Belajar Deep Learning dari dasar hingga production-grade: pre-requisites skill & setup environment, sejarah & mengapa mendalaminya, neural network fundamentals, PyTorch dasar tensors & autograd, Keras 3 & TensorFlow dasar, MLP klasifikasi & regression, optimization & regularization, CNN computer vision, transfer learning & pretrained models, data pipeline dataset & dataloader & augmentation, object detection & segmentation, RNN LSTM & sequence data, transformer arsitektur & attention, training GPU & distributed training, experiment tracking & hyperparameter tuning, NLP modern tokenizer embeddings & LLM dasar, fine-tuning LLM PEFT & LoRA, AI security, generative models GAN VAE & diffusion, optimisasi inference quantization & pruning, deployment & serving model, multimodal & foundation models, reinforcement learning & agentic, ekosistem & tren modern 2026, hingga roadmap karir & refleksi akhir dengan total 25 episode.
Sebelum menyentuh jaringan saraf, kalian perlu menguasai Python & NumPy, dasar machine learning, dan aljabar linear. Di episode ini kalian juga menyiapkan Python 3.12+, PyTorch 2.11, TensorFlow 2.21/Keras 3, dan akses GPU via Colab, lalu memverifikasi seluruh environment siap dipakai sepanjang series.

Menelusuri evolusi deep learning dari perceptron 1958, backpropagation 1986, kemenangan AlexNet di ImageNet 2012, hingga transformer 2017 dan era foundation model multimodal 2025-2026, serta alasan keterampilan ini menjadi yang paling dicari di industri AI.

Membedah fondasi matematis jaringan saraf: neuron, weight & bias, fungsi aktivasi ReLU/Sigmoid/Tanh/GELU, loss function, serta alur forward propagation, backpropagation, dan gradient descent dengan optimizer SGD hingga Adam/AdamW.

Praktik pertama di PyTorch 2.11: menguasai tensor dan operasinya, memindahkan komputasi ke GPU CUDA, memahami autograd yang menghitung gradien otomatis, mengenal nn.Module, lalu membangun model linear dan MLP dari scratch.

Mengenal Keras 3 yang multi-backend (JAX/TensorFlow/PyTorch) dan TensorFlow 2.21: membangun model dengan Sequential & Functional API, layer dan training loop, lalu komparasi workflow PyTorch vs Keras untuk memilih framework yang tepat.

Praktik MLP penuh: klasifikasi Fashion-MNIST dengan design layer & units, Dropout dan regularisasi, serta tabular regression dengan evaluasi metrik, hyperparameter, dan tuning agar model benar-benar generelasisasi.

Mendalami optimizer tingkat lanjut: SGD momentum, Adam/AdamW, learning rate scheduling cosine & warmup, gradient clipping, serta regularisasi dropout, weight decay, early stopping, dan data augmentation agar training stabil dan generalisasi optimal.

Memahami convolution, pooling, stride & padding yang membuat jaringan bisa membaca gambar, mengenal arsitektur ResNet, EfficientNet, dan MobileNet, lalu praktik klasifikasi CIFAR-10 dari nol sampai CNN yang akurat.

Menguasai transfer learning: perbedaan fine-tuning vs feature extraction, kapan memakai pretrained ImageNet, perlakuan freezing layer dan learning rate berbeda, serta pipeline lengkap dengan torchvision dan Hugging Face.

Membangun data pipeline production: Dataset & DataLoader PyTorch, batching, shuffling, dan prefetch, plus augmentasi dengan torchvision transforms dan Albumentations agar model robust terhadap variasi data nyata.
