Final Challenges — Fase 3

Tujuan: Konsolidasi prompt engineering + math intuition sebelum lanjut ke NumPy/Pandas.

Challenge 1 — Quiz Mandiri

Prompt Engineering

Sebut 7 komponen prompt yang baik.
Beda zero-shot vs few-shot — kapan pakai mana?
Apa itu Chain-of-Thought? Trigger phrase nya?
Apa itu ReAct pattern? 3 elemennya?
Cara hardening prompt dari injection?
Sebut 3 anti-pattern prompt.

Math

Apa itu dot product? Interpretasi geometri?
Apa cosine similarity? Kapan dipakai?
Kenapa matrix multiplication = inti neural network?
Apa itu gradient? Arah-nya menunjuk apa?
Apa itu chain rule? Aplikasinya di NN?
Apa rule 68-95-99.7?
Bayes' theorem tulis ulang dari memori.
Beda precision dan recall?

Target: 12-14 dari 14 benar.

Challenge 2 — Mega Project: AI-Powered Tool

Bikin tool yang menggabungkan:

Python (Fase 2)
Prompt engineering (Fase 3)
LLM API call

Pilihan A — Resume Analyzer

CLI tool:

python resume_analyzer.py resume.pdf

Output:

Extracted info (JSON)
Skill match dengan job description
Suggested improvements
ATS-friendly score

Tech:

PyPDF2 untuk read PDF
Gemini/Claude API
Prompt chaining (extract → analyze → suggest)

Pilihan B — Smart Note Summarizer

Web app sederhana (Streamlit):

Upload note (markdown/txt)
Generate: summary, key takeaways, related questions, action items
Multi-prompt chain

Pilihan C — Code Reviewer Bot

CLI:

python codereview.py myfile.py

Output:

Code quality score (1-10)
5 specific findings dengan severity
Suggested fixes
Bonus: auto-fix simple issues

Submission

Push ke GitHub. README detail. Demo screenshot/GIF.

Challenge 3 — Math Practice Notebook

Bikin Jupyter notebook math-practice.ipynb:

Section A: Linear Algebra

Implement cosine similarity dari nol
Implement matrix multiplication tanpa @ operator
Visualisasi transformasi 2D dengan matplotlib
Apply PCA pada Iris dataset (pakai sklearn)

Section B: Calculus

Implement gradient descent untuk linear regression dari nol
Bandingkan dengan sklearn LinearRegression
Visualisasi loss curve over iterations
Eksperimen learning rate (0.001, 0.01, 0.1, 1.0)

Section C: Statistics

Demo CLT dengan distribusi non-normal
Implement Naive Bayes dari nol untuk klasifikasi sederhana
Confusion matrix, precision, recall manual

Push ke GitHub notebooks/.

Challenge 4 — Build Personal Knowledge

Setelah selesai Fase 3, kamu sudah punya:

12 file materi Fase 1-3
Banyak code di GitHub
Prompt library
Math notebook

Bikin mini-website dengan GitHub Pages:

Index halaman
Blog post per fase (refleksi)
Showcase project
About kamu

Pakai Jekyll atau template simpel.

Tujuan: portfolio yang bisa kamu link saat job hunt nanti.

Challenge 5 — Anki Update

Tambah 30 cards untuk Fase 3:

Prompt patterns
Math concepts
Statistical formulas

Total: 90+ cards.

Checklist Akhir Fase 3

Prompt Engineering

Bisa nulis prompt structured (7 komponen)
Lancar zero/few-shot
Bisa CoT untuk task logika
Pernah bikin prompt chain >3 step
Punya prompt library di GitHub
Sudah pakai LLM API real (bukan cuma chat)

Math Intuition

Sudah tonton 3B1B Linear Algebra (1-9)
Sudah tonton 3B1B Calculus (1-6)
Sudah tonton StatQuest fundamentals
Bisa apply NumPy untuk matrix ops
Implementasi gradient descent dari nol
Paham Bayes' theorem secara conceptual

Output

1 mega project AI-powered di GitHub
Math practice notebook
30+ entri jurnal baru
Anki 90+ cards

Refleksi Akhir Fase 3

Tulis di learning-journal/refleksi-fase-3.md:

Bagian mana paling sulit dari prompt engineering? Math?
Konsep mana yang paling "klik" buatmu?
Apa yang berubah dari cara pandangmu terhadap LLM/AI?
Apakah math intuition cukup atau perlu diperdalam?
Plan untuk Fase 4 (NumPy/Pandas/Viz)?

Selanjutnya: Fase 4 — NumPy, Pandas, Visualisasi

Istirahat 1 hari sebelum lanjut. Kamu sekarang sudah lebih dari setengah jalan menuju bootcamp.