup.
Dosen pembimbing menanyai alasan saya memilih arsitektur itu, dan untuk pertama kalinya jawaban saya didukung angka dari percobaan sendiri.
Peta materi
Urutan di bawah adalah kerangka, dan tutor memotong atau menukarnya sesuai hasil sesi pemetaan. Peserta yang datang untuk penglihatan komputer melompati babak bahasa, dan sebaliknya.
Tipe data larik, penjumlahan siar, pemotongan matriks, dan cara menghindari perulangan Python yang membuat pelatihan berjalan puluhan kali lebih lambat.
Titik rawan
Peserta menulis perulangan bersarang untuk operasi yang sebenarnya satu baris NumPy, lalu menyimpulkan bahwa laptopnya kurang bertenaga.
Cara kami mendampingi
Kami menjalankan dua versi kode yang sama dengan pengukur waktu, sehingga selisihnya terbaca dalam satuan detik dan berhenti jadi teori.
Perkalian matriks, dimensi yang harus cocok, norma vektor, serta arti geometris dari bobot sebuah lapisan.
Titik rawan
Galat dimensi tensor dianggap salah ketik, padahal pesan itu menunjukkan persis di lapisan mana bentuk data melenceng.
Cara kami mendampingi
Tutor meminta peserta menuliskan bentuk tensor di tiap lapisan dengan tangan sebelum kode dijalankan sekali pun.
Aturan rantai pada jaringan sederhana, arti gradien yang bernilai nol, dan cara kerangka kerja menghitung semuanya secara otomatis.
Titik rawan
Gradien diperlakukan sebagai kotak hitam sampai muncul nilai NaN, dan pada saat itu tidak ada yang tahu harus memeriksa bagian mana.
Cara kami mendampingi
Kami menurunkan gradien jaringan dua lapis di atas kertas satu kali, lalu mencocokkan hasilnya dengan keluaran autograd.
Pengaruh laju belajar terhadap kurva loss, penjadwal laju, serta perbedaan perilaku SGD, Adam, dan AdamW pada data berukuran sedang.
Titik rawan
Loss meledak atau mendatar sejak epoch pertama, lalu peserta mengganti arsitektur padahal yang bermasalah cuma satu angka.
Cara kami mendampingi
Tutor menyuruh menjalankan pencarian laju singkat dan membaca kurvanya, kebiasaan yang menghemat berjam-jam tebakan.
Pemisahan data latih, validasi, dan uji; dropout; weight decay; augmentasi; serta cara membaca jarak antara dua kurva.
Titik rawan
Akurasi latih menembus sembilan puluh sembilan persen dan itu dirayakan, padahal jaraknya dengan validasi justru sedang melebar.
Cara kami mendampingi
Kami membiasakan menempel kedua kurva dalam satu grafik sejak percobaan pertama, sehingga gejalanya terbaca sebelum waktu habis.
Kernel, langkah, padding, pemetaan fitur, dan alasan lapisan konvolusi jauh lebih hemat parameter dibandingkan lapisan padat.
Titik rawan
Statistik normalisasi citra saat pelatihan berbeda dengan yang dipakai saat inferensi, dan modelnya tampak rusak tanpa sebab yang jelas.
Cara kami mendampingi
Pipeline pemrosesan ditulis sekali sebagai fungsi bersama, lalu dipakai ulang oleh skrip pelatihan maupun skrip prediksi.
Pembekuan lapisan, penyetelan halus, pemilihan model dasar, dan perkiraan jumlah data minimum yang masuk akal untuk tiap pilihan.
Titik rawan
Model besar dilatih dari nol dengan delapan ratus gambar, lalu hasil yang jelek disalahkan pada ukuran datanya.
Cara kami mendampingi
Tutor menunjukkan selisih hasil antara pelatihan dari nol dan penyetelan halus pada data peserta sendiri dalam satu sesi.
Tokenizer subword, panjang urutan, penanganan imbuhan bahasa Indonesia, serta embedding yang sudah tersedia untuk teks berbahasa lokal.
Titik rawan
Tokenizer yang dipakai saat inferensi berbeda versi dengan yang dipakai saat pelatihan, sehingga prediksinya berubah acak.
Cara kami mendampingi
Kami menyimpan tokenizer bersama bobot model sejak percobaan pertama dan mengujinya lewat satu berkas pemeriksa kecil.
Query, key, value, kepala jamak, pengodean posisi, dan alasan transformer menggeser model berulang di banyak tugas bahasa.
Titik rawan
Rumus attention dihafal tanpa pernah melihat bentuk matriksnya, sehingga galat memori saat urutan diperpanjang tidak terbaca sebabnya.
Cara kami mendampingi
Tutor menjalankan satu blok attention berukuran kecil lalu mencetak matriks bobotnya supaya polanya benar-benar terlihat.
Presisi, recall, F1, kurva presisi-recall untuk kelas timpang, serta cara memisahkan data berdasarkan subjek dan bukan berdasarkan baris.
Titik rawan
Penskalaan dihitung dari seluruh data sebelum pemisahan, sehingga informasi data uji merembes ke pelatihan dan angkanya terlalu bagus.
Cara kami mendampingi
Kami memeriksa urutan pemisahan dan penskalaan di tiap proyek sebagai langkah wajib sebelum satu angka pun dilaporkan.
Penamaan run, penyimpanan konfigurasi, penguncian benih acak, pencatatan versi data, dan checkpoint berkala di tengah pelatihan panjang.
Titik rawan
Hasil terbaik terpampang di grafik tetapi konfigurasinya sudah tertimpa, dan percobaan itu tidak pernah bisa diulang lagi.
Cara kami mendampingi
Setiap sesi ditutup dengan menulis satu baris ringkasan percobaan ke berkas catatan yang sama sepanjang program.
Menyimpan bobot secara terpisah, memuat model di mesin lain, menulis skrip prediksi, lalu membungkusnya jadi layanan kecil yang bisa dipanggil.
Titik rawan
Model disimpan bersama seluruh objek Python, lalu gagal dimuat begitu struktur folder proyek berubah sedikit saja.
Cara kami mendampingi
Tutor meminta peserta memuat model dari folder kosong yang baru, uji sederhana yang menangkap masalah ini seketika.
Kenali Tutornya
Kredensial jelas, jam terbang mengajar nyata, jadwal menyesuaikan agenda Anda.
Kenapa privat
Di tempat pilihan Anda, Jogja
Mulai dari assessment, lalu belajar deep learning rutin bersama tutor yang sama tiap sesi.
Peserta yang datang ke kami jarang memulai dari nol. Hampir semuanya membawa bekas belajar mandiri: satu buku aljabar linear yang berhenti di bab ketiga, satu notebook Colab hasil salinan dari kompetisi daring, dan satu folder berisi tiga percobaan tanpa keterangan apa pun. Potongannya benar, susunannya yang belum ada.
Deep learning menegur kesalahan dengan cara yang halus. Skrip tetap berjalan, angka tetap keluar, grafik tetap tergambar rapi. Yang keliru baru terlihat ketika model dipakai pada data baru dan akurasinya turun dua puluh poin. Tanpa ada yang memeriksa, orang cenderung menyalahkan jumlah data atau arsitektur, dua tersangka yang hampir selalu salah alamat.
Di Jogja, jarak menuju orang yang bisa memeriksa itu lebih jauh daripada yang dibayangkan. Dosen pembimbing memegang belasan mahasiswa sekaligus, komunitas bertemu sebulan sekali, dan rekan satu laboratorium sedang mengejar target masing-masing.
Garis besarnya
Banyak yang berhenti di halaman penuh notasi sigma lalu menyimpulkan bidang ini menuntut gelar matematika. Bagian yang benar-benar dipakai sehari-hari jauh lebih sempit, dan bisa dipelajari sambil menulis kode.
Kartu grafis di laboratorium riset dipakai bergiliran, dan sesi bisa terputus di tengah pelatihan. Tanpa kebiasaan menyimpan checkpoint, enam jam kerja lenyap dalam satu kali putus.
Satu paragraf dokumentasi bisa memuat tujuh istilah baru sekaligus. Dibaca sendirian, halaman itu melelahkan. Dibaca bersama tutor, urutan pentingnya langsung terlihat.
Setelah dua pekan, folder proyek berisi belasan berkas bernama model_final_v3 dan tidak ada yang ingat mana yang menghasilkan angka terbaik.
Pekerjaan yang tidak pernah dibungkus jadi skrip dan dokumentasi sulit ditunjukkan kepada siapa pun. Perekrut membuka repositori, sedangkan yang tersedia hanya tangkapan layar grafik.
Kelas pembuka tidak diisi slide sejarah kecerdasan buatan. Tutor meminta kamu membuka apa pun yang sudah ada: tugas kuliah, notebook sisa kursus daring, atau berkas data mentah yang belum sempat disentuh. Dari situ terbaca tiga hal sekaligus, yaitu kenyamananmu dengan Python, kebiasaan menata berkas, dan sejauh mana pemahaman matematismu sudah berjalan.
Kami menanyakan target waktu, bentuk data yang akan kamu pakai, dan spesifikasi perangkat. Peserta yang sidang tiga bulan lagi menerima urutan yang mendahulukan evaluasi dan penulisan. Peserta yang menyiapkan lamaran kerja membangun dua proyek berbeda jenis lebih dulu. Spesifikasi perangkat menentukan ukuran model yang masuk akal dilatih di rumah.
Hasil pemetaan ini ditulis jadi rencana empat sampai lima bulan, lalu ditinjau tiap awal bulan. Rencana yang tidak pernah ditinjau berubah jadi daftar keinginan.
Pertanyaan ini muncul di hampir setiap sesi pemetaan, dan jawabannya lebih ringan daripada yang ditakutkan. Untuk sampai ke titik melatih model sendiri lalu menjelaskan hasilnya, tiga wilayah sudah memadai: perkalian matriks beserta aturan dimensinya, turunan parsial dan aturan rantai, serta gagasan dasar peluang seperti sebaran, rata-rata, dan simpangan baku.
Dekomposisi nilai singular, teori informasi, dan optimasi cembung memang memperkaya pemahaman. Ketiganya jauh lebih mudah dicerna setelah kamu pernah melihat kurva loss turun lalu naik dengan matamu sendiri. Menuntutnya di awal membuat sebagian besar orang berhenti sebelum menyentuh model pertama.
Untuk mahasiswa DIY yang sudah mengambil Kalkulus dan Aljabar Linear di semester awal, bekal itu biasanya masih tersimpan dan hanya perlu dibangunkan. Kami memakai satu sesi khusus untuk menyegarkannya lewat contoh yang langsung berbentuk kode.
Rincian
Rata-rata dan simpangan baku diambil dari seluruh berkas, lalu data uji ikut mewarnai pelatihan. Hasilnya cantik di laporan dan runtuh begitu modelnya dipakai.
Pada data dengan tiga persen kasus positif, menebak negatif terus menghasilkan akurasi sembilan puluh tujuh persen. Presisi dan recall yang menceritakan keadaan sebenarnya.
Dropout dan batch normalization berperilaku berbeda saat pelatihan dan saat prediksi. Satu baris yang terlewat membuat metrik validasi dan hasil inferensi tidak pernah cocok.
Setiap kali hyperparameter dipilih berdasar data uji, perkiraan mutu modelmu jadi lebih optimistis daripada kenyataan. Data validasi ada persis untuk pekerjaan itu.
Pada data rekam medis, suara, atau tulisan tangan, pemisahan acak per baris menaruh orang yang sama di dua sisi. Yang dikenali model adalah orangnya, sedangkan polanya lolos begitu saja.
Sebagian besar peserta memakai laptop tanpa kartu grafis khusus, dan perangkat itu tetap cukup untuk sebagian besar perjalanan belajar. Kuncinya memilih ukuran masalah yang jujur: citra berukuran kecil lebih dulu, teks puluhan ribu baris lebih dulu, model dasar yang ringan lebih dulu.
Penyetelan halus model pralatih memangkas waktu pelatihan sampai sepersepuluh. Ukuran batch diperkecil lalu digabung lewat akumulasi gradien. Presisi campuran dinyalakan bila perangkatnya mendukung. Data disaring dulu supaya yang dilatih memang bagian yang berguna. Checkpoint disimpan tiap epoch supaya sesi yang terputus bisa dilanjutkan.
Kalau proyekmu memang menuntut kartu grafis sungguhan, kami menghitung bersama biaya sewa per jam dan menyusun jadwal supaya jam sewa terpakai untuk percobaan yang sudah matang. Peserta yang punya akses laboratorium kampus dibimbing memakai antrean itu dengan disiplin checkpoint.
Sorotan utama
Membedakan parang, kawung, dan truntum dari foto kain. Datanya kecil, jadi proyek ini menjadi latihan bagus untuk augmentasi dan penyetelan halus model pralatih.
Ribuan ulasan berbahasa Indonesia bercampur ragam Jawa. Peserta belajar menangani ejaan bebas, singkatan, dan label yang jumlahnya tidak seimbang.
Data harian digabung dengan kalender libur sekolah dan musim hujan. Proyek ini memperkenalkan model urutan sekaligus bahaya membocorkan informasi masa depan ke data latih.
Deteksi digit pada foto meteran yang diambil petugas di lapangan. Peserta berhadapan dengan pencahayaan buruk dan sudut miring, dua masalah nyata yang tidak pernah muncul di data kompetisi.
Ribuan pesan masuk dikelompokkan otomatis supaya penanganannya lebih cepat. Cocok untuk peserta yang datang dari tim operasional dan sudah punya datanya sendiri.
Notebook adalah tempat berpikir yang baik dan tempat menyimpan hasil yang buruk. Sel dijalankan tidak berurutan, variabel menempel di memori, dan orang yang membukanya besok belum tentu memperoleh angka yang sama. Karena itu setiap proyek di kelas ini berakhir dengan pemindahan isi notebook ke berkas Python yang bisa dijalankan dari baris perintah.
Satu skrip pelatihan, satu skrip prediksi, satu berkas konfigurasi, dan satu README yang menjawab empat hal: masalah apa yang diselesaikan, data berasal dari mana, angka apa yang dicapai dibandingkan pembanding sederhana, dan apa saja yang gagal di jalan. Bagian terakhir itu paling jarang ditulis orang, dan justru paling meyakinkan pembaca yang berpengalaman.
Sesi penutup dipakai untuk latihan menjelaskan. Tutor bertanya seperti penguji sidang atau pewawancara teknis, dan kamu menjawab sambil menunjuk angka di catatan percobaanmu sendiri.
Jalur berdekatan
Urutannya
Kirim pesan berisi latar pendidikan atau pekerjaan, sejauh mana Python sudah kamu pakai, dan target yang ingin dicapai. Tim kami membalas dengan pertanyaan lanjutan yang spesifik.
Tutor bisa datang ke kos, kampus, kantor, atau ruang kerja bersama pilihanmu di DIY. Peserta di luar jangkauan kunjungan memilih kelas online dengan berbagi layar.
Kami mengirim beberapa profil beserta latar proyek dan kampus asalnya. Kamu memilih yang paling dekat dengan bidang datamu.
Sesi pertama dipakai menilai kemampuan dan menyusun rencana bulanan. Kamu pulang membawa satu skrip pelatihan yang berjalan di perangkatmu sendiri.
Paket bulanan tersedia dari empat sampai dua puluh delapan sesi, berdurasi satu sampai dua jam. Pelunasan lewat transfer bank atau dompet digital sebelum sesi berjalan.
Awal bulan dipakai membaca ulang catatan percobaan dan menyetel rencana. Kalau gaya mengajar terasa kurang cocok, penggantian tutor diminta di titik ini.
Cukup ceritakan kebutuhanmu, kami rancang jalur belajar deep learning yang tepat sasaran.
