Tools Machine Learning

Pengenalan Tools dalam Data Science dan Machine Learning

Setelah memahami framework Machine Learning, kita perlu mengenal berbagai tools yang digunakan untuk mengimplementasikan setiap tahapnya.

Salah satu kesalahan umum ketika mulai belajar Data Science dan Machine Learning adalah mencoba menghafalkan terlalu banyak library sekaligus.

Padahal yang lebih penting adalah memahami:

Masalah apa yang sedang diselesaikan?
        ↓
Data seperti apa yang digunakan?
        ↓
Proses apa yang diperlukan?
        ↓
Tool apa yang sesuai?

Dengan pola pikir tersebut, kita tidak perlu menghafalkan seluruh fungsi dari setiap library.

Kita cukup memahami:

Tool
 ↓
Kegunaan
 ↓
Kapan digunakan
 ↓
Cara mencari dokumentasi

---

Gambaran Besar Tool dalam Machine Learning

Ekosistem Python untuk Data Science dan Machine Learning terdiri dari banyak library.

Secara sederhana:

Python Environment
       │
       ├── Jupyter
       │
       ├── NumPy
       │
       ├── Pandas
       │
       ├── Matplotlib
       │
       ├── Seaborn
       │
       ├── Scikit-Learn
       │
       ├── XGBoost
       │
       ├── CatBoost
       │
       ├── TensorFlow
       │
       └── PyTorch

Masing-masing memiliki fungsi yang berbeda.

Tidak semua library harus digunakan dalam setiap proyek.

---

Environment sebagai Workbench

Sebelum menggunakan berbagai tools tersebut, kita membutuhkan sebuah environment.

Environment dapat dianalogikan sebagai tempat kerja atau workshop.

Workshop
   ↓
Tools
   ↓
Materials
   ↓
Project

Dalam Machine Learning:

Environment
   ↓
Python
   ↓
Libraries
   ↓
Dataset
   ↓
Notebook / Code
   ↓
Machine Learning Project

Environment membantu memastikan library dan dependency yang dibutuhkan proyek tersedia dan terisolasi dengan baik.

---

Anaconda

Anaconda merupakan salah satu distribution dan environment management ecosystem yang populer untuk Data Science.

Anaconda menyediakan berbagai package dan tools yang dapat membantu menyiapkan lingkungan Python untuk:

• Data Science
• Scientific Computing
• Machine Learning
• Jupyter
• Analisis data

Namun perlu dipahami bahwa Anaconda bukan library Machine Learning.

Anaconda lebih tepat dipahami sebagai bagian dari ekosistem untuk mengelola environment dan package.

Contohnya:

Anaconda / Conda
    ↓
Environment
    ↓
Python
    ↓
Pandas
NumPy
Scikit-Learn
Jupyter

---

Mengapa Environment Penting?

Bayangkan kita memiliki dua proyek.

Project A
Python 3.x
Pandas versi tertentu
Scikit-Learn versi tertentu

Project B
Python 3.x
Pandas versi berbeda
Scikit-Learn versi berbeda

Jika semuanya dipasang dalam satu environment, dependency antar-project dapat saling bertabrakan.

Karena itu, environment yang terpisah sering lebih aman.

Contohnya:

Environment
├── project-ml
├── project-fastapi
└── project-deep-learning

Setiap environment dapat memiliki dependency yang sesuai dengan project masing-masing.

---

Membuat Environment dengan Conda

Contoh:

conda create -n ml-env python=3.12

Aktifkan:

conda activate ml-env

Kemudian install library:

conda install numpy pandas matplotlib seaborn scikit-learn jupyter

Atau package tertentu dapat dipasang menggunakan pip sesuai kebutuhan.

pip install xgboost catboost

---

Jupyter Notebook

Jupyter Notebook merupakan salah satu environment yang sangat populer untuk eksperimen Data Science dan Machine Learning.

Notebook memungkinkan kita menggabungkan:

Code
+
Output
+
Visualization
+
Explanation
+
Documentation

Dalam satu file.

Contohnya:

Markdown
   ↓
Menjelaskan dataset

Code
   ↓
Membaca dataset

Output
   ↓
Menampilkan data

Visualization
   ↓
Melihat pola

Markdown
   ↓
Menjelaskan kesimpulan

---

Mengapa Jupyter Penting dalam Machine Learning?

Machine Learning merupakan proses yang sangat eksperimental.

Kita sering perlu mencoba:

Model A
Model B
Model C

Kemudian membandingkan:

Accuracy
Training Time
Prediction
Visualization

Jupyter sangat cocok untuk workflow seperti ini.

---

Notebook sebagai Dokumentasi Eksperimen

Notebook tidak hanya berfungsi sebagai tempat menulis kode.

Notebook juga dapat menjadi dokumentasi.

Contohnya:

## 1. Import Library

Code

## 2. Load Dataset

Code

## 3. Exploratory Data Analysis

Code + Visualization

## 4. Preprocessing

Code

## 5. Modelling

Code

## 6. Evaluation

Code + Result

## 7. Conclusion

Explanation

Karena itu, notebook juga dapat menjadi bagian dari portfolio Machine Learning.

---

NumPy

NumPy merupakan library fundamental untuk numerical computing di Python.

NumPy menyediakan struktur data utama berupa array multidimensi dan berbagai operasi numerik.

Contoh:

import numpy as np

numbers = np.array([
    10,
    20,
    30,
    40
])

print(numbers)

Output:

[10 20 30 40]

---

Kegunaan NumPy

NumPy banyak digunakan untuk:

• numerical computation
• array operations
• matrix operations
• mathematical operations
• statistik dasar
• manipulasi data numerik

Contoh:

numbers.mean()

Hasil:

25.0

---

NumPy dalam Machine Learning

Machine Learning pada akhirnya banyak bekerja dengan data numerik.

Misalnya:

Dataset
   ↓
Features
   ↓
Numerical Representation
   ↓
Array / Matrix
   ↓
Model

NumPy menjadi salah satu fondasi penting yang digunakan oleh banyak library scientific computing dan Machine Learning.

---

Pandas

Pandas digunakan terutama untuk mengolah dan menganalisis data tabular.

Contoh data:

Age | Income | Purchase
----|--------|---------
25  | 5000   | Yes
31  | 8000   | Yes
22  | 3000   | No

Data seperti ini sangat umum dalam proyek Machine Learning.

---

Membaca Dataset dengan Pandas

Contoh:

import pandas as pd

df = pd.read_csv(
    "dataset.csv"
)

df.head()

DataFrame merupakan struktur data utama yang digunakan Pandas untuk data tabular.

---

Kegunaan Pandas

Pandas dapat digunakan untuk:

Load Data
    ↓
Explore Data
    ↓
Clean Data
    ↓
Transform Data
    ↓
Prepare Features
    ↓
Prepare Target

Contoh:

df.info()

Melihat statistik:

df.describe()

Memeriksa missing value:

df.isna().sum()

Memeriksa jumlah baris:

len(df)

---

Matplotlib

Matplotlib merupakan library visualisasi yang sangat umum digunakan dalam Python.

Contohnya:

import matplotlib.pyplot as plt

plt.hist(
    df["age"]
)

plt.xlabel("Age")
plt.ylabel("Frequency")

plt.show()

Visualisasi membantu kita memahami data sebelum membuat model.

---

Seaborn

Seaborn dibangun di atas Matplotlib dan menyediakan API visualisasi statistik yang lebih tinggi levelnya.

Contohnya:

import seaborn as sns

sns.histplot(
    data=df,
    x="age"
)

Seaborn sering digunakan untuk membuat:

• distribution plot
• box plot
• scatter plot
• heatmap
• categorical plot

---

Mengapa Visualisasi Penting?

Machine Learning bukan hanya tentang menjalankan algoritma.

Kita harus memahami data.

Misalnya terdapat hubungan:

Age
 ↓
Income
 ↓
Purchase

Visualisasi dapat membantu menemukan:

• outlier
• distribusi
• korelasi
• pola
• kelompok data
• ketidakseimbangan kelas

Contoh sederhana:

Data
 ↓
Visualization
 ↓
Understanding
 ↓
Feature Engineering
 ↓
Model

---

Pemetaan Tools ke Framework

Sekarang kita dapat memetakan tools ke enam langkah framework.

1. Problem Definition
2. Data
3. Evaluation
4. Features
5. Modelling
6. Experimentation

Tools tidak selalu hanya digunakan pada satu langkah.

Satu library dapat digunakan pada beberapa tahap.

---

Framework Step 1 - Problem Definition

Pertanyaan:

Masalah apa yang ingin kita selesaikan?

Pada tahap ini, tools teknis belum menjadi fokus utama.

Yang lebih penting adalah:

Business Problem
       ↓
Machine Learning Problem
       ↓
Problem Type
       ↓
Target
       ↓
Success Criteria

Contohnya:

Masalah:
Pelanggan berhenti berlangganan.

ML Problem:
Classification.

Target:
Churn / Tidak Churn.

Tools digunakan setelah problem sudah jelas.

---

Framework Step 2 - Data

Pertanyaan:

Data apa yang kita miliki?

Tools yang umum digunakan:

Pandas
NumPy
Matplotlib
Seaborn

Workflow:

Dataset
   ↓
Pandas
   ↓
DataFrame
   ↓
Exploration
   ↓
Visualization

Contohnya:

df = pd.read_csv(
    "customers.csv"
)

df.head()

---

Framework Step 3 - Evaluation

Pertanyaan:

Apa yang mendefinisikan keberhasilan?

Scikit-Learn banyak menyediakan tools untuk evaluation.

Contoh classification:

from sklearn.metrics import accuracy_score

accuracy = accuracy_score(
    y_test,
    predictions
)

Contoh regression:

from sklearn.metrics import mean_absolute_error

mae = mean_absolute_error(
    y_test,
    predictions
)

Tools evaluation harus mengikuti metric yang telah ditentukan berdasarkan problem.

---

Framework Step 4 - Features

Pertanyaan:

Informasi apa yang kita miliki untuk membuat prediksi?

Pandas sangat banyak digunakan pada tahap ini.

Contohnya:

X = df[
    [
        "age",
        "income",
        "transactions"
    ]
]

y = df[
    "churn"
]

Kita juga dapat menggunakan Scikit-Learn untuk preprocessing.

Contohnya:

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()

X_scaled = scaler.fit_transform(
    X_train
)

---

Framework Step 5 - Modelling

Pertanyaan:

Model apa yang harus digunakan?

Di sinilah Scikit-Learn menjadi salah satu tools utama.

Scikit-Learn menyediakan banyak algoritma untuk:

Classification
Regression
Clustering
Dimensionality Reduction
Preprocessing
Model Selection
Evaluation

Contoh:

from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier(
    random_state=42
)

model.fit(
    X_train,
    y_train
)

---

Scikit-Learn

Scikit-Learn merupakan salah satu library utama untuk classical Machine Learning menggunakan Python.

Contoh algoritma:

Linear Regression
Logistic Regression
Decision Tree
Random Forest
Support Vector Machine
K-Nearest Neighbors
Naive Bayes
Gradient Boosting
K-Means

Scikit-Learn juga menyediakan utilities untuk:

Train/Test Split
Cross-Validation
Hyperparameter Tuning
Preprocessing
Pipeline
Metrics

---

XGBoost

XGBoost adalah library untuk gradient boosting yang banyak digunakan terutama pada structured/tabular data.

Contohnya:

from xgboost import XGBClassifier

model = XGBClassifier(
    random_state=42
)

model.fit(
    X_train,
    y_train
)

XGBoost sering digunakan ketika kita ingin mengeksplorasi model boosting dengan performa tinggi pada data tabular.

---

CatBoost

CatBoost juga merupakan library gradient boosting.

Salah satu karakteristik yang membuat CatBoost menarik adalah dukungannya terhadap categorical features dalam workflow tertentu.

Contoh:

from catboost import CatBoostClassifier

model = CatBoostClassifier(
    verbose=False,
    random_seed=42
)

model.fit(
    X_train,
    y_train
)

CatBoost dapat menjadi salah satu kandidat ketika bekerja dengan structured data yang memiliki banyak categorical features.

---

TensorFlow

TensorFlow merupakan framework untuk Machine Learning dan terutama Deep Learning.

Contohnya:

Image
   ↓
Neural Network
   ↓
Training
   ↓
Prediction

TensorFlow dapat digunakan untuk membangun dan melatih berbagai jenis neural network.

---

PyTorch

PyTorch juga merupakan framework Deep Learning yang banyak digunakan untuk:

• computer vision
• natural language processing
• generative AI
• research
• production Machine Learning

Workflow sederhananya:

Dataset
   ↓
Tensor
   ↓
Neural Network
   ↓
Training
   ↓
Evaluation
   ↓
Prediction

---

Classical Machine Learning vs Deep Learning

Secara umum:

Kebutuhan	Tools yang Umum
Tabular Data	Pandas
Numerical Computing	NumPy
Visualization	Matplotlib
Statistical Visualization	Seaborn
Classical ML	Scikit-Learn
Gradient Boosting	XGBoost
Gradient Boosting	CatBoost
Deep Learning	TensorFlow
Deep Learning	PyTorch

Pemilihan tools tetap harus disesuaikan dengan problem.

---

Pemetaan Tools secara Keseluruhan

Berikut gambaran sederhananya:

                    Machine Learning Framework

┌─────────────────────────────────────────────────────┐
│ 1. Problem Definition                               │
│                                                     │
│ Fokus: memahami masalah                             │
└─────────────────────────────────────────────────────┘
                       ↓
┌─────────────────────────────────────────────────────┐
│ 2. Data                                             │
│                                                     │
│ Pandas + NumPy + Matplotlib + Seaborn               │
└─────────────────────────────────────────────────────┘
                       ↓
┌─────────────────────────────────────────────────────┐
│ 3. Evaluation                                       │
│                                                     │
│ Scikit-Learn Metrics                                │
└─────────────────────────────────────────────────────┘
                       ↓
┌─────────────────────────────────────────────────────┐
│ 4. Features                                         │
│                                                     │
│ Pandas + NumPy + Scikit-Learn                       │
└─────────────────────────────────────────────────────┘
                       ↓
┌─────────────────────────────────────────────────────┐
│ 5. Modelling                                        │
│                                                     │
│ Scikit-Learn / XGBoost / CatBoost / TensorFlow /    │
│ PyTorch                                             │
└─────────────────────────────────────────────────────┘
                       ↓
┌─────────────────────────────────────────────────────┐
│ 6. Experimentation                                  │
│                                                     │
│ Jupyter + seluruh tools yang relevan                │
└─────────────────────────────────────────────────────┘

---

Jupyter sebagai Pusat Eksperimen

Jupyter dapat berada di hampir seluruh workflow.

Contohnya:

Jupyter
   │
   ├── Pandas
   │     ↓
   │   Data Analysis
   │
   ├── NumPy
   │     ↓
   │   Numerical Processing
   │
   ├── Matplotlib
   │     ↓
   │   Visualization
   │
   ├── Scikit-Learn
   │     ↓
   │   Machine Learning
   │
   └── Experimentation

Jupyter berfungsi sebagai tempat untuk menggabungkan berbagai tools tersebut.

---

Tidak Perlu Menghafal Semua Fungsi

Ketika belajar Data Science dan Machine Learning, kita akan menemukan banyak fungsi.

Contohnya Pandas saja memiliki sangat banyak method.

Tidak realistis untuk menghafal semuanya.

Yang lebih penting:

Memahami konsep
       ↓
Mengetahui library
       ↓
Mengetahui fungsi yang mungkin diperlukan
       ↓
Mencari dokumentasi
       ↓
Mencoba
       ↓
Memahami hasil

Misalnya kita lupa bagaimana menghapus missing value.

Kita tidak perlu panik.

Kita dapat mencari dokumentasi:

Pandas missing values

Kemudian mempelajari fungsi yang relevan.

---

Skill yang Lebih Penting daripada Hafalan

Seorang Machine Learning Practitioner sebaiknya memiliki kemampuan:

Problem Solving
      ↓
Research
      ↓
Reading Documentation
      ↓
Experimentation
      ↓
Debugging
      ↓
Evaluation

Bukan hanya:

Menghafal Syntax

Kemampuan mencari solusi menjadi sangat penting karena tools dan library terus berkembang.

---

Membaca Dokumentasi

Dokumentasi merupakan salah satu tool paling penting dalam software engineering dan Machine Learning.

Misalnya kita mengetahui:

Saya membutuhkan
Random Forest

Tetapi lupa parameter yang tersedia.

Kita dapat membuka dokumentasi library dan mencari:

RandomForestClassifier

Kemudian memahami:

Parameters
Methods
Attributes
Examples
Notes

Kemampuan membaca dokumentasi akan sangat membantu ketika project semakin kompleks.

---

Search Engine sebagai Tool

Dalam praktik sehari-hari, developer dan Machine Learning practitioner juga sering menggunakan search engine untuk mencari:

Error message
Library documentation
Example implementation
Best practice
Known issue

Contohnya ketika menemukan:

ValueError: Input contains NaN

Kita dapat mencari:

scikit-learn ValueError Input contains NaN

Kemudian membaca sumber yang relevan dan memahami penyebab error.

---

Stack Overflow dan Community Resources

Selain dokumentasi resmi, komunitas juga dapat membantu.

Contohnya:

Stack Overflow
GitHub Issues
Community Forums
Technical Blogs
Research Papers

Namun informasi dari komunitas harus tetap diverifikasi.

Prioritas yang baik:

Official Documentation
        ↓
Official Examples
        ↓
Source Code / Repository
        ↓
Trusted Community Discussion

---

Tool Selection berdasarkan Jenis Data

Kita dapat menggunakan pendekatan sederhana.

Structured / Tabular Data

CSV / Database
      ↓
Pandas
      ↓
Visualization
      ↓
Scikit-Learn
      ↓
XGBoost / CatBoost

Image

Image
  ↓
Preprocessing
  ↓
Deep Learning
  ↓
TensorFlow / PyTorch

Text

Text
 ↓
Text Processing
 ↓
NLP
 ↓
Machine Learning / Deep Learning
 ↓
Appropriate Framework

Audio

Audio
 ↓
Signal Processing
 ↓
Feature Extraction
 ↓
Deep Learning

Tools yang dipilih harus mengikuti kebutuhan problem.

---

Contoh Pemilihan Tools

Misalnya kita mendapatkan file:

customers.csv

Tujuan:

Memprediksi apakah pelanggan akan churn.

Workflow:

CSV
 ↓
Pandas
 ↓
Exploration
 ↓
Matplotlib / Seaborn
 ↓
Feature Engineering
 ↓
Scikit-Learn
 ↓
Random Forest
 ↓
Evaluation
 ↓
Tuning
 ↓
Comparison

Tidak diperlukan TensorFlow atau PyTorch jika problem tersebut dapat diselesaikan dengan classical Machine Learning secara efektif.

---

Contoh Proyek Computer Vision

Misalnya kita ingin membuat klasifikasi gambar kucing dan anjing.

Data:

Images

Workflow:

Images
   ↓
Preprocessing
   ↓
Deep Learning
   ↓
Transfer Learning
   ↓
PyTorch / TensorFlow
   ↓
Evaluation
   ↓
Deployment

Tools seperti Pandas mungkin masih berguna untuk metadata, tetapi bukan tool utama untuk memproses representasi gambar.

---

Tool Matching

Konsep yang perlu diingat:

Machine Learning adalah tool matching project.

Artinya kita memilih alat berdasarkan masalah.

Contohnya:

Butuh numerical computation
        ↓
NumPy

Butuh manipulasi tabel
        ↓
Pandas

Butuh visualisasi
        ↓
Matplotlib / Seaborn

Butuh classical ML
        ↓
Scikit-Learn

Butuh boosting
        ↓
XGBoost / CatBoost

Butuh Deep Learning
        ↓
TensorFlow / PyTorch

---

Jangan Menggunakan Semua Tools Sekaligus

Kesalahan umum adalah berpikir:

Proyek Machine Learning
        ↓
Harus menggunakan
NumPy
Pandas
Matplotlib
Seaborn
Scikit-Learn
XGBoost
CatBoost
TensorFlow
PyTorch

Tidak demikian.

Kita hanya menggunakan tools yang memang diperlukan.

Contohnya proyek sederhana:

Pandas
   +
Scikit-Learn

sudah mungkin cukup.

Proyek yang membutuhkan visualisasi:

Pandas
+
Matplotlib
+
Scikit-Learn

Sedangkan proyek Deep Learning:

NumPy
+
PyTorch

dapat menjadi kombinasi yang sesuai, tergantung workflow.

---

Learning Path Tools

Setelah memahami pemetaan tools, urutan belajar yang masuk akal adalah:

Python
  ↓
NumPy
  ↓
Pandas
  ↓
Matplotlib
  ↓
Seaborn
  ↓
Scikit-Learn
  ↓
XGBoost / CatBoost
  ↓
Deep Learning
  ↓
TensorFlow / PyTorch

Namun urutan tersebut dapat disesuaikan dengan tujuan belajar.

---

Tools dan Framework Bukan Tujuan Akhir

Perlu diingat bahwa:

Library ≠ Skill Machine Learning

Mengetahui syntax:

model.fit(...)

tidak otomatis berarti memahami Machine Learning.

Skill yang lebih penting adalah:

Problem
   ↓
Data
   ↓
Features
   ↓
Model
   ↓
Evaluation
   ↓
Experiment
   ↓
Decision

Tools hanyalah alat untuk menjalankan proses tersebut.

---

Workflow Belajar yang Disarankan

Ketika mempelajari library baru:

1. Pahami tujuan library
       ↓
2. Pahami konsep dasarnya
       ↓
3. Pelajari fungsi yang paling sering digunakan
       ↓
4. Buat contoh kecil
       ↓
5. Gunakan pada dataset nyata
       ↓
6. Gabungkan dengan library lain
       ↓
7. Buat project

Jangan mencoba menghafal seluruh API library sejak awal.

---

Contoh Mini Workflow

Berikut contoh sederhana yang menggabungkan beberapa tools.

import pandas as pd
import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

Load data:

df = pd.read_csv(
    "dataset.csv"
)

Memisahkan features dan target:

X = df.drop(
    "target",
    axis=1
)

y = df["target"]

Membagi dataset:

X_train, X_test, y_train, y_test = train_test_split(
    X,
    y,
    test_size=0.2,
    random_state=42,
    stratify=y
)

Training:

model = RandomForestClassifier(
    random_state=42
)

model.fit(
    X_train,
    y_train
)

Prediction:

predictions = model.predict(
    X_test
)

Evaluation:

accuracy = accuracy_score(
    y_test,
    predictions
)

print(
    f"Accuracy: {accuracy:.2%}"
)

Pada contoh tersebut kita sudah menggunakan beberapa bagian framework:

Pandas
   ↓
Data

Scikit-Learn
   ↓
Modelling

Scikit-Learn Metrics
   ↓
Evaluation

---

Peta Ekosistem Python untuk Machine Learning

Secara keseluruhan:

                     Python
                        │
              ┌─────────┴─────────┐
              ↓                   ↓
          Environment           Jupyter
              │                   │
              │                   │
       ┌──────┴──────┐            │
       ↓             ↓            │
     NumPy         Pandas         │
       │             │            │
       └──────┬──────┘            │
              ↓                   │
       Matplotlib / Seaborn       │
              │                   │
              └────────┬──────────┘
                       ↓
                 Scikit-Learn
                       │
              ┌────────┴────────┐
              ↓                 ↓
          XGBoost             CatBoost
              │                 │
              └────────┬────────┘
                       ↓
                 Deep Learning
                       │
              ┌────────┴────────┐
              ↓                 ↓
         TensorFlow          PyTorch

Diagram tersebut bukan menunjukkan dependency wajib antar-library, tetapi menggambarkan posisi umum tools dalam ekosistem pembelajaran Machine Learning.

---

Checklist Pengenalan Tools

Sebelum masuk ke praktik lebih lanjut, pastikan sudah memahami:

• Apa fungsi environment
• Apa kegunaan Anaconda / Conda
• Apa kegunaan Jupyter Notebook
• Apa kegunaan NumPy
• Apa kegunaan Pandas
• Apa kegunaan Matplotlib
• Apa kegunaan Seaborn
• Apa kegunaan Scikit-Learn
• Apa kegunaan XGBoost
• Apa kegunaan CatBoost
• Apa kegunaan TensorFlow
• Apa kegunaan PyTorch
• Perbedaan classical Machine Learning dan Deep Learning
• Cara memilih tools berdasarkan jenis problem
• Cara membaca dokumentasi
• Memahami bahwa tidak perlu menghafal seluruh API library

---

Ringkasan

Dalam Data Science dan Machine Learning, kita menggunakan banyak tools dengan fungsi yang berbeda.

Pemetaan sederhananya:

Tool	Fungsi Utama
Conda / Anaconda	Environment dan package management
Jupyter	Eksperimen dan dokumentasi
NumPy	Numerical computing
Pandas	Data manipulation dan analysis
Matplotlib	Data visualization
Seaborn	Statistical visualization
Scikit-Learn	Classical Machine Learning
XGBoost	Gradient Boosting
CatBoost	Gradient Boosting
TensorFlow	Deep Learning
PyTorch	Deep Learning

Hubungan dengan framework:

Problem Definition
       ↓
Memahami masalah

     Data
       ↓
Pandas + NumPy

Evaluation
       ↓
Scikit-Learn Metrics

    Features
       ↓
Pandas + NumPy + Scikit-Learn

    Modelling
       ↓
Scikit-Learn / XGBoost / CatBoost
       ↓
TensorFlow / PyTorch untuk Deep Learning

Experimentation
       ↓
Jupyter + tools yang relevan

Hal terpenting bukan menghafal seluruh fungsi library.

Yang lebih penting adalah mengetahui:

Apa masalahnya?
        ↓
Data seperti apa?
        ↓
Apa yang perlu dilakukan?
        ↓
Tool apa yang cocok?
        ↓
Bagaimana membaca dokumentasinya?
        ↓
Bagaimana menguji hasilnya?

Dengan pola pikir tersebut, kita dapat membangun kemampuan Machine Learning yang lebih fleksibel.

Tools adalah alat. Problem solving adalah skill utamanya.

Pada materi berikutnya, kita dapat mulai masuk ke praktik menyiapkan environment Python untuk Data Science dan Machine Learning, termasuk Conda/Anaconda, virtual environment, instalasi library, Jupyter Notebook, serta struktur environment yang baik untuk setiap project.