Sintaks rumit, tapi cepat di semua kasus

Minim pustaka pendukung

Sintaks sederhana dan ekosistem pustaka KA/data sangat lengkap

Hanya bisa berjalan di Linux

echo()

show()

print()

display()

Belajar dari data tanpa label untuk menemukan pola tersembunyi

Menggunakan sedikit data berlabel dan banyak data tak berlabel

Belajar dengan umpan balik “reward–penalty” dari lingkungan

Dilatih dengan data berlabel untuk memprediksi/ mengklasifikasi

Mempercepat proses komputasi saja

Menguji kemampuan generalisasi model pada data baru

Mengurangi kebutuhan pembersihan data

Memperkecil ukuran file dataset

Visual Studio Code

PyCharm

Google Colab

RStudio

Memprediksi nilai ujian akhir siswa

Mengelompokkan pelanggan berdasarkan perilaku belanja

Mendeteksi spam lewat label “spam/tidak spam”

Memprediksi harga rumah dari fitur berlabel

Menggunakan LLM tanpa batas agar hasil kreatif maksimal

Integrasi LLM ke aplikasi dan penggunaan yang bertanggung jawab berprinsip human-centered & etika

Mengganti seluruh pipeline ML klasik dengan LLM

Mengabaikan dokumentasi teknis karena output sudah otomatis

Model belajar dari contoh berlabel “benar/salah”

Model belajar dari pola statistik tanpa label apa pun

Agen belajar melalui trial-and-error dengan umpan balik (reward/punishment)

Agen memerlukan seluruh data dilabeli manual

.py

.ipynb

.csv

.txt