graph LR A[01 Foundations] --> B[02 Calculus] A --> C[03 Linear Algebra] B --> D[04 Probability] C --> D D --> E[05 Statistics] E --> F[06 Econometrics Math] E --> G[07 ML Math] B --> G C --> G C --> F
Math Relearning
Econometrics & ML Mathematical Foundation
Personal course untuk re-learning matematika — dari fondasi hingga advanced, dengan fokus pada econometrics dan machine learning.
Math Relearning
Re-learning matematika dari fondasi hingga advanced — dengan perspektif seorang data-research analyst & akademisi yang bekerja di bidang econometrics dan machine learning.
Econometrics Machine Learning Research Methods Quarto + R + Python
Tentang Course Ini
Ini bukan belajar math dari nol. Ini adalah re-learning — kembali ke fondasi dengan pemahaman yang lebih dalam, dengan lens seorang practitioner yang sudah tahu bahwa \(\hat{\beta} = (X'X)^{-1}X'y\) bukan sekadar rumus, tapi representasi geometris dari proyeksi vektor.
Kalau kamu pernah merasa “aku tahu cara pakai tool ini, tapi aku nggak tahu kenapa ini works” — course ini untuk itu.
NoteSiapa yang Cocok Pakai Course Ini?
- Data analyst / data scientist yang ingin memahami math di balik model
- Ekonom / peneliti sosial dengan background kuantitatif
- Mahasiswa pascasarjana yang perlu refresh fondasi math sebelum comps
- Siapapun yang ingin baca paper econometrics/ML dan paham derivasinya
Learning Roadmap
Modules
01 · Foundations
Bilangan real & kompleks, aljabar, fungsi, pertidaksamaan, notasi sigma. Fondasi yang sering dilupakan tapi krusial.
02 · Calculus
Limit, turunan, integral, kalkulus multivariabel, optimisasi, deret Taylor. Bahasa perubahan dan aproksimasi.
03 · Linear Algebra
Vektor, matriks, eigenvalues, SVD, decompositions. Bahasa utama data science — dari OLS sampai neural networks.
04 · Probability
Kombinatorik, probabilitas kondisional, Bayes, random variables, distribusi, konvergensi, LLN, CLT.
05 · Statistics
MLE, OLS, GMM, hypothesis testing, confidence intervals, teori asimptotik, inferensi Bayesian.
06 · Econometrics Math
OLS matrix form, Gauss-Markov, IV & GMM derivation, panel data math, time series algebra, spatial econometrics.
07 · ML Math
Loss functions, gradient descent, regularization, kernel methods, information theory, PCA, backpropagation calculus.
08 · Appendix
Referensi cepat: Greek alphabet, common proofs, notation guide, formula cheat sheets.
Urutan Belajar yang Disarankan
| Jika Background-mu… | Mulai dari… |
|---|---|
| Lupa semua math dasar | 01 → 02 → 03 → 04 → 05 → 06/07 |
| OK dengan kalkulus, lemah linear algebra | 03 → 04 → 05 → 06/07 |
| Kuat math, butuh econometrics | 06 langsung, refer balik jika butuh |
| ML practitioner, butuh theory | 03 → 04 → 05 → 07 |
| Just need quick reference | Appendix + cheat sheets |
Estimasi Waktu
| Module | Estimasi | Prioritas |
|---|---|---|
| 01 Foundations | 4–6 jam | Warm-up |
| 02 Calculus | 8–12 jam | Penting |
| 03 Linear Algebra | 12–18 jam | Sangat Penting |
| 04 Probability | 10–15 jam | Sangat Penting |
| 05 Statistics | 8–12 jam | Penting |
| 06 Econometrics Math | 10–15 jam | Core |
| 07 ML Math | 8–12 jam | Core |
“Mathematics is the language in which God has written the universe.” — Galileo Galilei
Tapi buat kita: Math adalah bahasa di mana model econometric dan algoritma ML ditulis. Kalau kamu bisa baca bahasanya, kamu bisa baca papernya.