Kita hidup melalui apa yang sangat
mungkin menjadi titik penting dalam sejarah manusia, di mana pentingnya
Kecerdasan Buatan (AI) menjadi semakin tak terbantahkan. Pertimbangkan
saja statistik ini: 97% pemilik bisnis berharap ChatGPT akan membawa perubahan
positif setidaknya di satu area bisnis mereka, menurut survei oleh Forbes Advisor . Selain
itu, alat seperti ChatGPT, Midjourney, dan Bard mengantarkan AI ke arus utama. Ini
membuat seni dan sains AI lebih relevan dari sebelumnya. Jika Anda seorang calon ilmuwan data,
insinyur pembelajaran mesin, peneliti AI, atau sekadar penggemar AI, panduan
ini cocok untuk Anda. Sepanjang artikel ini, kami akan merinci cara mempelajari
AI dari awal dan menawarkan wawasan dari pakar industri untuk membantu
mengarahkan perjalanan Anda. Selain mencakup keterampilan dan alat yang
perlu Anda kuasai, kami juga mengeksplorasi bagaimana bisnis dapat memanfaatkan
AI dalam lanskap saat ini. Apa itu Kecerdasan
Buatan (AI)? AI, atau Kecerdasan Buatan, adalah cabang ilmu komputer yang berfokus pada pembuatan sistem yang dapat melakukan tugas yang biasanya membutuhkan kecerdasan manusia. Tugas-tugas ini berkisar dari memahami bahasa alami, mengenali pola, membuat keputusan, dan belajar dari pengalaman. AI adalah bidang yang luas dengan banyak subbidang, masing-masing dengan tujuan dan spesialisasi yang unik. Apa saja jenis-jenis kecerdasan buatan? Seiring semakin populernya AI, teknologi
ini dibahas dengan berbagai cara. Untuk menyederhanakan sisa artikel ini,
penting untuk melihat berbagai jenis AI. AI dapat dikategorikan menjadi
tiga tingkatan berdasarkan kemampuannya: ·
Kecerdasan Sempit Buatan (ANI): Ini adalah bentuk AI paling umum yang berinteraksi dengan kita saat
ini. ANI dirancang untuk melakukan satu tugas, seperti pengenalan suara
atau rekomendasi pada layanan streaming. ·
Kecerdasan Umum Buatan (AGI): AI dengan AGI memiliki kemampuan untuk memahami, mempelajari,
mengadaptasi, dan menerapkan pengetahuan di berbagai tugas pada tingkat
manusia. Meskipun model dan alat bahasa besar seperti ChatGPT telah
menunjukkan kemampuan untuk menggeneralisasi banyak tugas—pada tahun 2023, ini
masih merupakan konsep teoretis. ·
Kecerdasan Super Buatan (ASI): Tingkat akhir AI, ASI, mengacu pada skenario masa depan di mana AI
melampaui kecerdasan manusia di hampir semua pekerjaan bernilai
ekonomi. Konsep ini, meski menarik, sebagian besar tetap spekulatif. Perbedaan antara ilmu data, kecerdasan
buatan, pembelajaran mesin & pembelajaran mendalam Jika Anda baru mengenal topik ini, Anda
mungkin juga melihat istilah "pembelajaran mesin", "pembelajaran
mendalam", "ilmu data", dan lainnya menyusup ke dalam wacana
AI. AI adalah bidang yang luas dengan beberapa subset, termasuk Machine
Learning (ML) dan Deep Learning (DL). Meskipun tidak ada definisi resmi untuk
istilah-istilah ini, dan sementara para ahli memperdebatkan batas-batas yang
tepat, ada konsensus yang berkembang tentang ruang lingkup yang luas dari
setiap istilah. Berikut adalah rincian bagaimana istilah-istilah ini dapat
didefinisikan: ·
Kecerdasan buatan mengacu pada sistem komputer yang dapat berperilaku cerdas, bernalar,
dan belajar seperti manusia. ·
Pembelajaran mesin adalah bagian dari kecerdasan buatan yang berfokus pada pengembangan
algoritme dengan kemampuan untuk belajar tanpa diprogram secara eksplisit. ·
Pembelajaran mendalam adalah bagian dari pembelajaran mesin. Ini bertanggung jawab
atas banyak berita menakjubkan tentang AI dalam berita (misalnya, mobil
self-driving, ChatGPT). Algoritme pembelajaran mendalam terinspirasi oleh
struktur otak dan bekerja sangat baik dengan data tidak terstruktur seperti
gambar, video, atau teks. Ilmu data adalah bidang lintas disiplin
yang menggunakan semua hal di atas, antara lain keterampilan seperti analisis
data, statistik, visualisasi data, dan lainnya, untuk mendapatkan wawasan dari
data. Mengapa Mempelajari
Kecerdasan Buatan Saat Ini? Kecerdasan Buatan lebih dari sekadar
kata kunci; ini adalah teknologi revolusioner yang mengubah cara kita
bekerja, hidup, dan berinteraksi. Dengan ledakan data dan kebutuhan untuk
memahaminya, permintaan akan keterampilan AI meroket. Tidak ada waktu yang
lebih baik dari sekarang untuk mulai belajar AI. Inilah alasannya: AI adalah bidang yang berkembang pesat Kecerdasan Buatan bukanlah masa
depan; itu saat ini. Jumlah pekerjaan AI telah mengalami pertumbuhan
yang signifikan selama beberapa tahun terakhir. Menurut laporan World Economic Forum's Future of Jobs ,
spesialis AI dan pembelajaran mesin menempati urutan teratas dalam daftar
pekerjaan yang tumbuh cepat selama lima tahun ke depan. Karena industri
terus mengadopsi teknologi AI untuk merampingkan operasi mereka dan membuat
keputusan yang lebih baik, permintaan akan spesialis AI kemungkinan akan
meningkat. Prediksi ini lebih ditekankan pada proyeksi pertumbuhan ukuran
pasar AI antara tahun 2021 dan 2030, seperti yang terlihat
pada grafik di bawah ini. AI adalah pekerjaan bergaji tinggi Secara alami, lonjakan permintaan akan
keterampilan AI disertai dengan kompensasi yang menarik. Menurut data
dari Glassdoor ,
pada tahun 2023, gaji rata-rata seorang insinyur AI di Amerika Serikat adalah
$128.479 per tahun, dengan potensi bonus dan pembagian
keuntungan. Insinyur pembelajaran mesin dan ilmuwan data juga dibayar
dengan baik, dengan gaji rata-rata masing-masing $133.111 dan $126.888 per
tahun. Kompensasi finansial ini mencerminkan nilai dan dampak keterampilan
AI di pasar. AI menantang secara intelektual Kecerdasan Buatan bukan hanya tentang
pekerjaan bergaji tinggi dan permintaan pasar yang signifikan. Ini juga
merupakan bidang yang merangsang secara intelektual yang menjanjikan untuk
menantang Anda dengan cara yang menarik. Ini melibatkan pembuatan
algoritme untuk memecahkan masalah kompleks, merancang model yang
mensimulasikan kecerdasan manusia, dan secara kreatif menerapkan teknologi ini
ke berbagai skenario dunia nyata. Profesional AI terus belajar,
beradaptasi, dan berinovasi. Bidang ini terus berkembang, artinya selalu
ada sesuatu yang baru untuk dipelajari, masalah untuk dipecahkan, atau sistem
untuk ditingkatkan. Sifat dinamis ini menjadikan AI bidang yang menarik
bagi mereka yang menyukai tantangan dan pembelajaran berkelanjutan. Berapa Lama untuk
Mempelajari AI? Waktu yang diperlukan untuk mempelajari
AI seringkali bergantung pada rute yang Anda ambil; baik itu secara
otodidak maupun melalui pendidikan formal seperti program universitas. Dalam rute otodidak, durasinya dapat
bervariasi secara signifikan karena sangat bergantung pada pengetahuan Anda
sebelumnya, dedikasi, dan sumber belajar yang tersedia. Diperlukan beberapa
bulan hingga satu tahun atau lebih untuk mendapatkan pemahaman yang
kuat tentang konsep AI, bahasa pemrograman seperti Python, matematika, dan
berbagai algoritme pembelajaran mesin melalui belajar mandiri. Kursus
online mandiri, tutorial, dan proyek praktis dapat mempercepat proses
pembelajaran. Di sisi lain, jalur universitas biasanya
melibatkan mengejar pendidikan formal dalam ilmu komputer, ilmu data, atau
bidang terkait. Gelar sarjana dalam disiplin ini biasanya membutuhkan
waktu sekitar tiga hingga empat tahun untuk diselesaikan, di
mana siswa menerima pelatihan komprehensif dalam AI dan mata pelajaran terkait. Rute mana pun yang Anda pilih,
pembelajaran berkelanjutan, aplikasi praktis, dan selalu mengikuti kemajuan
sangat penting untuk mengejar karir di AI. Cara Mempelajari AI
Dari Awal pada tahun 2023 Mempelajari AI bisa menjadi usaha yang
mengasyikkan, tetapi bukannya tanpa tantangan. Ini adalah bidang yang luas
dengan banyak subtopik. Namun, dengan peta jalan yang jelas, sumber daya
yang tepat, dan pendekatan strategis, Anda dapat menavigasi lanskap ini secara
efektif. Berikut cara belajar AI di tahun 2023: 1. Kuasai keterampilan prasyarat Sebelum terjun ke AI, Anda pasti ingin
memiliki landasan di area tertentu. Keterampilan dasar ini akan membentuk
tulang punggung pemahaman dan kemampuan AI Anda: ·
Matematika dasar. AI sangat bergantung pada konsep matematika, terutama subbidangnya seperti
pembelajaran mesin dan pembelajaran mendalam. Tentu saja, Anda tidak harus
menjadi ahli matematika untuk berhasil dalam AI, tetapi pemahaman dasar tentang
aljabar linier, kalkulus, dan probabilitas sangatlah penting. Misalnya,
konsep seperti matriks dan transformasi linier dari aljabar linier sering
digunakan dalam algoritme AI. ·
Statistik dasar. AI sangat masuk akal saat Anda memahami statistik. Mengetahui cara
menafsirkan data dan memperoleh wawasan sangat penting dalam bidang
ini. Konsep seperti signifikansi statistik, distribusi, regresi, dan
kemungkinan memainkan peran penting dalam aplikasi AI yang berbeda. ·
Sebuah kemauan untuk belajar. AI adalah bidang yang berkembang pesat dengan kemajuan, teknik, dan alat
baru yang terus muncul. Oleh karena itu, pola pikir proaktif dan
antusiasme untuk belajar dan beradaptasi dengan pengetahuan dan teknologi baru
sangat penting bagi siapa pun yang ingin masuk dan maju dalam AI. Penting untuk diperhatikan bahwa
kedalaman pemahaman dan penguasaan yang diperlukan dalam bidang prasyarat ini
dapat bervariasi tergantung pada peran AI yang ingin Anda kejar. Misalnya,
seorang ilmuwan data mungkin tidak memerlukan pemahaman mendalam tentang setiap
konsep matematika yang digunakan dalam AI, tetapi seorang ilmuwan riset yang
bertujuan untuk membuat algoritme AI baru mungkin memerlukan pemahaman
matematika yang lebih mendalam. Kuncinya adalah menyelaraskan jalur
pembelajaran Anda dengan tujuan karir Anda dan menyesuaikan kedalaman
pembelajaran Anda di berbagai bidang. 2. Kembangkan keterampilan khusus AI Sekarang setelah kita membahas
prasyaratnya, mari selami keterampilan penting yang perlu Anda kembangkan untuk
menguasai AI. Mirip dengan bagian prasyarat di atas—tingkat penguasaan
yang Anda perlukan untuk keterampilan ini sangat bergantung pada jenis peran
yang ingin Anda kejar. Statistik Statistik adalah disiplin yang
menyangkut pengumpulan, pengorganisasian, analisis, interpretasi, dan penyajian
data. Ini menyediakan tulang punggung untuk memahami dan bekerja dengan
data dalam AI. Pelajari lebih lanjut tentang statistik
dalam sumber daya di bawah ini: ·
Dasar-Dasar Statistik dengan
Jalur Keterampilan Python , di mana Anda akan mempelajari
empat dasar statistik menggunakan Python, termasuk statistik ringkasan dan
probabilitas, model statistik seperti regresi linier dan logistik, teknik
pengambilan sampel, cara melakukan uji hipotesis, dan menarik kesimpulan dari
berbagai kumpulan data. ·
Pengantar Kursus Statistik ,
yang mengajarkan dasar-dasar statistik, termasuk ukuran pusat dan penyebaran,
distribusi probabilitas, dan pengujian hipotesis. ·
Pengantar Statistik dalam Kursus
R , untuk mempelajari cara bekerja dengan variabel,
merencanakan, dan standar deviasi dalam R. Matematika Seperti yang telah dibahas sebelumnya,
bidang matematika tertentu membentuk dasar dari algoritma AI. Aljabar
linier, kalkulus, probabilitas, dan persamaan diferensial adalah semua alat
matematika yang akan digunakan dalam perjalanan AI Anda. Pelajari lebih lanjut tentang matematika
dalam sumber daya di bawah ini: ·
Demystifying Mathematical
Concepts for Deep Learning , yang mengeksplorasi konsep
matematika dasar untuk ilmu data dan pembelajaran mendalam. ·
Aljabar Linier untuk Ilmu Data
dalam Kursus R , di mana Anda akan membahas dasar-dasar
aljabar linier, termasuk cara menggunakan persamaan matriks-vektor, melakukan
analisis nilai eigen/vektor eigen, dan PCA. ·
Dasar Probabilitas dalam Kursus
Python mencakup konsep probabilitas dasar seperti variabel
acak, rata-rata dan varians, dan banyak lagi. Pemrograman Implementasi AI membutuhkan pemahaman
pemrograman yang baik. Mengetahui cara menulis kode memungkinkan Anda
mengembangkan algoritme AI, memanipulasi data, dan menggunakan alat dan pustaka
AI. Python saat ini adalah bahasa paling populer di komunitas AI karena
kesederhanaan, fleksibilitas, dan ketersediaan perpustakaan ilmu datanya. ·
Jalur Keterampilan Pemrograman Python akan
membantu Anda meningkatkan keterampilan pemrograman Python Anda. Anda akan
mempelajari cara mengoptimalkan kode, menulis fungsi dan pengujian unit, serta
menggunakan praktik terbaik rekayasa perangkat lunak. ·
R Programming Skill Track , demikian
pula, di sini Anda akan meningkatkan keterampilan pemrograman R Anda dengan
mempelajari cara bekerja dengan struktur data umum, mengoptimalkan kode, dan
menulis fungsi Anda sendiri. Struktur data Struktur data memungkinkan Anda untuk
menyimpan, mengambil, dan memanipulasi data secara efisien. Oleh karena
itu, pengetahuan tentang struktur data seperti larik, pohon, daftar, dan
antrean sangat penting untuk menulis kode yang efisien dan mengembangkan
algoritme AI yang kompleks. ·
Pengantar Kursus Struktur Data
dan Algoritma akan membantu Anda memahami struktur data
seperti daftar tertaut, tumpukan, antrian, tabel hash, dan grafik. ·
Tutorial Struktur Data Python dengan Contoh Primitif
& Non-Primitif mencakup struktur data Python, seperti
tipe data, dan struktur data primitif dan non-primitif, seperti string, daftar,
tumpukan, dan lainnya. Manipulasi data Manipulasi data melibatkan pembersihan,
transformasi, dan manipulasi data untuk mempersiapkannya untuk analisis lebih
lanjut atau memasukkannya ke dalam model AI. Keterampilan dalam
menggunakan perpustakaan seperti panda untuk manipulasi data sangat penting
untuk bekerja di AI. ·
Manipulasi Data dengan Python
Skill Track , yang mengajarkan cara mengubah, mengurutkan,
dan memfilter data dalam DataFrames dengan Python, siap untuk analisis cepat. ·
Manipulasi Data dengan R Skill Track ,
yang mencakup pendekatan di atas tetapi dalam bahasa pemrograman R. ·
Kursus Manipulasi Data dengan
panda mengajarkan Anda cara memanipulasi DataFrame dengan
panda saat Anda mengekstrak, memfilter, dan mengubah kumpulan data dunia nyata
untuk analisis. Ilmu data Ilmu Data adalah perpaduan berbagai
alat, algoritme, dan prinsip pembelajaran mesin yang ditujukan untuk menemukan
pola tersembunyi dari data mentah. Sebagai seorang profesional AI,
memahami proses penggalian wawasan dari data sangatlah penting. ·
Data Scientist dengan Python
Career Track , yang mencakup keterampilan Python yang
diperlukan untuk berhasil sebagai ilmuwan data. ·
Data Scientist dengan R Career Track ,
yang mencakup keterampilan Pemrograman R yang diperlukan untuk berhasil sebagai
ilmuwan data. ·
Kursus Memahami Ilmu Data ,
mencakup dasar-dasar tentang apa itu ilmu data dan mengapa itu penting. Pembelajaran mesin Machine Learning adalah subbidang AI di
mana mesin belajar dari data untuk meningkatkan kinerjanya atau membuat
prediksi yang akurat. Sangat penting untuk memahami algoritme pembelajaran
mesin yang berbeda, cara kerjanya, dan kapan menggunakannya. ·
Machine Learning Fundamentals
dengan Python Skill Track , mengajari Anda dasar-dasar
machine learning dan sains di baliknya, meliputi prediksi, pengenalan pola, dan
dasar-dasar deep learning. ·
Dasar-Dasar Pembelajaran Mesin
di R Skill Track , tempat Anda akan belajar memprediksi
respons kategori dan numerik melalui klasifikasi dan regresi, dan menemukan
struktur tersembunyi kumpulan data dengan pembelajaran tanpa pengawasan. ·
Machine Learning Cheat Sheet ,
yang merupakan panduan referensi cepat untuk algoritme pembelajaran mesin
teratas, kelebihan dan kekurangannya, serta kasus penggunaannya. Pembelajaran mendalam Deep Learning, bagian dari pembelajaran
mesin, menggunakan jaringan saraf dengan banyak lapisan (karenanya 'dalam')
untuk memodelkan dan memahami pola kompleks dalam kumpulan data. Itu ada
di balik banyak aplikasi AI tercanggih saat ini, mulai dari asisten suara
hingga mobil tanpa pengemudi. ·
Deep Learning di Python Skill Track ,
tempat Anda akan belajar menggunakan pustaka Keras, TensorFlow, dan PyTorch
yang kuat untuk membuat dan mengoptimalkan jaringan saraf. ·
Tutorial Deep Learning ,
mencakup pertanyaan yang paling sering diajukan tentang deep learning dan
mengeksplorasi berbagai aspek deep learning dengan contoh kehidupan nyata ·
Pengantar Deep Learning with
Keras Course , di mana Anda akan belajar bagaimana
mengembangkan model deep learning Anda sendiri dengan Keras. Masing-masing keterampilan ini saling
berhubungan, membantu Anda membangun pengetahuan luas tentang konsep
AI. Cara yang baik untuk memulai adalah mendapatkan fondasi di setiap area
sebelum menjelajahi yang paling menarik bagi Anda secara lebih
mendetail. Anda dapat memadukan pendekatan Anda sesuai keinginan Anda,
mengerjakan area yang muncul secara alami saat Anda belajar dan mendapatkan
praktik langsung. 3. Pelajari alat dan paket AI yang
penting Mengetahui alat dan paket yang tepat
sangat penting untuk kesuksesan Anda di AI. Secara khusus, Python dan R
telah muncul sebagai bahasa terdepan dalam komunitas AI karena kesederhanaan,
fleksibilitas, dan ketersediaan pustaka dan kerangka kerja yang
kuat. Meskipun Anda tidak perlu mempelajari keduanya untuk berhasil dalam
AI, di bawah ini Anda akan menemukan beberapa pustaka dan kerangka kerja utama
yang perlu Anda ketahui tergantung pada alat yang akhirnya Anda pilih: Alat dan paket AI Python teratas Python adalah bahasa pemrograman tingkat
tinggi yang ditafsirkan yang dikenal karena keterbacaan dan
keserbagunaannya. Ini banyak digunakan dalam AI berkat sintaksisnya yang
ramah pengguna dan banyaknya pustaka dan kerangka kerja yang tersedia untuk AI
dan ilmu data. panda pandas adalah pustaka Python yang
menyediakan sarana ekstensif untuk analisis data. Ilmuwan data menggunakan
panda untuk berbagai tugas, termasuk pembersihan data, transformasi data, dan
analisis statistik. Ini bekerja dengan baik dengan data yang tidak
lengkap, berantakan, dan tidak berlabel, menjadikannya alat yang signifikan
untuk preprocessing dataset. ·
Kursus Manipulasi Data dengan
panda ·
Menulis Kode Efisien dengan
Kursus panda ·
Tutorial python panda: Panduan Utama untuk Pemula NumPy NumPy, kependekan dari Numerical Python,
adalah pustaka untuk Python yang menambahkan dukungan untuk array dan matriks
multidimensi yang besar, bersama dengan banyak koleksi fungsi matematika
tingkat tinggi untuk beroperasi pada array ini. Ini adalah perpustakaan
penting untuk perhitungan ilmiah apa pun, termasuk AI. ·
Lembar Cheat NumPy: Analisis
Data dengan Python Scikit-Pelajari Scikit-Learn adalah alat sederhana dan
efisien untuk penambangan data dan pembelajaran mesin. Itu dibangun di
atas NumPy, SciPy, dan matplotlib, dan ini open-source, artinya tersedia secara
gratis untuk semua orang. Ini menampilkan berbagai klasifikasi, regresi,
pengelompokan, dan algoritma reduksi dimensi. ·
Pembelajaran Mesin dengan Kursus
Scikit-Learn ·
Pembelajaran Terawasi dengan
Kursus Scikit-Learn ·
Pembelajaran Mesin Python: Tutorial Scikit-Learn PyCaret PyCaret adalah pustaka Python andal yang
menyederhanakan proses pembuatan dan penerapan model kecerdasan buatan,
memungkinkan pengguna menjelajahi, melakukan praproses, melatih, menyetel, dan
membandingkan beberapa algoritme pembelajaran mesin secara efisien hanya dengan
beberapa baris kode. ·
Tutorial PyCaret: Panduan pemula
untuk mengotomatiskan alur kerja ML menggunakan PyCaret PyTorch PyTorch adalah pustaka pembelajaran
mesin sumber terbuka berdasarkan pustaka Torch. Ini digunakan untuk
aplikasi seperti pemrosesan bahasa alami dan jaringan saraf
tiruan. Keuntungan terbesarnya adalah fleksibilitas dan kecepatannya,
sehingga cocok untuk penelitian pembelajaran mendalam. ·
Pembelajaran Mendalam dengan
Kursus PyTorch ·
Tutorial PyTorch: Membangun
Jaringan Neural Sederhana Dari Awal Keras Keras adalah pustaka jaringan saraf yang
ramah pengguna yang ditulis dengan Python. Itu dibangun untuk meminimalkan
waktu antara ide dan model kerja Anda, menawarkan cara langsung untuk pemodelan
jaringan saraf. Keras juga bersifat modular, menjadikannya sangat serbaguna
saat membuat model baru. ·
Pengantar Deep Learning dengan
Kursus Keras ·
Tutorial Keras: Pembelajaran Mendalam dengan Python ·
Keras Cheat Sheet: Neural
Networks dengan Python API yang tersedia secara komersial Setelah Anda siap untuk mulai
menggunakan AI, memanfaatkan API untuk mengakses model yang tersedia secara
komersial adalah salah satu cara terbaik untuk memulai. API yang tersedia
secara komersial seperti OpenAI API, Cohere API, dan Anthropic API adalah
tempat yang baik untuk memulai. ·
Menggunakan GPT-3.5 dan GPT-4
melalui OpenAI API dengan Python Wajah Pelukan Saat kemahiran Anda berkembang, jelajahi
model pra-pelatihan menggunakan paket Python standar seperti transformer dan
akselerasi Hugging Face, yang memudahkan penggunaan GPU dan TPU. ·
Pengantar Menggunakan
Transformers dan Memeluk Wajah Contoh Rencana
Pembelajaran AI Di bawah ini, kami telah membuat rencana
pembelajaran potensial yang menguraikan di mana harus memfokuskan waktu dan
upaya Anda jika Anda baru memulai dengan AI. Ingat, rentang waktu, bidang
studi, dan kemajuan semuanya bergantung pada berbagai variabel. Kami ingin
membuat rencana ini praktis dan sepraktis mungkin, itulah sebabnya kami
merekomendasikan proyek yang dapat Anda kerjakan seiring kemajuan Anda. Bulan 1-3: Dasar-dasar matematika,
pemrograman, struktur data, dan manipulasi 1.
Matematika dan statistik: Mulailah dengan dasar-dasar aljabar linier, kalkulus, statistik, dan
probabilitas. Ini akan memberi Anda dasar yang kuat untuk apa yang akan
datang. 2.
Pemrograman: Pelajari Python, bahasa yang paling banyak digunakan di
AI. Mulailah dengan dasar-dasar dan kemudian pindah ke konsep yang lebih
maju. Ikuti Jalur Keterampilan Dasar Python dan Manipulasi Data kami
dengan Jalur Keterampilan Python untuk membahas hal-hal penting, termasuk paket
seperti NumPy. 3.
Manipulasi data: Mulai belajar tentang manipulasi dan analisis data. Kenali
pustaka Python seperti panda dan NumPy, yang akan Anda gunakan untuk manipulasi
data. Pelajari cara membersihkan dan menyiapkan data, yang merupakan
bagian penting dari proyek AI atau pembelajaran mesin apa pun. Merekomendasikan Sumber Daya & Proyek ·
Demistifikasi Konsep Matematika
untuk Pembelajaran Mendalam ·
Menjelajahi Sejarah Proyek Ilmu Data Lego Bulan 4-6: Pelajari AI dan pembelajaran
mesin lebih dalam 3.
Dasar-dasar AI: Pahami apa itu AI, sejarahnya, dan berbagai cabangnya. Kursus
seperti Dasar-Dasar AI kami dapat memberikan awal yang baik. 4.
Perdalam pengetahuan pembelajaran mesin
Anda: Pelajari tentang berbagai jenis algoritme
pembelajaran mesin - pembelajaran yang diawasi, tidak diawasi, semi-diawasi,
dan penguatan. Ambil Ilmuwan Pembelajaran Mesin kami dengan Python Track,
yang mencakup jenis model paling penting, validasi model, dan penyetelan
hyperparameter. Ini mencakup paket termasuk TensorFlow dan Keras dan
menyentuh pembelajaran mendalam lanjutan. Merekomendasikan Sumber Daya & Proyek ·
Ilmuwan Pembelajaran Mesin
dengan Jalur Karir Python ·
Naïve Bees: Proyek Pemuatan Gambar dan Pemrosesan Ilmu
Data Bulan 7-9: Spesialisasi dan topik
lanjutan 5.
Pembelajaran mendalam: Memahami jaringan saraf dan pembelajaran mendalam. 6.
Dasar-dasar MLOps: Pelajari tentang MLOps, yaitu tentang menerapkan prinsip-prinsip
DevOps ke sistem pembelajaran mesin. Ini termasuk pembuatan versi model,
penerapan model, pemantauan, dan orkestrasi. 7.
Spesialisasi: Berdasarkan minat dan aspirasi karier Anda, spesialisasikan dalam
satu bidang - bisa berupa pemrosesan bahasa alami, visi komputer, pembelajaran
penguatan, atau bidang lainnya. Merekomendasikan Sumber Daya & Proyek ·
Pembelajaran Mendalam di Jalur Keterampilan Python ·
Kursus Penerapan MLOps dan
LifeCycling ·
Pengakuan ASL dengan Deep Learning Data Science Project Bulan 10-Berkelanjutan: Terus belajar
dan bereksplorasi 9.
Spesialisasi lebih lanjut: Bergantung pada jalur karier 10. Tetap Terkini: Ikuti blog, podcast, dan jurnal
terkait AI secara rutin. Bergabunglah dengan komunitas untuk bertukar ide
dengan praktisi AI lainnya. 11. Etika dalam AI: Saat Anda mempelajari lebih lanjut
tentang AI, pastikan juga mempelajari tentang pertimbangan etis dalam AI. Ingat, ini hanyalah peta jalan
dasar. Anda harus memodifikasinya berdasarkan kecepatan dan minat
Anda. AI adalah bidang yang luas, dan belajar adalah proses yang
berkelanjutan. 5 Tips Teratas
Untuk Mempelajari AI Memulai perjalanan untuk mempelajari AI
bisa jadi menakutkan, tetapi memiliki pendekatan strategis dapat membuat prosesnya
lebih terstruktur dan mudah dikelola. Berikut adalah lima langkah untuk
memandu Anda melalui perjalanan pembelajaran AI Anda: 1. Pilih fokus Anda Mulailah dengan memutuskan di mana
memfokuskan upaya Anda berdasarkan tujuan karier Anda. Kami membahas
berbagai karir di AI lebih lanjut di artikel ini; setiap peran memiliki
fokus yang berbeda dan membutuhkan keahlian yang unik. Misalnya, jika Anda tertarik dengan
peran yang lebih terapan seperti ilmuwan data atau insinyur pembelajaran mesin,
lebih fokuslah pada pemrograman, ilmu data, dan pahami berbagai algoritme
pembelajaran mesin. Tujuan Anda di sini adalah menjadi mahir dalam
menggunakan teknik AI untuk memecahkan masalah dunia nyata. Alternatifnya, jika Anda condong ke
peran penelitian, Anda harus menggali lebih dalam teori di balik AI dan
pembelajaran mesin. Anda akan membutuhkan pemahaman yang kuat tentang
matematika, statistik, dan ilmu komputer teoretis. Ini bukanlah perbedaan yang
kaku; sebaliknya, ini adalah titik awal untuk membantu Anda memutuskan di
mana harus meletakkan fokus awal Anda. 2. Mulailah belajar Setelah Anda memutuskan fokus Anda,
saatnya untuk mulai belajar. Sumber belajar yang disarankan di bagian
keterampilan dan rencana pembelajaran AI di atas adalah tempat yang berguna
untuk memulai. Ingat, menguasai AI adalah maraton, bukan
sprint. Luangkan waktu Anda untuk memahami setiap konsep secara menyeluruh
sebelum beralih ke konsep berikutnya. 3. Terapkan keterampilan Anda ke proyek Tidak ada cara yang lebih baik untuk
belajar selain dengan melakukan. Menerapkan keterampilan yang Anda
pelajari dalam proyek dunia nyata memperkuat pemahaman Anda dan memberi Anda pengalaman
praktis yang dapat memperkaya portofolio Anda. Ini bisa sesederhana
membuat model pembelajaran mesin untuk memprediksi harga rumah atau serumit
mengembangkan model pembelajaran mendalam untuk pengenalan gambar. Kami
telah menyertakan contoh proyek di seluruh artikel ini. 4. Bergabung dengan komunitas Bergabunglah dengan komunitas AI, baik
online maupun offline. Berpartisipasi dalam forum seperti Stack Overflow
atau GitHub, bergabung dengan grup AI di LinkedIn, atau menghadiri pertemuan
dan konferensi AI dapat menawarkan kesempatan belajar yang sangat berharga. Setelah mendapatkan sertifikasi
DataCamp, Anda dapat bergabung dengan Komunitas
Bersertifikat DC kami , tempat Anda dapat terhubung dengan
pelajar bersertifikat lainnya, mengakses konten dan acara eksklusif, dan
memanfaatkan keterampilan yang baru Anda peroleh. Dengan bergabung dalam komunitas, Anda
dapat terus mengikuti tren terbaru, mendapatkan bantuan saat Anda mengalami
kebuntuan, dan berjejaring dengan penggemar AI lainnya. 5. Terus lakukan iterasi AI adalah bidang yang berkembang
pesat. Setelah Anda mendapatkan dasar-dasarnya, penting untuk terus
belajar dan meningkatkan keterampilan Anda. Ikuti blog AI, baca makalah
penelitian, ikuti kursus lanjutan, dan selalu mencari cara baru untuk menantang
diri sendiri. Proses berulang ini akan mengubah Anda dari pemula menjadi
ahli. Ingat, perjalanan untuk mempelajari AI
itu menantang tetapi sangat bermanfaat. Jangan berkecil hati jika menemui
rintangan di sepanjang jalan; mereka adalah bagian dari proses
pembelajaran. Ingat tujuan akhir Anda, dan tetap berkomitmen untuk
perjalanan Anda. Cara Terbaik untuk
Mempelajari AI Sumber daya yang melimpah tersedia untuk
membantu Anda mempelajari AI, mulai dari kursus terstruktur dan buku teks
hingga proyek langsung. Memilih sumber daya yang tepat dapat membantu Anda
memulai dengan baik pembelajaran AI Anda. Berikut adalah pilihan terbaik
kami untuk membantu Anda memulai perjalanan pembelajaran AI Anda: Ikuti kursus AI terbaik untuk memulai DataCamp adalah platform hebat yang
menawarkan kursus interaktif yang dirancang khusus untuk calon ilmuwan
data. Kursus berkisar dari tingkat pemula hingga mahir dan dirancang
dengan latihan langsung. Berikut adalah beberapa kursus terkait AI terbaik
di DataCamp: Selesaikan proyek AI Mempelajari AI adalah perjalanan yang
melampaui pemahaman teori dan teknik pengkodean. Ini melibatkan praktik
langsung, dan di sinilah menyelesaikan proyek AI. Mulailah dengan mengidentifikasi proyek
yang sesuai berdasarkan tingkat kemahiran Anda, baik itu model prediktif atau
aplikasi AI generatif. Alat yang tepat, seperti Python dan perpustakaannya
yang luas, akan menjadi landasan Anda. Memahami dan menyiapkan data Anda
sangatlah penting, karena hal itu berdampak langsung pada keefektifan model
Anda. Di bawah ini adalah beberapa ide untuk
proyek AI yang dapat Anda buat untuk membantu Anda menuju penguasaan
AI. Pastikan untuk membaca artikel kami tentang proyek AI generatif dan proyek pembelajaran mesin untuk
semua tingkatan untuk info lebih lanjut. ·
Mengklasifikasikan Genre Lagu dari Data Audio . Terapkan
metode pembelajaran mesin dengan Python untuk mengklasifikasikan lagu ke dalam
genre. ·
Naïve Bees: Memuat dan Memproses Gambar . Bekerja
dengan data gambar, buat pengklasifikasi menggunakan teknik tradisional, dan
manfaatkan kekuatan pembelajaran mendalam untuk visi komputer. ·
Pengakuan ASL dengan Deep Learning . Bangun
jaringan saraf konvolusional untuk mengklasifikasikan gambar huruf dari Bahasa
Isyarat Amerika. Baca beberapa buku AI terbaik Buku menawarkan pengetahuan dan wawasan
mendalam dari para ahli di bidangnya. Berikut adalah beberapa buku paling
berpengaruh tentang AI yang mungkin berguna bagi Anda: Ingat, kunci untuk
mempelajari AI adalah konsistensi dan latihan. Jangan takut untuk memulai
dari yang kecil dan secara bertahap lanjutkan ke konsep dan proyek yang lebih
kompleks. Anda akan takjub melihat betapa banyak yang dapat Anda pelajari
dengan mendedikasikan sedikit waktu setiap hari untuk mempelajari AI. Lihat lembar contekan AI terbaik Pilihan lembar contekan ilmu data kami
dapat bertindak sebagai panduan referensi cepat tentang berbagai topik,
termasuk banyak hal yang terkait dengan AI: ·
Lembar contekan Python untuk
pemula ·
Lembar Curang Pembelajaran Mesin
yang Diawasi ·
Lembar Cheat Pembelajaran Mesin
Tanpa Pengawasan ·
Lembar Curang ChatGPT untuk Ilmu
Data Kumpulan Lembar Cheat DataCamp Berbagai Karier di
AI Saat Ini Kecerdasan buatan telah membuka banyak
jalur karier, masing-masing dengan tanggung jawab, alat, dan keterampilan unik
yang dibutuhkan. Mari selami tiga karier AI yang populer saat ini: ilmuwan
data, insinyur pembelajaran mesin, dan ilmuwan penelitian. Perhatikan
bahwa kami akan menyebutkan beberapa alat yang perlu mereka kuasai; jika
Anda tidak terbiasa dengan alat ini, tidak apa-apa—kami akan membahasnya lebih
detail di bagian selanjutnya. Ilmuwan data Ilmuwan Data menyelidiki, mengekstrak,
dan melaporkan wawasan yang berarti ke dalam data organisasi. Mereka
mengomunikasikan wawasan ini kepada pemangku kepentingan non-teknis dan
memiliki pemahaman yang baik tentang alur kerja pembelajaran mesin dan cara
mengikatnya kembali ke aplikasi bisnis. Mereka bekerja hampir secara
eksklusif dengan alat pengkodean, melakukan analisis, dan sering bekerja dengan
alat data besar. Ilmuwan Data adalah detektif dunia data,
yang bertanggung jawab untuk menggali dan menafsirkan sumber data yang kaya,
mengelola data dalam jumlah besar, dan menggabungkan titik data untuk
mengidentifikasi tren. Mereka menggunakan keterampilan analitik,
statistik, dan pemrograman mereka untuk mengumpulkan, menganalisis, dan menafsirkan
kumpulan data besar. Mereka kemudian menggunakan informasi ini untuk
mengembangkan solusi berbasis data untuk menantang masalah bisnis. Bagian
dari solusi ini adalah mengembangkan algoritme pembelajaran mesin yang
menghasilkan wawasan baru (misalnya, mengidentifikasi segmen pelanggan),
mengotomatiskan proses bisnis (misalnya, prediksi skor kredit), atau memberi
pelanggan nilai yang baru ditemukan (misalnya, sistem pemberi rekomendasi). Keterampilan utama: ·
Pengetahuan yang kuat tentang Python, R,
dan SQL ·
Memahami konsep Machine Learning dan AI ·
Kemahiran dalam analisis statistik,
analisis kuantitatif, dan pemodelan prediktif ·
Teknik visualisasi data dan pelaporan ·
Keterampilan komunikasi dan presentasi
yang efektif Alat penting: ·
Alat analisis data (misalnya, Pandas,
NumPy) ·
Pustaka pembelajaran mesin (misalnya,
Scikit-learn) ·
Alat visualisasi data (misalnya,
Matplotlib, Tableau) ·
Kerangka data besar (misalnya, Airflow,
Spark) ·
Alat baris perintah (misalnya, Git,
Bash) Insinyur pembelajaran mesin Insinyur pembelajaran mesin adalah
arsitek dunia AI. Mereka merancang dan menerapkan sistem pembelajaran
mesin yang membuat prediksi dari data organisasi. Mereka juga memecahkan
masalah seperti memprediksi churn pelanggan dan nilai seumur hidup dan bertanggung jawab untuk menyebarkan
model untuk digunakan organisasi. Insinyur pembelajaran mesin biasanya
bekerja secara eksklusif dengan alat berbasis pengkodean. Keterampilan Utama: ·
Pengetahuan mendalam tentang Python,
Java, dan Scala ·
Keakraban dengan kerangka pembelajaran
mesin (seperti Scikit-learn, Keras, atau PyTorch) ·
Memahami struktur data, pemodelan data,
dan arsitektur perangkat lunak ·
Keterampilan matematika tingkat lanjut
(aljabar linier, kalkulus, statistik) ·
Kemampuan untuk bekerja dalam tim dan
keterampilan memecahkan masalah yang luar biasa Peralatan: ·
Pustaka dan algoritme pembelajaran mesin
(misalnya, Scikit-learn, TensorFlow) ·
Pustaka ilmu data (misalnya, Pandas,
NumPy) ·
Platform cloud (misalnya, AWS, Google
Cloud Platform) ·
Sistem kontrol versi (misalnya, Git) Ilmuwan riset Ilmuwan riset adalah pemikir dunia
AI. Mereka melakukan penelitian mutakhir untuk memajukan AI yang
canggih. Pekerjaan mereka sering kali melibatkan penemuan algoritme baru
atau meningkatkan algoritme yang sudah ada. Mereka juga mempresentasikan
temuan mereka di konferensi AI dan artikel ilmiah. Keterampilan Utama: ·
Pemahaman yang kuat tentang pembelajaran
mesin dan pembelajaran mendalam ·
Kemahiran dalam Python dan bahasa
pemrograman lainnya ·
Pengetahuan luas tentang teori
matematika terkait AI (seperti teori pembelajaran statistik) ·
Kemampuan untuk membuat konsep dan
memvalidasi model AI baru ·
Keterampilan menulis dan berbicara di
depan umum yang kuat Peralatan: ·
Kerangka pembelajaran mendalam (seperti
TensorFlow, PyTorch) ·
Alat komputasi ilmiah (seperti MatLab,
Mathematica) ·
Perangkat lunak untuk menulis dan
menyajikan (seperti LaTeX, Google Slides) ·
Sumber daya komputasi cloud (seperti
AWS, Google Cloud Platform)
Masing-masing karier ini menawarkan
jalur unik menuju dunia AI. Mereka semua memiliki potensi yang luar biasa
dan melayani peran penting di lapangan. Keputusan Anda akan bergantung
pada minat, kekuatan, dan tujuan karier jangka panjang Anda. Cara Mencari
Pekerjaan di AI Gelar bisa menjadi aset besar saat
memulai karir di AI, tapi itu bukan satu-satunya jalur. Meskipun menurut
kami sangat bermanfaat untuk mendapatkan pendidikan formal di AI atau bidang
yang berdekatan, semakin banyak profesional yang memasuki bidang tersebut
melalui jalur non-tradisional, membuktikan bahwa dengan dedikasi, pembelajaran
yang konsisten, dan pendekatan proaktif, Anda dapat mewujudkan impian Anda.
pekerjaan di AI. Berikut cara mencari pekerjaan di AI
tanpa gelar: Terus belajar tentang lapangan Tetap perbarui dengan perkembangan
terbaru dalam AI. Ikuti profesional AI yang berpengaruh di Twitter, baca
makalah penelitian AI, dan dengarkan podcast terkait AI, termasuk Podcast DataFramed milik DataCamp. Beberapa pemimpin pemikiran AI yang harus
diikuti termasuk Yoshua Bengio, Fei-Fei Li, dan lainnya. Anda akan
mendapatkan wawasan tentang topik yang sedang tren, teknologi yang sedang
berkembang, dan arah AI di masa depan. Anda juga harus melihat acara industri,
baik itu webinar di DataCamp , konferensi ilmu data dan AI ,
atau acara jaringan. Kembangkan portofolio Portofolio yang kuat yang menunjukkan
keahlian dan proyek Anda dapat membuat Anda menonjol dari kandidat
lainnya. Lebih penting lagi, sebuah proyek yang mencoba memecahkan masalah
dunia nyata akan mengesankan manajer perekrutan. Seperti yang dikatakan Nick Singh,
penulis Ace the Data Science Interview, di podcast DataFramed Careers
Series , Kunci untuk menonjol adalah menunjukkan bahwa proyek
Anda berdampak dan menunjukkan bahwa orang lain peduli. Mengapa kita dalam
data? Kami mencoba menemukan wawasan yang benar-benar berdampak pada
bisnis, atau kami mencoba menemukan wawasan yang benar-benar akan membentuk
masyarakat atau menciptakan sesuatu yang baru. Kami mencoba untuk
meningkatkan profitabilitas atau meningkatkan kehidupan orang menggunakan dan
menganalisis data, jadi jika Anda tidak mengukur dampaknya, maka Anda
kekurangan dampak. Nick Singh , Rekan penulis Wawancara Ace the Data Science Kembangkan resume yang efektif Di era digital saat ini, resume Anda
tidak hanya dibaca oleh mata manusia; itu juga harus melewati Sistem
Pelacakan Pelamar (ATS). Ini adalah perangkat lunak otomatis yang
digunakan oleh banyak perusahaan untuk menyaring resume yang tidak memenuhi
kriteria tertentu. Akibatnya, sangat penting untuk menyesuaikan resume
Anda agar ramah-ATS sambil tetap menarik perhatian manajer perekrutan. Menurut Jen Bricker, mantan Kepala
Layanan Karir di DataCamp: 60% hingga 70% aplikasi dialihkan dari pertimbangan
sebelum manusia benar-benar melihat aplikasi tersebut. Jen Bricker , Mantan Kepala Layanan Karir di DataCamp Dapatkan perhatian dengan mempekerjakan
manajer Menjadi proaktif di platform sosial
dapat membantu menarik perhatian manajer perekrutan. Seperti yang
ditunjukkan oleh Sadie St. Lawrence, CEO Women in Data, di DataFramed Careers Series ,
membagikan proyek dan ide Anda di LinkedIn atau Twitter, terlibat dengan
komunitas AI, dan berkontribusi pada proyek sumber terbuka dapat meningkatkan
visibilitas dan menunjukkan hasrat Anda untuk AI. Jika Anda ingin dilihat, maka Anda harus membagikan karya
Anda. Analogi yang ingin saya gunakan adalah kotak musik. Jika Anda
pernah melihat kotak musik, ketika ditutup dan hanya duduk di atas meja, Anda
tidak pernah benar-benar mendengar suara indah apa yang ada di
dalamnya. Ini serupa untuk ilmuwan data yang tidak memiliki keterampilan
komunikasi. Mereka mungkin memiliki keterampilan luar biasa ini, tetapi
mereka semua terkunci di dalam kotak ini, dan tidak ada yang pernah
mengetahuinya. Anda harus membuka kotaknya, dan Anda melakukannya dengan mampu
menceritakan kisah-kisah itu dan mengomunikasikan keterampilan itu. Jadi,
terserah Anda. Apakah Anda ingin orang mendengar cerita Anda dan mengalami
keterampilan dan kemampuan Anda yang luar biasa? Maka Anda akan
membutuhkan keterampilan komunikasi agar Anda dapat membuka kotak Anda. Sadie St. Lawrence , CEO Women in Data Ingat, menembus AI
membutuhkan ketekunan, pembelajaran berkelanjutan, dan kesabaran. Namun
dengan langkah-langkah ini, Anda mempersiapkan diri untuk sukses. Semoga
berhasil dengan perjalanan AI Anda! Cara Menguasai Alat
AI untuk Bisnis Meskipun artikel ini terutama berfokus
pada pemahaman mendalam tentang AI untuk calon praktisi AI, sama pentingnya
bagi profesional bisnis untuk membiasakan diri dengan alat AI. Alat AI
generatif seperti ChatGPT semakin menjadi bagian integral dari berbagai operasi
bisnis. Selain itu, seperti Noelle Silver,
Global AI Solutions & Generative AI & LLM Industry Lead di Accenture,
menyebutkan di podcast DataFramed tentang bagaimana organisasi
dapat memanfaatkan AI , Model Bahasa Besar menjadi
semakin tertanam di sebagian besar antarmuka perangkat lunak yang digunakan
profesional setiap hari . Model Bahasa Besar seperti ChatGPT merevolusi cara
kita berinteraksi dengan perangkat lunak. Baik itu layanan pelanggan,
manajemen proyek, atau analisis data, alat AI ini meningkatkan efisiensi,
akurasi, dan produktivitas di semua sektor. Noelle Silver Russel , Global AI Solutions & Generative
AI & LLM Industry Lead di Accenture Pelajari lebih lanjut tentang AI generatif Pertama, kenali berbagai alat AI yang
tersedia untuk Anda. Ada spektrum alat yang luas yang dirancang untuk
berbagai fungsi bisnis, seperti pemasaran, penjualan, layanan pelanggan, dan
analisis data. Jelajahi lanskap alat AI dan
pahami kemampuan setiap alat. Bagaimana mereka dapat menguntungkan peran
atau bisnis Anda? Misalnya, pertimbangkan kursus Pengantar
ChatGPT kami, yang menawarkan pemahaman komprehensif tentang alat AI generatif
yang hebat ini. Terapkan alat AI generatif di tempat
kerja Setelah Anda memahami alat AI, langkah
selanjutnya adalah menerapkannya dalam alur kerja harian Anda. Apakah Anda
ingin mengotomatiskan analisis data, meningkatkan interaksi pelanggan, atau
merampingkan proses bisnis, alat AI dapat menguntungkan Anda, tim Anda, dan
organisasi yang lebih luas. Kami telah menyusun beberapa artikel
yang memberikan panduan praktis tentang cara menggunakan alat AI secara efektif
dalam pekerjaan Anda: Terapkan pengawasan manusia Meskipun alat AI sangat berguna, mereka
tidak sempurna. Penting untuk meninjau dan mengedit keluaran yang
dihasilkan oleh alat ini. Pahami keterbatasan mereka dan sesuaikan
penggunaannya. Ingat, alat ini dirancang untuk membantu Anda, bukan
menggantikan pengambilan keputusan Anda. Menguasai alat AI dalam bisnis bukan
hanya tentang memahami teknologi; ini tentang mengetahui cara
memanfaatkannya secara efektif untuk mendorong kesuksesan dalam peran dan
bisnis Anda. Dengan mempelajari, menerapkan, dan menyempurnakan
penggunaannya, Anda dapat menjadi yang terdepan dalam dunia bisnis yang
digerakkan oleh AI. Kesimpulan Mempelajari AI adalah pengejaran yang
bermanfaat yang membuka pintu ke dunia teknologi inovatif dan peluang karier
yang menarik. Pengetahuan dan keahlian yang diperoleh melalui proses ini
melampaui buku teks dan kuliah. Ini melibatkan siklus belajar yang
dinamis, menerapkan, bereksperimen, dan meningkatkan. Merangkul pendekatan
langsung, terutama melalui kursus dan proyek AI, mempercepat pembelajaran dan
memupuk keterampilan penting dalam pemecahan masalah, pemikiran kritis, dan
kreativitas. Jika Anda baru memulai perjalanan
pembelajaran AI, kami telah menguraikan banyak sumber daya bermanfaat untuk
membantu Anda memulai, serta contoh rencana pembelajaran untuk beberapa tema
utama yang perlu Anda kuasai dalam perjalanan menuju menjadi mahir dalam
kecerdasan buatan. sumber: https://www.datacamp.com/blog/how-to-learn-ai |