Referensi yang saya masukkan di sini semuanya bisa diakses secara legal dan gratis di internet.
Buku dan Paper
- Neural Networks and Deep Learning oleh Michael Nielsen. Karena AI sekarang sudah banyak menggunakan deep learning, sepertinya buku daring ini perlu saya masukkan juga. Bahasanya asyik dan kecepatan bahasannya juga pas menurut saya. Jangan tertipu dengan formatnya yang hanya laman web ya, buku ini keren kok.
- Pattern Recognition and Machine Learning oleh Christopher Bishop. Salah satu buku rujukan utama universitas top dunia untuk ML. Bahasannya lengkap, tapi untuk tingkat menengah-lanjut. Baru-baru ini digratiskan oleh penulisnya.
- A Course in Machine Learning oleh Hal Daumé III. Bukunya masih versi 0.99 yang artinya ada beberapa bagian yang masih akan dilengkapi, tapi sekilas saya lihat buku ini tidak sesukar PRML-nya Chris Bishop
- Python Data Science Handbook oleh Jake VanderPlas. Salah satu buku favorit saya untuk pemula. Menjelaskan konsep ML dengan contoh kode dalam bahasa Python dan beberapa pustaka standar seperti NumPy, matplotlib, dan scikit-learn.
- A Few Useful Things to Know about Machine Learning oleh Pedro Domingos. Paper yang menjelaskan konsep-konsep penting dalam ML. Hanya 9 halaman dan tidak mengandung rumus-rumus, lebih ke aplikasi ML yang baik.
Materi Kuliah
- Stanford CS229/Coursera Machine Learning oleh Andrew Ng. Nilai 4.9/5.0 tentu menunjukkan kualitas dari kuliah ini. Penjelasannya sangat baik dan jadi rujukan banyak orang yang baru belajar AI/ML. Sayangnya, kuliah ini masih menggunakan bahasa pemrograman Matlab/Octave. Di versi terbaru, sepertinya sudah jadi CS229a.
- Pengenalan Pola dan Kecerdasan Buatan oleh yours truly. Boleh promo diri sendiri kan? Hahaha… Materi yang saya masukkan di sini banyak mengadaptasi dari apa yang saya tuliskan di atas. Bedanya, sudah banyak dibuat dalam bahasa Indonesia. Saya juga sertakan beberapa materi praktikum dan tugas yang menggunakan teknologi seperti Python, Jupyter notebook, dan pustaka standar Python untuk ML. Edit: Saya juga sudah buat channel YouTube loh.
- University of Edinburgh Introductory Applied Machine Learning oleh Victor Lavrenko. Penjelasannya bagus banget, mengalahkan materi ML yang saya dapatkan di ITB dulu. Visualisasi yang diberikan membantu saya memahami materinya dengan mudah.
- Stanford CS221 Artificial Intelligence. Berhubung di pertanyaannya ada AI, jadi saya harus masukkan ini juga. Salindia interaktif dan catatan kuliahnya saja sudah cukup membantu saya memahami berbagai konsep AI. Buat saya, penjelasan tentang bagian reinforcement learning-nya entah kenapa lebih mudah dicerna dibandingkan kuliah Reinforcement Learning-nya David Silver. Selain itu, setiap bagian dihubungkan dengan baik, jadi kita tidak melihat tiap topik sebagai bahasan terpisah.
- fast.ai oleh Jeremy Howard. Karena di atas sudah disebut mungkin perlu deep learning, jadi “kuliah” ini perlu dimasukkan juga. Interaktif dan menggunakan pendekatan pemrograman, alih-alih matematis seperti kebanyakan kuliah lain. Mereka juga punya pustakanya sendiri supaya Anda bisa mengaplikasikan model deep learning maupun machine learning dalam kurang dari 10 baris!