Memahami Model dan Representasi
Bab 6 sampai 9. Sebelum menggunakan model, kamu perlu memahami cara kerjanya agar bisa men-debug ketika hasilnya tidak sesuai ekspektasi.
Mengapa Bagian Ini Ditempatkan di Sini
Bab 9 tentang embedding adalah prasyarat langsung untuk Bab 12 (Vector Database) dan Bab 13 (RAG). Tanpa memahami apa itu embedding dan mengapa representasi semantik bekerja, keputusan seperti memilih model embedding, menentukan dimensi vektor, atau memilih similarity metric tidak akan masuk akal.
Bagian ini membangun intuisi yang dibutuhkan untuk membuat keputusan teknis yang tepat di bagian berikutnya.
Bergantung pada Bagian I (Python dan environment) sepenuhnya.
Bab di Bagian Ini
Bab 6: Dasar Machine Learning
Taksonomi ML: supervised/unsupervised, evaluasi model.
Bab 7: Neural Network & Transformer
Cara kerja arsitektur yang menjadi fondasi semua LLM modern.
Bab 8: Token, Context Window, Parameter LLM
Temperature, top_p, max_tokens, dan dampak praktisnya.
Bab 9: Text Embedding & Representasi Semantik
Bagaimana teks direpresentasikan sebagai vektor, dan mengapa ini penting untuk search.
Kamu punya kerangka konseptual untuk mengevaluasi model (bukan hanya akurasi), memahami mengapa LLM berperilaku seperti yang diamati, mengontrol output lewat parameter API, dan memahami embedding sebagai fondasi retrieval semantik. Bagian III akan langsung memakai semua ini untuk membangun sistem RAG.