Bahan Persiapan
Untuk dapat mempersiapkan menghadapi IOAI dan kompetisi-kompetisi serupa dalam bidang AI, termasuk proses seleksinya, dengan baik, para calon peserta perlu mempelajari semua materi dan topik yang relevan sesuai silabus yang ditentukan, serta berlatih dengan mengerjakan berbagai soal dan latihan yang relevan. Tim Pembina IOAI Indonesia telah menyiapkan beberapa buah modul yang digunakan selama kegiatan Pelatnas IOAI 2025. Modul ini dapat membantu para calon peserta untuk mempelajari dasar-dasar materi yang diperlukan, meskipun tentunya harus ditambah dengan materi serta latihan soal dari sumber-sumber lain.| Modul | Topik |
|---|---|
| Modul 1 | Materi dasar: matematika, statistika, teori peluang, optimasi, serta dasar pemrograman Python. |
| Modul 2 | Pengenalan Machine Learning: Pra-proses data, Supervised dan Unsupervised Learning |
| Modul 3 | Pengenalan Deep Learning: multi-layer perceptron, convolutional neural network & recurrent neural network Learning |
| Modul 4 | Pengenalan Computer Vision (CV) |
| Modul 5 | Pengenalan Natural Language Processing (NLP) |
Selain modul-modul tersebut, para calon peserta juga sangat disarankan untuk mencari sumber-sumber lain di Internet yang relevan dengan silabus yang telah diberikan, misalnya:
Topik Dasar Matematika & Statistika
- Mathematics for Machine Learning — aljabar linier, matriks, dan fondasi matematis ML.
- Khan Academy – Math — kalkulus dasar (turunan, integral), aljabar, dan probabilitas.
- 3Blue1Brown: Essence of Linear Algebra & Essence of Calculus — visualisasi konsep kunci.
- MIT OCW 18.06 Linear Algebra (Strang) — kuliah lengkap aljabar linier.
- OpenIntro Statistics — pengantar statistika & inferensi.
- Think Stats & Think Bayes — statistika praktis & probabilitas Bayes dengan Python.
Pemrograman Python & Sains Data
- Python Official Tutorial — penguatan sintaks & struktur data.
- TutorialsPoint – Python — rujukan cepat untuk dasar Python.
- Python Data Science Handbook — NumPy, Pandas, Matplotlib, scikit-learn.
- NumPy Quickstart & 100 NumPy Exercises — latihan array/tensor.
- Pandas User Guide & Intro Tutorials — pengolahan data, merge, groupby.
Eksplorasi & Visualisasi Data (EDA)
- Matplotlib Tutorials & Seaborn Tutorial — visualisasi dasar–menengah.
- Google Developers – Data Prep — praktik baik pembersihan data & feature scaling.
Machine Learning Dasar
- Google ML Crash Course — kursus gratis pengantar ML.
- scikit-learn User Guide — klasifikasi, regresi, klasterisasi, evaluasi.
- Kaggle Learn Micro-courses — Python, Pandas, Intro/Intermediate ML, Visualisasi.
- Scikit-learn MOOC — kurikulum terstruktur supervised & unsupervised learning.
- An Introduction to Statistical Learning (ISLR) (+ lab Python) — fondasi ML klasik.
- StatQuest — penjelasan lugas algoritma & metrik evaluasi.
- Harvard CS109 Data Science — materi terbuka: EDA, probabilitas, regresi, klasifikasi, validasi.
Dataset & Latihan
- UCI Machine Learning Repository — dataset klasik untuk eksperimen.
- Kaggle Datasets — ragam dataset kecil–menengah untuk latihan.
Sumber Lanjutan
Deep Learning
- Dive into Deep Learning (D2L) — buku interaktif DL (Jupyter/NumPy/PyTorch/MXNet).
- fast.ai – Practical Deep Learning — pendekatan praktis berbasis proyek.
Computer Vision
- Stanford CS231n — CNN & visi komputer modern.
- Computer Vision: Algorithms and Applications (Szeliski) — buku referensi gratis.
NLP
- Stanford CS224n — NLP dengan Deep Learning.
- Hugging Face NLP Course — praktik modern dengan Transformers.