Dari geometric margin ke dual optimization, dari soft-margin SVM ke kernel trick yang legendaris. Memahami Support Vector Machines secara matematis lengkap dengan intuisi visual. Materi CS229 Stanford.

Memahami perbedaan mendasar antara generative dan discriminative learning — dari Gaussian Discriminant Analysis (GDA), Naive Bayes classifier, Laplace smoothing, hingga aplikasi spam filtering. Materi CS229 Stanford yang dijelaskan dengan intuisi dan matematika.

Panduan matematis namun aksesibel tentang fondasi supervised learning — dari LMS algorithm, normal equations, logistic regression dengan Newton's method, hingga Generalized Linear Models (GLMs). Berdasarkan CS229 Stanford oleh Andrew Ng.

Panduan komprehensif Double Machine Learning (DML) — teknik revolusioner untuk estimasi efek kausal menggunakan machine learning. Pelajari cara DML mengatasi confounding, mengestimasi treatment effect heterogeneity, dan aplikasinya dalam riset kebijakan sosial.

Revolusi metodologis dalam riset kualitatif — Computing Grounded Theory (CGT) menggabungkan machine learning dengan Grounded Theory tradisional. Pelajari cara ML digunakan untuk mengembangkan, memverifikasi, dan memperluas teori sosial dari data empiris.

Bagaimana supervised machine learning digunakan untuk memprediksi fenomena sosial sensitif — dari intimate partner violence hingga identitas seksual minoritas. Lengkap dengan metodologi, pemilihan algoritma, evaluasi model, dan diskusi etis dari riset terkini.

Panduan praktis menggunakan unsupervised machine learning untuk riset sosial — dari LDA Topic Modeling, Word2Vec embeddings, hingga Named Entity Recognition. Disertai contoh aplikasi nyata pada data teks budaya, sastra, dan media.

Eksplorasi lengkap bagaimana machine learning merevolusi ilmu sosial — dari sejarah prediksi sosial, supervised vs unsupervised learning, hingga transformasi paradigma penelitian. Dilengkapi perspektif dari buku "Machine Learning in Social Science" karya Chen, Chen, Ma & Ju (2025).