Bagian dari Perjalanan Machine LearningBaruPerjalananStatistik untuk Machine Learning
Statistik yang menjadi sandaran setiap model, dipelajari lewat simulasi dan plot, bukan hafalan rumus. Python sungguhan dengan NumPy, pandas, SciPy, dan scikit-learn, plus grafik di tiap pelajaran.
1,000+ coder terdaftar
64 pelajaran63 tantangan265 soal kuis
- Ramah pemula
Bantuan coding dengan AI
Pelajaran interaktif yang praktis
Kuis untuk menguji pemahamanmu
Sertifikat penyelesaian gratis
Silabus
Bagian ini termasuk dalam Perjalanan Machine Learning. Silabus lengkapnya punya lebih banyak bagian: klik pratinjau mana pun di bawah untuk melihatnya di halaman Perjalanan.
- Bagian 1Data dan Plot60 pelajaran
Bagian 2
Statistik untuk ML
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 pelajaran420- Bagian 3Pembelajaran Terawasi58 pelajaran
- Bagian 4Pembelajaran Tanpa Pengawasan51 pelajaran
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
Coding di mana saja
Bawa perjalanan coding-mu ke mana saja! Tanpa setup, tanpa unduhan: cukup buka dan mulai coding. Tersedia di iOS, Android, dan Web dengan rating bintang 4,9.
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 PenyelesaianDasar Python
Tambahkan ke LinkedInKenapa belajar statistik untuk ML dengan Coddy
- Simulasikan dulu, lalu lihat hasilnya. Lempar ribuan dadu, ambil ribuan sampel, acak kelompok ribuan kali, dan lihat histogramnya menjadi stabil. Probabilitas adalah porsi yang bisa kamu hitung sebelum menjadi rumus.
- Setiap pelajaran punya grafik: histogram densitas dengan kurva normal di atasnya, box plot dengan outlier-nya, heatmap korelasi, garis tren hasil fitting. Grafikmu sendiri muncul di tab Plot saat kamu menjalankan kode.
- Statistik yang benar-benar dipakai machine learning: mean dan median, sebaran dan persentil, distribusi dan z-score, sampling, outlier, korelasi, least squares dan R kuadrat, p-value dan t-test.
- Bagian ini berakhir di tempat model dimulai: feature scaling dengan
StandardScaler, encoding kategori denganpd.get_dummies, dan daftar periksa untuk menjelajahi dataset baru sebelum melatih apa pun.
Pertanyaan yang sering diajukan tentang statistik untuk machine learning
Seberapa banyak statistik yang dibutuhkan untuk machine learning?
Lebih sedikit dari yang ditakutkan kebanyakan orang. Untuk melatih dan menilai model dengan baik, kamu perlu bisa membaca nilai tengah dan sebaran, tahu apa itu distribusi dan outlier, mengukur hubungan dengan korelasi, mencocokkan garis, dan membedakan perbedaan nyata dari kebetulan. Itulah isi bagian ini. Pembuktian dan teori probabilitas yang berat penting untuk riset, bukan untuk memakai scikit-learn dengan baik.
Apakah ini statistik yang sama dengan untuk data science?
Ya. Statistik deskriptif, distribusi, sampling, korelasi, garis regresi, dan uji hipotesis adalah inti yang sama dari statistik untuk data science dan untuk machine learning. Bab-bab terakhirnya lebih condong ke model, dengan scaling, encoding, dan menjelajahi dataset sebelum melatih.
Apakah perlu kalkulus atau aljabar linear?
Tidak. Semuanya diajarkan dengan aritmetika, simulasi, dan grafik. Kalau ada rumusnya, kamu menemuinya sebagai satu baris kode dan sebuah gambar, lalu mencocokkannya dengan simulasi. Kalkulus dan aljabar linear baru berguna nanti kalau kamu mendalami cara algoritma dibuat.
Apa itu p-value, dalam bahasa sederhana?
stats.ttest_ind, jalan pintas berupa rumus untuk pertanyaan yang sama.Library Python apa yang dipakai?
stats dari SciPy untuk distribusi dan uji, serta scikit-learn untuk StandardScaler. Semuanya diajarkan di bagian visualisasi data Python yang datang sebelum bagian ini.Berapa lama waktunya?
64 pelajaran, sekitar 11 jam sesuai kecepatanmu sendiri: tiga sampai empat minggu dengan setengah jam sehari, termasuk empat tantangan akhir dengan data yang terlihat nyata.
Apakah bagian statistik ini gratis?
Ya. Pelajaran, grafik, petunjuk AI, dan sertifikat bagiannya gratis. Akun gratis bisa mengerjakan beberapa pelajaran per hari, dan Pro menghapus batas harian.
