learning machine learning

book background

*Tetot* mengulang kata learning…

Di era informasi seperti sekarang ini, ada banyak sekali resource untuk belajar machine learning yang tersedia di internet. Mulai dari video lecture di youtube, kuliah online, artikel web, buku, dll. Hal ini tentunya sangat membantu bagi orang yang hendak belajar machine learning dari awal tanpa perlu mengeluarkan biaya sepeserpun (kecuali mungkin pulsa dan kuota data, yang bisa dibeli di traveloka dulu https://www.traveloka.com/connectivity/paket-internet)

Bingung memilih materi yang cocok untuk dipakai belajar? Post kali ini akan memberikan sedikit rekomendasi untuk memilih materi terbaik dari semua materi yang tersedia di internet.

Berdasarkan hasil diskusi dengan teman dan kolega kerja saya, 4 dari 5 data scientist  merekomendasikan 3 online course berikut:

  1. Udacity Intro to Machine Learning. Course yg diajar oleh Sebastian Thrun ini, berdasarkan pengakuan teman, saya lebih condong dalam aplikasi machine learning di berbagai bidang yang di-solve menggunakan open source library semacam sklearn. Cocok untuk pemula yang mungkin belum pernah mendapatkan kuliah tentang machine learning.
  2. Coursera Machine Learning. Course legendaris dari Andrew Ng ini akan menjelaskan intuisi dari berbagai algoritma ditambah implementasinya, seperti logistic regression, sehingga kita bisa dapat gambaran kenapa suatu algoritma bisa bekerja tanpa terlalu dikaburkan oleh turunan matematikanya.
  3. edX Learning from Data. kalau yang ini, berdasarkan testimoni yang sudah mengambil, sangat sarat dengan derivasi matematika dengan tingkat kesulitan tugas yang lumayan tinggi karena memang diambil dari course sungguhan di CalTech. Sangat disarankan kalau memang ingin mendalami lebih jauh secara teoritis algoritma machine learning.

Kalau setelah mengambil ketiga course di atas kita ingin mendalami lebih lanjut bagaimana machine learning digunakan ke spesifik bidang aplikasi, misal untuk bidang computer vision maka bisa dilanjutkan ke cs231n, yang diajar langsung oleh Andrej Karpathy. Sedangkan untuk natural language processing, bisa dilanjutkan ke cs224n.

Kalau misalkan ingin melanjutkan mendalami spesifik ke deep learning, kelas algoritma yang lagi hangat-hangatnya, maka resource yang bisa digunakan adalah buku deep learning yang ditulis oleh Ian Goodfellow dan Yoshua Bengio (http://www.deeplearningbook.org/).

Nah, kalau misalkan sudah mendapat basic fundamental pemahaman machine learning yang cukup lewat course di atas, langkah selanjutnya yang bisa dilakukan adalah keep up dengan hasil perkembangan riset terbaru, apalagi untuk bidang deep learning yang sekarang sedang pesat-pesatnya.

Cara pertama menurut saya adalah dengan me-follow akun twitter dari researcher-researcher machine learning itu sendiri. Mereka sering berdiskusi dengan semangat apabila ada hasil terbaru dari paper yang mungkin kontroversial. Kekurangannya mungkin ada bakal ada sesekali bahasan yang tidak masuk ranah machine learning sama sekali, seperti kondisi politik Amerika Serikat. Untuk rekomendasi akun twitter apa saja yang menarik untuk di-follow, bisa refer ke thread ini.

Selain itu, komunitas yang paling aktif untuk berdiskusi menurut saya adalah di reddit.com/r/machinelearning. Banyak thread-thread menarik yg membahas mengenai artikel terpopuler, paper terbaru, bahkan drama dan gosip terhangat di ranah machine learning itu sendiri. Orang-orang besar dan berpengaruh di machine learning juga suka nimbrung di diskusinya. Bahkan Google Brain sudah dua kali mengadakan AMA di sini. Secara user, r/ml ini lebih spesifik dari hacker news dan format diskusinya lebih cocok menurut saya kalau dibanding quora. Tentu saja, yang namanya forum internet pasti ada saja sekumpulan troll yang suka ngomong seenak udel, mengganggu ketentraman dan jalannya diskusi. Tapi, dengan method upvoting/downvoting dan active moderation, gejalanya bisa ditekan, dan diskusi bisa berjalan dengan lancar.

Kalau mau benar-benar update, teman-teman bisa subscribe di arxiv (https://arxiv.org/help/subscribe), tempat di mana researcher mengunggah paper mereka sebelum nantinya muncul di conference top machine learning macam NIPS dan CVPR (perhatikan karena rate progress yang sangat kencang, publikasi di jurnal tidak menjadi pilihan utama, karena pada waktu artikel ter-publish 6 bulan kemudian bisa jadi ide-nya sudah kadaluwarsa).

Demikian, semoga bermanfaat. Happy learning machine learning…

Iklan

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout /  Ubah )

Foto Google+

You are commenting using your Google+ account. Logout /  Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout /  Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout /  Ubah )

w

Connecting to %s