Modul 7: Deep Learning Intro

Neural network = tumpukan lapisan neuron. Tiap neuron: kalikan input × bobot, jumlahkan + bias, lewatkan fungsi aktivasi (ReLU, sigmoid). Lapisan-lapisan belajar fitur makin abstrak: garis → bentuk → wajah. 'Deep' = banyak lapisan.

Cara belajarnya: forward pass (prediksi) → hitung loss (seberapa salah) → backward pass (gradien: siapa yang salah berapa) → optimizer (SGD/Adam) memperbarui bobot. Ulangi ribuan kali. Itu saja — sisanya rekayasa.

import torch
import torch.nn as nn

model = nn.Sequential(
    nn.Linear(2, 8), nn.ReLU(),
    nn.Linear(8, 1), nn.Sigmoid(),
)
loss_fn = nn.BCELoss()
optim = torch.optim.Adam(model.parameters(), lr=0.01)
# loop: pred = model(X); loss = loss_fn(pred, y)
#        optim.zero_grad(); loss.backward(); optim.step()

Istilah kunci: epoch (satu putaran penuh melihat data), batch (paket data per update), learning rate (besar langkah update — terlalu besar meledak, terlalu kecil lambat). GPU mempercepat matriks×matriks — di Colab aktifkan Runtime → Change runtime type → GPU.

Kapan deep learning perlu? Data besar + pola kompleks (gambar, suara, bahasa). Untuk data tabular kecil, scikit-learn sering menang — dan lebih mudah dijelaskan. Referensi: microsoft/AI-For-Beginners & karpathy/nn-zero-to-hero (micrograd — membangun NN dari nol).