Belajar AI dan ML Terstruktur dengan AI-ML-Roadmap-from-scratch

aadi1011/AI-ML-Roadmap-from-scratch adalah repositori kurikulum terbuka yang dirancang untuk memandu siapa saja mempelajari kecerdasan buatan dan machine learning dari tingkat pemula hingga tingkat lanjut. Repositori ini ditujukan bagi mahasiswa, developer perangkat lunak, dan profesional data yang membutuhkan navigasi materi terstruktur tanpa harus bingung memilih referensi. Melalui jalur belajar yang disusun secara bertahap, proyek ini mengumpulkan materi kredibel dari universitas, platform kursus global, dan praktisi industri.

Memahami Roadmap dan Nilai Praktisnya

Banyak pemula menghadapi kendala kelebihan informasi saat mulai mempelajari kecerdasan buatan. Materi yang tersebar di internet sering kali tidak tersusun secara hierarkis, sehingga pembelajar kesulitan menentukan topik mana yang harus dikuasai terlebih dahulu. aadi1011/AI-ML-Roadmap-from-scratch mengatasi masalah tersebut dengan menyusun modul pembelajaran berdasarkan tingkat kesulitan yang meningkat secara logis.

Repositori ini tidak hanya mencakup topik tradisional seperti aljabar linier, pemrograman Python dasar, dan analisis statistik data, tetapi juga menyertakan materi modern yang sangat dibutuhkan di industri saat ini. Materi di dalamnya mencakup Computer Vision, Deep Learning, Generative AI, Retrieval Augmented Generation (RAG), hingga Agentic AI. Pembelajar dapat mengikuti materi secara berurutan dari modul paling awal atau memilih modul tertentu secara paralel sesuai dengan tingkat pemahaman masing-masing.

Fitur-fitur utama yang ditawarkan dalam repositori ini meliputi:

• Modul berjenjang dari Module 0 hingga Module 10 serta Bonus Module yang disusun berdasarkan tingkat kesulitan teknis.
• Pembagian disiplin ilmu yang komprehensif, mencakup fondasi matematika, pemrograman dasar, Data Science, Machine Learning klasik, hingga Deep Learning.
• Modul khusus teknologi kontemporer seperti Generative AI, Retrieval Augmented Generation (RAG), dan alur kerja Agentic AI.
• Kurasi materi multimedia gratis yang bersumber dari YouTube, kursus bersertifikasi, repositori GitHub, dan artikel teknis terkemuka.
• Penanda visual khusus bintang pada materi esensial untuk mempermudah pembaca menemukan kursus yang paling direkomendasikan.

Cara Mempersiapkan Lingkungan Belajar

Sebelum melangkah ke materi teori dan implementasi model, Module 0 menetapkan bahwa persiapan lingkungan kerja sistem operasi dan compiler Python harus diselesaikan terlebih dahulu. Panduan ini membutuhkan sistem operasi Windows (Windows 11, 10, 8, atau 7), hak akses administrator, pemasangan Python dari Python 3.14 Download, editor teks seperti Visual Studio Code Download, serta pengelola paket pip.

Langkah-langkah persiapan lingkungan dan verifikasi pengelola paket pip di Windows adalah sebagai berikut:

1. Buka Command Prompt dengan hak akses administrator, kemudian periksa apakah Python sudah terpasang dengan benar di sistem:

python --version

1. Unduh berkas skrip instalasi get-pip.py dari alamat https://bootstrap.pypa.io/get-pip.py, lalu simpan berkas tersebut ke dalam direktori kerja.

2. Jalankan skrip bootstrap tersebut menggunakan perintah berikut untuk memasang pip ke lingkungan Python:

python get-pip.py

1. Verifikasi bahwa pip telah terpasang dengan mengecek versi yang aktif di sistem:

pip --version

1. Setelah pengelola paket siap digunakan, instalasi modul dan pustaka pendukung dapat dilakukan kapan saja dengan menjalankan perintah standar:

pip install package_name

Jika diperlukan pembaruan versi modul pengelola paket di kemudian hari, perintah berikut dapat digunakan langsung:

python -m pip install -U pip

Menjalankan Rencana Pembelajaran Berdasarkan Modul

Repositori ini bekerja sebagai peta panduan mandiri. Agar proses belajar berjalan efektif, pembelajar disarankan mengikuti modul secara sistematis sesuai urutan yang telah dirancang:

Langkah awal dimulai dari Module 0 dan Module 1 untuk memastikan penguasaan matematika dasar, kalkulus, dan aljabar linier sebelum menulis algoritma machine learning. Selanjutnya, lanjutkan ke Module 2 untuk menguasai sintaks dasar bahasa pemrograman Python serta struktur data fundamental.

Setelah fondasi komputasi terbentuk, pembelajar diarahkan ke Module 3 dan Module 4 guna mendalami analisis data eksploratif, pembersihan dataset, dan algoritma machine learning terawasi maupun tak terawasi. Tahapan berikutnya mencakup Module 5 untuk visi komputer, Module 6 untuk jaringan saraf tiruan, serta Module 7 hingga Module 10 yang membahas sistem generatif, RAG, NLP, Reinforcement Learning, dan integrasi agen otonom.

Pelajari dokumentasi lengkap serta tautan modul langsung pada repositori aadi1011/AI-ML-Roadmap-from-scratch on GitHub atau kunjungi portal situs resminya di https://aadi1011.github.io/AI-ML-Roadmap-from-scratch/.