Belajar Machine Learning dengan Python
Kursus machine learning praktis yang gratis. Tulis kode scikit-learn sungguhan, latih model dengan dataset nyata, dan lihat grafikmu muncul di tab Plot, selangkah kecil demi selangkah.
1,000+ coder terdaftar
233 pelajaran231 tantangan965 soal kuis
- Ramah pemula
Bantuan coding dengan AI
Pelajaran interaktif yang praktis
Narasi audio di setiap pelajaran
Kuis untuk menguji pemahamanmu
Sertifikat penyelesaian gratis
Latih model di browsermu
Kode scikit-learn sungguhan dengan output aslinya. Geser slider untuk mengubah satu baris dan lihat apa yang dipelajari model.
Nilai k yang kecil menghafal setiap titik data latih dan menggambar batas yang bergerigi. Nilai k yang lebih besar menghaluskannya.
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
X, y = make_moons(n_samples=200, noise=0.3, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
k = 5
model = KNeighborsClassifier(n_neighbors=k)
model.fit(X_train, y_train)
print(f"train accuracy: {model.score(X_train, y_train):.2f}")
print(f"test accuracy: {model.score(X_test, y_test):.2f}")
xx, yy = np.meshgrid(np.linspace(-2, 3, 56), np.linspace(-1.5, 2, 40))
proba = model.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]
proba = proba.reshape(xx.shape)
plt.figure(figsize=(5, 4))
plt.pcolormesh(xx, yy, proba, cmap="coolwarm", alpha=0.35)
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train,
cmap="coolwarm", edgecolors="k")
plt.title(f"k-nearest neighbors, k = {k}")
plt.show()
Silabus
Bagian 1
Data dan PlotHalaman khusus
Mulai bagianMulaiPerangkat dasar yang dibutuhkan setiap proyek machine learning: array NumPy, grafik matplotlib, dan tabel pandas. Muat dataset nyata, rangkum datanya, lalu buat plot dari temuanmu.Pendahuluan
4 pelajaran320Array NumPy
5 pelajaran520Matematika Array
6 pelajaran625Membentuk Data
4 pelajaran415Grafik Garis dan Scatter Plot
6 pelajaran625Grafik untuk Data
5 pelajaran520pandas DataFrame
6 pelajaran625Memfilter dan Mengurutkan
5 pelajaran520Mengelompokkan dan Membersihkan
5 pelajaran520Membuat Plot DataFrame
5 pelajaran520Dataset untuk ML
5 pelajaran520Tantangan Akhir
4 pelajaran420Bagian 2
Statistik untuk MLHalaman khusus
Mulai bagianMulaiStatistik yang mendasari setiap model: ukuran pemusatan dan penyebaran, distribusi, probabilitas melalui simulasi, sampel, pencilan, korelasi, garis tren, dan uji kelompok, lalu penskalaan dan pengodean fitur. Setiap konsep dihitung menggunakan data nyata dan ditampilkan dalam plot.Pusat dan Sebaran
6 pelajaran625Distribusi
6 pelajaran625Probabilitas melalui Simulasi
6 pelajaran625Sampel dan Populasi
5 pelajaran520Nilai Pencilan
5 pelajaran520Hubungan
6 pelajaran525Garis Tren
6 pelajaran625Membandingkan Kelompok
6 pelajaran625Skala Fitur
5 pelajaran520Kategori Encoding
4 pelajaran415Menjelajahi Dataset
5 pelajaran520Tantangan Akhir
4 pelajaran420Bagian 3
Pembelajaran TerawasiHalaman khusus
Mulai bagianMulaiLatih model nyata dengan scikit-learn: bagi data, latih model, buat prediksi, dan ukur hasilnya. Pelajari k-NN, regresi linear dan logistik, pohon, hutan, dan boosting, evaluasi yang andal dengan validasi silang, serta pipeline. Akhiri dengan proyek penguin dari awal hingga akhir.Model Pertamamu
5 pelajaran520Tetangga Terdekat
5 pelajaran520Regresi Linear
5 pelajaran520Regresi Logistik
5 pelajaran520Mengukur Model Klasifikasi
6 pelajaran625Pohon Keputusan
5 pelajaran520Overfitting
5 pelajaran520Validasi Silang
4 pelajaran415Ensemble
4 pelajaran415Pipeline
5 pelajaran520Proyek: Spesies Penguin
5 pelajaran525Tantangan Akhir
4 pelajaran420Bagian 4
Pembelajaran Tanpa PengawasanHalaman khusus
Mulai bagianMulaiTemukan struktur dalam data tanpa label: clustering k-means, hierarkis, dan berbasis densitas, PCA untuk melihat dan memadatkan banyak fitur, serta deteksi anomali. Akhiri dengan proyek eksplorasi digit.Menemukan Kelompok
5 pelajaran520Memilih k
5 pelajaran520Membaca Cluster
5 pelajaran520Pengelompokan Hierarkis
4 pelajaran415Pengelompokan Berbasis Kepadatan
4 pelajaran415Dimensi Lebih Sedikit
5 pelajaran520PCA dalam Praktik
5 pelajaran520Deteksi Anomali
5 pelajaran520Klaster dalam Praktik
4 pelajaran415Proyek: Penjelajah Digit
5 pelajaran525Tantangan Akhir
4 pelajaran420
Belajar sambil praktik
Tulis kode sungguhan, query database, buat website, dan kuasai prompt AI. Pelajaran interaktif kami mencakup setiap keterampilan yang dibutuhkan developer modern.
Bangun streakmu
Tetap konsisten dan lihat progresmu bertumbuh! Pantau kebiasaan coding harianmu, lindungi streakmu dengan hari beku, dan raih hadiah karena hadir setiap hari.
12 hari streak
Kembali besok untuk menjaga streakmu!
January 2026
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
21
22
23
24
25
26
27
28
29
30
Gandakan atau hangus
Hari ke-5 dari 7
Pembeku Streak
2 left
Kamu tidak sendirian
Bersaing di papan peringkat global, ajak teman untuk mendapat hadiah, dan rayakan kemenangan satu sama lain. Coding lebih seru bersama teman!
1
2
3
Zona promosiSemua cara belajar
Baca, dengarkan, uji dirimu, tanya AI, atau cari lagi apa pun yang sudah kamu pelajari. Setiap pelajaran menyesuaikan diri denganmu.
Variabel adalah wadah bernama yang menyimpan nilai yang bisa kamu pakai lagi nanti di programmu.
Di Python, kamu membuatnya dengan menulis nama, tanda sama dengan, lalu nilai yang ingin kamu simpan.
Nilainya bisa berubah seiring waktu. Menetapkan ulang nama itu cukup membuatnya menunjuk ke nilai baru.
Dapatkan sertifikat
Dapatkan sertifikat untuk setiap kursus yang kamu selesaikan. Tambahkan ke profil LinkedIn dan CV-mu untuk menunjukkan keahlian coding-mu kepada pemberi kerja.
Sertifikat Penyelesaian
Dasar Python
Tambahkan ke LinkedInKenapa belajar machine learning dengan Coddy
- Kamu melihatnya sebelum membacanya. Setiap pelajaran dibuka dengan grafik atau diagram: scatter bunga iris, decision boundary, dendrogram. Lalu kamu menulis kodenya, dan grafikmu sendiri muncul di tab Plot di sebelahnya.
- Python sungguhan, library sungguhan.
numpy,pandas,matplotlib,scipydanscikit-learnberjalan di Coddy dengan versi yang sama dengan yang dipakai data scientist, jadimodel.fit(X_train, y_train)di sini sama denganmodel.fit(X_train, y_train)di tempat kerja. Tidak ada yang perlu diinstal, tidak ada notebook yang perlu disiapkan. - Empat bagian sesuai urutan kerja yang sebenarnya: data dan plot, statistik untuk ML, supervised learning, lalu unsupervised learning. 233 pelajaran singkat, masing-masing dengan satu ide baru dan satu tugas yang memakainya.
- Dataset nyata yang punya cerita: bunga iris, kimia anggur, angka tulisan tangan, penguin Palmer. Kamu menyelesaikan dua proyek, pengklasifikasi spesies penguin dan penjelajah angka, dan setiap grafik diberi judul dan label sehingga layak masuk laporan.
Pertanyaan yang sering diajukan tentang belajar machine learning
Apa itu machine learning?
Machine learning adalah cara mengajari komputer lewat contoh, bukan lewat aturan. Kamu menunjukkan banyak baris data kepada sebuah model, misalnya bunga dengan ukuran kelopak dan spesiesnya, dan model itu mempelajari pola yang bisa dipakai pada baris yang belum pernah dilihatnya. Kalau barisnya disertai jawaban, itu supervised learning. Kalau tidak, dan model menemukan kelompok sendiri, itu unsupervised learning. Kursus ini mengajarkan keduanya.
Apakah harus jago matematika untuk belajar machine learning?
Tidak. Kamu cukup butuh aritmetika sekolah dan kesabaran membaca grafik. Kursus ini mengajarkan statistik yang dipakai machine learning (rata-rata, sebaran, distribusi, korelasi, p-value) dengan simulasi dan gambar, dan scikit-learn mengerjakan matematika beratnya untukmu. Kalkulus dan aljabar linear membantu kalau nanti kamu ingin membuat algoritma baru, tetapi tidak diperlukan untuk melatih, menguji, dan memahami model.
Apakah harus menguasai Python dulu?
if, perulangan, fungsi, dan list. Itulah bagian Fundamentals dari kursus Python, beberapa minggu dengan satu jam sehari. Semua setelah itu, import, NumPy, pandas, matplotlib, dan scikit-learn, diajarkan di sini sejak baris pertama.Library Python apa saja yang dipelajari?
Stack machine learning standar: NumPy untuk array, pandas untuk tabel, matplotlib untuk grafik, SciPy untuk statistik, dan scikit-learn untuk model (k-nearest neighbors, regresi linear dan logistik, decision tree, random forest, gradient boosting, k-means, DBSCAN, PCA, dan lainnya). Semuanya berjalan di Coddy dengan versi terbaru, jadi kode yang kamu tulis di sini berjalan sama di komputermu sendiri.
Apakah perlu GPU atau komputer yang kuat?
Tidak. Kodemu berjalan di server Coddy dan grafiknya dikirim kembali ke browser, jadi laptop, Chromebook, atau tablet sudah cukup. Machine learning klasik dengan scikit-learn memang berjalan lancar di prosesor biasa. GPU penting untuk melatih neural network besar, yang tidak dibahas di kursus ini.
Apa yang bisa dibuat setelah kursus ini?
Model yang menjawab pertanyaan nyata dari sebuah tabel: apakah email ini spam, pelanggan mana yang kemungkinan berhenti, penguin ini spesies apa, berapa sepeda yang akan disewa besok, kelompok pembeli apa saja yang ada, bacaan server mana yang terlihat janggal. Kamu juga belajar menilainya secara jujur dengan test set, cross-validation, confusion matrix, dan kurva ROC, yang membuat sebuah model layak dipercaya.
Berapa lama waktu yang dibutuhkan untuk belajar machine learning?
Apakah kursus machine learning ini gratis?
Ya. Pelajaran, grafik, petunjuk AI, dan sertifikatnya gratis. Akun gratis bisa mengerjakan beberapa pelajaran per hari, dan Pro menghapus batas harian.
