Kursus
Pengantar Python
4 jam
7.1M
Daftar Isi
Menggunakan Python untuk Diagnostik Citra
- Mendeteksi dan Mengklasifikasikan Tumor
- Mendeteksi Kelainan Kardiovaskular
- Mendeteksi Patah Tulang dan Cedera Lainnya
- Skrining untuk Kanker Umum
Penggunaan Natural Language Processing (NLP) di Bidang Kesehatan
- Menggunakan NLP untuk membuat sistem clinical decision support (CDS)
- Menggunakan NLP untuk meningkatkan Kapabilitas Fenotiping
- Memprediksi Awal Psikosis
- Identifikasi dan Stratifikasi Risiko Pasien Sirosis
- Identifikasi Kasus Kanker yang Wajib Dilaporkan
- Penerapan NLP untuk Analitik Prediktif
Menggunakan Python untuk Memprediksi dan Menganalisis Penyakit Kompleks
Menggunakan Python untuk Meningkatkan Pengalaman Pasien
Meningkatkan Operasional Rumah Sakit
Penemuan Obat
Masa Depan penggunaan Python di Bidang Kesehatan
Kesimpulan
Pendahuluan
Di dunia modern, komputer dan ponsel pintar telah mengambil alih banyak aspek kehidupan kita, dan industri kesehatan tidak terkecuali. Praktisi kesehatan semakin banyak memigrasikan data kesehatan dari kertas ke format elektronik, dan fasilitas kesehatan menghasilkan data dalam jumlah masif sebagai akibatnya. Python adalah bahasa pemrograman esensial yang digunakan data scientist untuk menciptakan solusi bagi berbagai tantangan di bidang kesehatan, dan menawarkan beragam alat untuk menghasilkan wawasan bermakna dari data bagi para profesional kesehatan. Dokter dapat menggunakan aplikasi bertenaga Python untuk membuat prognosis yang lebih baik dan meningkatkan mutu layanan kesehatan. Di sektor kesehatan, data scientist terutama menggunakan Python untuk membangun algoritma pembelajaran mesin dan aplikasi perangkat lunak untuk:
- Melakukan diagnostik medis
- Meningkatkan efisiensi operasi rumah sakit
- Studi genomik
- Penemuan obat
- Analitik prediktif
Aplikasi utama Python di bidang kesehatan berbasis pada algoritma machine learning (ML) dan natural language processing (NLP). Aplikasi tersebut mencakup diagnostik citra, pemrosesan bahasa alami atas dokumen medis, dan prediksi penyakit menggunakan genetika manusia. Aplikasi seperti ini penting bagi sektor kesehatan: mereka memproses dan menganalisis data menjadi informasi yang dapat dipahami, bermakna, dan andal bagi pasien dan tenaga kesehatan. Bagian berikut merinci bagaimana data scientist dan praktisi kesehatan menggunakan ML dan NLP di Python untuk memecahkan tantangan kesehatan dan meningkatkan hasil kesehatan pasien.
Menggunakan Python untuk Diagnostik Citra
Salah satu perkembangan teknologi yang paling menjanjikan di bidang kesehatan adalah penggunaan ML untuk menganalisis berbagai citra seperti magnetic resonance imaging (MRI), computerized tomography (CT), dan diffusion tensor imaging (DTI) guna memberikan diagnostik. Sementara otak manusia kesulitan menganalisis banyak gambar secara simultan, solusi pembelajaran mesin unggul dalam memproses banyak potongan informasi untuk menghasilkan satu keluaran diagnostik. Sarker (2021) memberikan contoh aplikasi nyata pembelajaran mesin di bidang kesehatan dan arah risetnya. Perlu dicatat pula bahwa akurasi penggunaan Python dalam pembelajaran mesin untuk analisis citra sekitar 92%. Angka ini sedikit di bawah akurasi 96% untuk klinisi senior. Namun, ketika ahli patologi melakukan verifikasi model pembelajaran mesin, tingkat akurasi dapat meningkat hingga 99,5%.
Mendeteksi dan Mengklasifikasikan Tumor
Salah satu aplikasi teknologi pembelajaran mesin yang paling umum di bidang kesehatan adalah deteksi tumor menggunakan computer-automated detection (CAD). Teknik-teknik ini menerapkan CNN untuk menghitung probabilitas bahwa suatu lesi benar-benar merupakan lesi. Misalnya, dalam mamografi, alat AI dapat memberikan pendapat ‘kedua’ bagi banyak ahli radiologi. Ini secara signifikan meningkatkan akurasi skrining tanpa menambah biaya terkait penggunaan tenaga manusia untuk memberikan ‘pendapat kedua’.
Dokter mengalami tantangan dalam mendeteksi dan mengklasifikasikan glioblastoma—sejenis tumor otak. Kesulitannya terletak pada sifat tumor ini yang invasif dan menyebar. Berbeda dengan tumor otak lainnya, tumor ini sulit dilokalisasi dan dinilai responsnya terhadap pengobatan. Deep learning membantu mengotomatisasi penilaian MRI glioblastoma.
Mendeteksi Kelainan Kardiovaskular
Menggunakan Python untuk mengotomatisasi deteksi kelainan jantung dari citra, seperti rontgen dada, dapat mempercepat pengambilan keputusan dan mengurangi kesalahan diagnostik. Ketika pasien menunjukkan gejala seperti sesak napas, dokter sering meminta radiograf dada sebagai alat untuk kardiomegali. Alat AI yang dibuat dengan Python dapat membantu mengotomatisasi tugas penilaian seperti pengukuran diameter arteri pulmonalis dan sudut karina. Sebagai contoh, gambar di bawah menunjukkan bagaimana data scientist menggunakan ML untuk memprediksi penyakit kardiovaskular menggunakan karakteristik klinis pasien (seperti jenis kelamin, status merokok, dan risiko hipertensi, di antara faktor lainnya). Model tersebut memiliki akurasi sekitar 76% (Weng et al., 2017).
Sumber: Weng et al. (2017)
Algoritma ML dapat menilai citra dan membuat laporan otomatis, menghemat waktu praktisi dalam mengklasifikasikan kelainan dari pengukuran normal.
Mendeteksi Patah Tulang dan Cedera Lainnya
Data scientist dapat menggunakan alat bertenaga ML untuk mengidentifikasi dislokasi yang sulit dilihat, patah tulang, dan cedera jaringan lunak, sehingga memungkinkan ahli bedah membuat pilihan perawatan dengan lebih yakin. Menggunakan algoritma yang bebas bias untuk menganalisis citra dapat membantu praktisi medis memperhitungkan semua cedera dan memberikan perawatan terbaik. Alat AI dapat membantu melakukan analisis komprehensif atas citra medis dan menghasilkan laporan yang akurat secara tepat waktu, meminimalkan risiko bagi pasien, hasil negatif palsu, dan risiko hukum bagi praktisi.
Mendeteksi Kondisi dan Komplikasi Toraks
Kondisi toraks seperti pneumonia memerlukan respons cepat dari penyedia layanan kesehatan. Dokter menggunakan citra radiologi untuk mendiagnosis pneumonia dan membedakan kondisi tersebut dari kondisi paru lainnya, seperti COVID-19. Namun, seperti yang ditunjukkan oleh Hasan et al. (2021), ahli radiologi tidak selalu tersedia untuk menganalisis citra dan menulis laporan bagi dokter. Bahkan ketika tersedia, mereka dapat mengalami kesulitan mengidentifikasi pneumonia jika pasien memiliki kondisi paru yang sudah ada sebelumnya. Algoritma AI berbasis Python dapat menganalisis rontgen dan citra medis lainnya untuk mendeteksi pneumonia, lalu secara otomatis memberi tahu penyedia layanan kesehatan agar memberikan perawatan yang sesuai.
Skrining untuk Kanker Umum
Ahli onkologi menggunakan pencitraan medis untuk melakukan skrining rutin dan preventif terhadap kanker, seperti kanker kolorektal, prostat, dan payudara. Dalam skrining kanker payudara, ahli radiologi mungkin kesulitan untuk secara konklusif mengklasifikasikan tumor sebagai jinak atau ganas. Positif palsu dapat menyebabkan pemeriksaan atau perawatan invasif yang tidak perlu, sementara keganasan yang terlewat dapat menyebabkan diagnosis tertunda dan luaran yang tidak diinginkan. Menggunakan AI dapat membantu meningkatkan akurasi pembacaan citra medis, berpotensi menurunkan tingkat biopsi jinak yang tidak perlu.
Penggunaan Natural Language Processing (NLP) di Bidang Kesehatan
Data scientist dan praktisi kesehatan menggunakan alat natural language processing (NLP) untuk memproses dan menganalisis berbagai faktor, termasuk interaksi pasien, gejala, dan tanda vital, antara lain. NLP dapat menyediakan cara yang lebih murah untuk memindai dokumen medis dengan cepat dan mengintegrasikan informasi yang dihasilkan ke dalam basis data, karena sistem NLP mengekstrak data yang dapat dibaca dari teks dan gambar untuk mengidentifikasi kata kunci dan istilah. Ada banyak kemungkinan menarik untuk menerapkan NLP di bidang kesehatan. Aplikasi ini terutama untuk meningkatkan riset medis dan pengobatan. Bagian ini menyoroti beberapa penggunaan NLP di bidang kesehatan. Daftar ini tidak lengkap, tetapi menyoroti beberapa aplikasi machine learning.
Menggunakan NLP untuk membuat sistem clinical decision support (CDS)
Anda dapat menggunakan NLP untuk membuat sistem yang meningkatkan clinical decision support (CDS) menggunakan rekam medis historis pasien. Sistem seperti ini dapat membantu dokter dalam mengambil keputusan klinis bagi pasien berdasarkan basis pengetahuan. Basis data tersebut dapat mencakup informasi yang diekstrak dari catatan dokter (tulis tangan atau ketik), laboratorium, atau audio yang ditranskripsi. Sistem bekerja dengan mengekstrak informasi pasien dari rekam medis lalu mengaitkan kemungkinan status penyakit berdasarkan informasi dari kasus sebelumnya dan/atau literatur.
Menggunakan NLP untuk meningkatkan Kapabilitas Fenotiping
Fenotipe adalah ekspresi yang dapat diamati dari sifat tertentu (fisik atau biokimia) pada organisme. Klinisi menggunakan fenotiping untuk mengklasifikasikan pasien guna memperoleh pemahaman lebih dalam tentang data mereka dan perbandingan terhadap kohort.
- NLP adalah alat berharga untuk mengekstrak dan menganalisis data tidak terstruktur, yang mencakup 80 persen dari seluruh data pasien yang tersedia.
- NLP juga memungkinkan fenotiping yang lebih kaya karena laporan patologi mengandung banyak informasi tentang pasien.
- NLP memberdayakan analis untuk mengekstrak data ini guna menjawab pertanyaan yang kompleks dan spesifik seperti mutasi genetik mana yang terkait dengan jenis jaringan kanker.
Memprediksi Awal Psikosis
Peneliti telah menerbitkan laporan tentang penerapan NLP, menggunakan teknik yang dikenal sebagai Latent Semantic Analysis, dalam memprediksi awal psikosis menggunakan berkas audio yang ditranskripsikan dari remaja berisiko klinis tinggi. Model mencapai akurasi 93% pada pelatihan dan 90% pada data uji. Model tersebut cukup baik dalam memprediksi apakah seorang pasien akan mengalami psikosis, meskipun ukuran sampel kecil yakni 40 partisipan.
Identifikasi dan Stratifikasi Risiko Pasien Sirosis
Aplikasi NLP lain di bidang kesehatan adalah identifikasi pasien sirosis. Studi lain menggunakan NLP untuk mengidentifikasi pasien sirosis dan menyusun stratifikasi risiko pasien. Studi ini mampu mengidentifikasi pasien sirosis dengan benar dari rekam kesehatan elektronik, kombinasi kode ICD-9, dan pemindaian radiologis dengan akurasi 95,71%. Ini menunjukkan bahwa sistem seperti itu dapat mengidentifikasi pasien sirosis dengan benar berdasarkan data medis yang ada di sebagian besar rumah sakit.
Identifikasi Kasus Kanker yang Wajib Dilaporkan
Studi lain menggunakan NLP untuk mengidentifikasi kasus kanker yang wajib dilaporkan untuk registri kanker nasional. Tujuannya adalah mengotomatisasi pelaporan pasien kanker ke National Program of Cancer Registries di AS. Studi tersebut menggunakan NLP untuk menganalisis laporan patologi dan diagnosis, serta mengidentifikasi pasien kanker menggunakan pembelajaran mesin terawasi dengan akurasi 87,2%.
Penerapan NLP untuk Analitik Prediktif
Salah satu manfaat NLP yang lebih menarik adalah kemampuannya untuk memungkinkan pengembangan analitik prediktif guna meningkatkan hasil kesehatan dalam suatu populasi. Salah satu contohnya adalah analisis unggahan media sosial untuk mendeteksi potensi kasus bunuh diri dan melakukan intervensi. Bunuh diri adalah salah satu penyebab utama kematian di Amerika Serikat. Dalam survei terbaru, National Institute of Mental Health (NIMH) menunjukkan bahwa sekitar 12 juta orang dewasa di Amerika memiliki pikiran serius untuk bunuh diri. Sekitar 10% dari kelompok ini membuat rencana dan mencoba bunuh diri.
Sumber: NIMH (2021). Pikiran dan Perilaku Bunuh Diri di kalangan orang dewasa AS.
Para profesional kesehatan ingin mengidentifikasi individu atau kohort yang berisiko sehingga mereka dapat melakukan intervensi. Ada beberapa studi yang memprediksi upaya bunuh diri menggunakan unggahan media sosial. Salah satu studi menggunakan data Twitter untuk mengembangkan model dengan tingkat akurasi tinggi (sekitar 70%). Temuan kunci termasuk bahwa pengguna yang berisiko segera melakukan bunuh diri lebih jarang menggunakan emoji dalam teks dan sebagian besar menggunakan emoji berwarna biru atau simbol hati patah. Mereka juga memposting cuitan sedih atau marah sebelum mencoba bunuh diri. Coppersmith (2018) juga memprediksi kejadian bunuh diri menggunakan NLP dengan akurasi lebih dari 70% (lihat gambar dengan ROC).
Sumber: Coppersmith et al. (2018)
Organisasi layanan kesehatan sudah menggunakan NLP untuk memetik peluang awal dari pohon besar sains data. Entitas teknologi besar semakin banyak menciptakan alat NLP untuk kesehatan. Misalnya, Amazon memiliki alat clinical NLP yang ramah pengguna yang membantu praktisi medis mengekstrak wawasan dari data tidak terstruktur. Mereka dapat dengan mudah merekrut pasien untuk studi uji klinis, menemukan diagnosis yang tepat bagi pasien, dan membangun sistem peringatan untuk deteksi dini kondisi seperti sklerosis.
Menggunakan Python untuk Memprediksi dan Menganalisis Penyakit Kompleks
Analis menggunakan algoritma pembelajaran mesin di Python untuk menganalisis genetika guna memprediksi penyakit dan menetapkan penyebab penyakit. Memperoleh wawasan tentang bagaimana genetika memengaruhi risiko individu dapat membantu dalam layanan kesehatan preventif. Ini dapat memberikan informasi penting bagi dokter tentang cara menyesuaikan rencana perawatan pasien untuk mengurangi risiko terkena penyakit yang lebih kompleks.
Sulit untuk memprediksi bagaimana suatu penyakit akan berkembang dan banyak sistem tidak efisien dalam tugas ini karena beberapa penyakit bermutasi dengan cepat dan tak terduga. Dengan Python, pengembang dapat membangun model Machine Learning yang efisien yang dapat memprediksi penyakit sebelum menjadi parah.
Salah satu perkembangan kunci adalah teknik next-generation sequencing (NGS) dalam genetika manusia. NGS merupakan bagian integral dari penelitian biologi dan kedokteran. Signifikansi fundamental NGS mendorong permintaan untuk memproses dan menganalisis himpunan data yang dihasilkan. Ini membantu menjawab pertanyaan riset tentang berbagai isu seperti kuantifikasi dan klasifikasi metagenomik, variant calling, dan deteksi fitur genomik.
Pada contoh lain, Li et al. (2018) menggunakan algoritma deep learning yang dilatih pada graphics processing unit (GPU) untuk memprediksi heterogenitas dan epistasis penyakit kompleks.
Dengan pembelajaran mesin, ilmuwan dapat menemukan pola dan tren penyakit yang dapat mereka modelkan dengan cara yang lebih terprediksi. Dengan demikian, pembelajaran mesin berpotensi memprediksi secara akurat mereka yang berisiko terkena penyakit tertentu, seperti penyakit kardiovaskular, kanker, dan penyakit Alzheimer.
Terakhir, Google telah mengembangkan algoritma Deep Learning untuk mendeteksi kanker pada pasien menggunakan data medis mereka. Model ini efisien dan tidak hanya mempercepat proses perawatan tetapi juga mengurangi risiko pasien mengalami komplikasi serius di masa depan akibat diagnosis yang buruk.
Menggunakan Python untuk Meningkatkan Pengalaman Pasien
Mengelola pasien dapat menyita sumber daya yang signifikan. Fasilitas dengan staf terbatas dapat kesulitan mengurus janji temu, perawatan, dan kesejahteraan umum pasien. Mengembangkan aplikasi kesehatan di Python dapat membantu fasilitas kesehatan untuk mengelola pasien, membantu staf fokus pada aktivitas kritis.
Aplikasi Python dapat membantu pasien menjadwalkan janji temu, mendapatkan jawaban untuk pertanyaan yang sering diajukan, meminta isi ulang obat, menghubungi layanan darurat, dan memperbarui data kesehatan mereka secara berkala untuk pemantauan—sehingga tenaga kesehatan dapat fokus merawat pasien dengan penyakit kritis.
Meningkatkan Operasional Rumah Sakit
Fasilitas kesehatan dapat memanfaatkan Python untuk menyelesaikan masalah terkait keterbatasan sumber daya. Data scientist dapat membuat model yang mengoptimalkan penjadwalan staf sehingga fasilitas kesehatan dapat menghindari masalah seperti kelebihan staf pada giliran dengan penerimaan rendah, atau kekurangan staf pada hari-hari sibuk.
Aplikasi berbasis Python dapat mengoptimalkan janji temu, penggunaan fasilitas diagnostik, dan perawatan. Rumah sakit memiliki sumber daya ICU yang terbatas dan perlu mengoptimalkan penggunaannya. Dalam studi mereka, Wu et al. (2021) menggunakan ML untuk memprediksi lama tinggal di unit perawatan intensif (ICU) di antara pasien ICU. Mereka menggunakan empat teknik ML yang berbeda (support vector machine, random forest, deep learning, dan gradient boosting decision tree). Model terakhir, gradient boosting decision tree, memiliki kinerja terbaik dengan akurasi 74,7%. Menurut analis industri, aplikasi AI berpotensi menghemat ekonomi AS sekitar $150 miliar per tahun pada 2026 (Roth, 2021).
Tersedia dataset open source yang, sebagai data scientist, dapat Anda gunakan untuk mengembangkan ML guna memprediksi lama tinggal di ICU dan membantu rumah sakit merencanakan sumber dayanya. Lihat tautan Kaggle ini untuk mulai. Selain itu, data scientist dapat memaksimalkan kekuatan Python melalui alat ML seperti Scikit-Learn, Keras, TensorFlow, dan Pytorch untuk meningkatkan cara penyedia layanan kesehatan mengelola biaya dan fasilitas mereka.
Penemuan Obat
Bahasa pemrograman Python adalah bahasa pilihan terdepan untuk penemuan obat modern. Hampir semua iklan lowongan kerja di indeed.com terkait penemuan obat mensyaratkan pengalaman Python. Oleh karena itu, mempelajari Python bukan lagi pilihan, melainkan persyaratan untuk karier terkait penemuan obat.
Contoh yang baik penggunaan Python dalam penemuan obat adalah PyMOL milik AstraZeneca. AstraZeneca adalah salah satu perusahaan yang memanfaatkan Python untuk mempercepat penemuan obat. PyMOL adalah alat yang kuat untuk menampilkan struktur 3D dari target penyakit. Alat ini memiliki 12 mode visualisasi stereo berbeda yang memungkinkan pengguna menyoroti dan membedakan berbagai fitur struktural pada target secara kompeten. Ilmuwan menggunakan alat untuk menemukan situs pengikatan yang tepat bagi molekul obat. Alat ini dirancang agar mudah beradaptasi dengan metode prediksi baru. Gambar di bawah menunjukkan bagaimana alat tersebut menyisir jutaan data untuk membantu merancang prototipe obat.
Sumber: PyMOL
PyMOL memungkinkan visualisasi struktur tiga dimensi (3D) dari organisme target penyakit. Dengan visualisasi tersebut, ilmuwan memperoleh pemahaman yang lebih baik atas masalah mendasar sehingga mereka dapat merancang konstruksi molekuler baru untuk menangani penyakit secara tepat.
Masa Depan Menggunakan Python di Bidang Kesehatan
Masuknya dataset kesehatan yang besar dan kompleks, kebutuhan untuk menurunkan biaya, dan menyusutnya tenaga kerja kesehatan mendorong pertumbuhan alat AI/ML di pasar. Terdapat pula peningkatan jumlah kolaborasi dan kemitraan antara praktisi manusia dan alat berbasis AI. Masa depan tampak cerah bagi pengembang AI/ML dan NLP, dengan beberapa rintisan sudah mengembangkan sistem AI yang peka terhadap manusia. Ada peningkatan yang stabil dalam penggunaan robot di bidang kesehatan.
Aplikasi baru robot di bidang kesehatan berkisar dari eksoskeleton dan prostetik hingga nano-robot dan robot bedah. Di AS, pasar robotika kesehatan akan tumbuh menjadi sekitar $32,5 miliar pada 2027—dengan estimasi CAGR 21,3% untuk periode 2020-2027 (Xavor, 2021).
Perjuangan melawan COVID-19 akan terus mendorong pertumbuhan pasar, dengan teknologi AI diterapkan untuk diagnostik pencitraan, penemuan obat, genomik, dan analitik prediktif.
Sumber: Markets and Markets (2022).
U.S. National Library of Medicine menyatakan bahwa pengobatan presisi adalah “pendekatan yang muncul untuk pengobatan dan pencegahan penyakit yang mempertimbangkan variabilitas individu dalam gen, lingkungan, dan gaya hidup setiap orang.”
Masa depan layanan kesehatan berada di tangan AI/ML, dengan pengobatan presisi kemungkinan menjadi salah satu manfaat paling berdampak dari penggunaan AI/ML di bidang kesehatan.
Tujuan pengobatan presisi adalah menemukan pilihan perawatan yang tepat bagi pasien berdasarkan riwayat medis pribadi, informasi genetik, pilihan gaya hidup, dan tes patologis yang berubah secara dinamis. Tujuan dasarnya adalah menggabungkan teknik AI paling kuat (seperti deep neural networks, algoritma pencarian, reinforcement learning, model probabilistik, pembelajaran terawasi, dan lainnya) untuk mengembangkan alat pengobatan presisi. Fokusnya adalah menciptakan sistem AI yang dapat memprediksi probabilitas pasien mengalami penyakit tertentu menggunakan data skrining dini atau pemeriksaan rutin, dan Python berada di garis depan upaya pengobatan presisi, dengan pengembang menciptakan alat AI untuk memodelkan mengapa dan dalam keadaan apa penyakit lebih mungkin terjadi. Ini penting untuk mempersiapkan dan membimbing penyedia layanan kesehatan agar dapat melakukan intervensi bahkan sebelum seseorang menunjukkan gejala.
Ada kemungkinan lain yang benar-benar menarik untuk penggunaan Python dalam menciptakan aplikasi AI/ML seperti robot bedah digital. Bayangkan ruang operasi tempat pasien masuk untuk kemudian robot melakukan prosedur yang presisi pada mereka, dengan aman dan tepat!
Sumber: Ulasan bisnis robotika (2022)
Robot pintar bertenaga AI dapat bekerja berdampingan dengan ahli bedah dan memanfaatkan wawasan serta panduan berbasis data terdistribusi berdasarkan riwayat pembedahan dan luaran mereka. Kemungkinan penggunaan Python di bidang kesehatan tidak ada habisnya, dengan masa depan yang tetap terbuka untuk telemedisin dan melakukan operasi jarak jauh untuk prosedur minor.
Kesimpulan
Penerapan Python di bidang kesehatan tidak lepas dari tantangan. Privasi data dan tantangan kerangka hukum masih menghalangi penerapan penuhnya. Masih sulit pula menemukan data yang dapat digunakan penyedia pihak ketiga secara legal. Diperlukan upaya rasionalisasi besar-besaran atas legalitas dan pembuatan kebijakan untuk mengatasi tantangan ini.
Sebagai data scientist dan praktisi ML, kita memiliki tanggung jawab untuk menciptakan masa depan cerah dengan memanfaatkan kekuatan algoritma AI untuk menghemat biaya dan meningkatkan kehidupan miliaran orang di seluruh dunia.
Anda dapat memperoleh keterampilan Python secara langsung dengan ngoding bersama dalam proyek terpandu berikut:
Topik
