Thread by @aliakbars

Kumpulan kuliah bagus di Stanford untuk menjadi data scientist yang sakti mandraguna 🧵

Disclaimer: Asumsinya paling tidak kalian sudah bisa programming dalam Python. Beberapa kuliah ini juga meminta pre-requisites berupa NumPy.

Catatan: Makin besar angkanya, berarti memang diberikan di tingkat yang lebih tinggi. Jadi kalau ada yang bertanya kenapa CS229: Machine Learning tidak ditaruh duluan, alasannya karena ini diurut berdasarkan kode ya.

Lagipula harusnya sudah pada tahu CS229 kan? 🤷🏻‍♂️

🌲 CS109: Probability for Computer Scientists

Slides-nya bagus banget. Super niat bikinnya. Saat mengampu kuliah Pengantar Statistika, saya banyak mengadaptasi dari sini. Contoh-contohnya relevan sekali untuk yang latar belakangnya dari CS.

web.stanford.edu/class/archive/…

Dari beberapa term kuliah itu diberikan, saya merasa yang paling keren slides-nya tetap punya Will Monroe (@futurulus). Ilustrasi di halaman pembukanya tidak hanya indah, tapi selalu ada hubungannya dengan materi yang diberikan.

🌲 CS124: From Languages to Information

Boleh dibilang pengantar NLP. Diampu oleh @jurafsky yang punya banyak penelitian menarik di bidang aplikasi NLP. Bukunya jadi referensi utama banyak kuliah NLP.

web.stanford.edu/class/cs124/

youtube.com/channel/UC_48v…

web.stanford.edu/~jurafsky/slp3/

🌲 CS131: Computer Vision: Foundations and Applications

Nemu ini saat mau memberikan kuliah AI di Comp. Vision (CV). Karena dulu saya tidak pernah ambil kuliah graphics/vision, jadi berasa ketinggalan. Kuliah ini bagus untuk mengulas lagi kelihatannya.

vision.stanford.edu/teaching/cs131…

Pernah tahu ngga convolutional layer itu datangnya dari mana? Sebelum nilai kernel itu dipelajari dengan DL, sudah ada beberapa nilai "default" yang populer, e.g. Sobel, Canny, Gaussian. Kuliah ini juga dimulai dari persepsi visual oleh manusia. Biar ngga cuma tahu ResNet50 aja!

🌲 CS221: Artificial Intelligence: Principles and Techniques

Favorit saya!

Sejak diminta mengampu kuliah AI, saya langsung merujuk ke sini dan seperti menemukan harta karun.

stanford-cs221.github.io/autumn2019/

Penyampaian materinya runut sekali. Bahkan saya lebih suka urutan ini daripada urutan chapter buku AIMA.

Materi Markov Decision Processes dan RL-nya juga menurut saya lebih enak approach-nya untuk pemula daripada kuliahnya David Silver.

Saya belajar HMM lagi juga dari sini!

🌲 CS224N: Natural Language Processing with DL

Lanjutan dari CS124. Diampu @chrmanning dan @abigail_e_see. Berubah nama dan konten sejak 2017, sebelumnya hanya "NLP". Digabung dengan CS224d yang dulu diampu @RichardSocher.

web.stanford.edu/class/cs224n/i…

🌲 CS230: Deep Learning

Mungkin banyak yang familiar dengan CS229: Machine Learning, tapi apakah kalian tahu kalau sekarang juga ada CS230 yang spesifik di DL? Diampu oleh Andrew Ng seperti halnya CS229.

cs230.stanford.edu

Modulnya juga berhubungan dengan kuliah deeplearning.ai. Relatif singkat dibanding yang lain karena aslinya banyak kuliah tamunya.

Kalau butuh ide proyek deep learning, bisa lihat-lihat juga tugas dari tahun-tahun sebelumnya.

🌲 CS231n Convolutional Neural Networks for Visual Recognition

Kode kuliahnya menunjukkan ini lanjutan dari CS131. Sekarang diampu @drfeifei setelah sebelumnya sempat diampu bersama @karpathy.

cs231n.stanford.edu

Karena di sini belajar membuat CNN dari NumPy, harusnya jadi bisa paham luar-dalam. Dilengkapi dengan banyak notebooks yang bisa sangat membantu belajar. Kalau minta mahasiswa belajar NumPy, saya biasanya kasih rujukan ke notebook dari kuliah ini juga.

cs231n.github.io/python-numpy-t…

🌲 CS246: Mining Massive Data Sets

Diampu @jure. Kalau mau main ke big data, social network analysis, dan recsys, belajarnya dari sini. Bukunya gratis dan bagus. Videonya dipecah pendek-pendek.

web.stanford.edu/class/cs246/

mmds.org

Pengampu kuliah ini juga yang memimpin SNAP: Stanford Network Analysis Project. Kalau mau cari dataset social network, bisa lihat-lihat di sini juga.

snap.stanford.edu

🌲 CS276: Information Retrieval and Web Search

Diampu @chrmanning juga. Bukunya referensi yang sangat bagus untuk belajar IR. Buat yang bekerja di e-commerce, kayaknya kuliah ini akan sangat relevan.

web.stanford.edu/class/cs276/

nlp.stanford.edu/IR-book/

Kira-kira itu dulu deh yang pernah saya lihat-lihat dan konsumsi materinya. Ada beberapa kuliah yang lain yang harusnya tidak kalah bagusnya, misalnya CS224W ML with Graphs, CS228 Probabilistic Graphical Models, atau CS234 Reinforcement Learning.

https://twitter.com/EmmaBrunskill/status/1182151304069574656

Sayangnya kuliah-kuliah itu belum pernah saya pelajari lagi lebih dalam. Kalau pun ada yang lain di luar CS, saya menyarankan lihat Game Theory. Referensi tambahan saya ketika ambil kuliah serupa pas master dulu.

online.stanford.edu/courses/soe-yc…

Boleh juga lihat ulasan-ulasan kuliah yang ditulis @chipro. Salah satu sarannya: Jangan ambil lebih dari 2 kuliah yang sulit per caturwulan. Silakan disesuaikan dengan kondisi masing-masing ya kalau masih kuliah. 😁

huyenchip.com/2018/03/30/gui…