Metode-Metode Optimisasi pada Neural Network: Teori Matematika, Analisis Numerik, dan Praktikum Python

Buku ini terdiri atas 34 bab dalam tujuh bagian: fondasi matematis (aljabar linear, kalkulus gradien, analisis numerik); mekanisme komputasi inti (forward propagation, backpropagation, automatic differentiation); algoritma optimizer dari Gradient Descent klasik hingga optimizer adaptif modern (SGD, Momentum, Nesterov, Adagrad, RMSProp, Adam, AdamW, dan varian terbaru); teknik stabilitas pelatihan (regularisasi, inisialisasi bobot, learning rate scheduling, gradient clipping); optimisasi hiperparameter (grid search, random search, Bayesian optimization); metaheuristik berbasis populasi (PSO, Genetic Algorithm, Differential Evolution, swarm intelligence modern); serta studi kasus lengkap regresi, klasifikasi, dan time series, ditutup dengan panduan praktis memilih optimizer dan peta arah riset terkini.

Setiap bab dilengkapi teori yang diturunkan langkah demi langkah, contoh numerik, pseudocode standar, dan kode Python/PyTorch yang dapat langsung dijalankan, ditambah ringkasan, latihan teori, latihan praktikum, dan proyek mini.

Ditujukan bagi mahasiswa tingkat akhir S1, mahasiswa S2/S3, dosen, dan praktisi machine learning yang ingin memahami cara kerja optimizer secara mendalam. Pembaca cukup berbekal kalkulus multivariabel, aljabar linear, dan dasar pemrograman Python — tidak diperlukan latar belakang deep learning sebelumnya.