Kursus AI Data Analytics

Pelajaran 1 • Etika dan Prinsip AI yang Bertanggung Jawab

Memperkenalkan keadilan, transparansi, akuntabilitas, dan privasi sebagai batasan desain yang tidak dapat dinegosiasikan. Membingkai pemikiran etis sebagai bagian integral dari setiap bab selanjutnya.

Pelajaran 2 • Mendefinisikan AI dan Analitik Data

Memperjelas batasan antara AI, pembelajaran mesin, dan analitik klasik. Menyediakan bahasa bersama yang digunakan di seluruh kursus.

Pelajaran 3 • Siklus Hidup Analitik Data

Memetakan proses ujung-ke-ujung dari pertanyaan bisnis hingga insight yang digunakan. Siswa menerapkan siklus hidup sebagai kerangka proyek yang dapat diulang.

Pelajaran 1 • Penilaian Kualitas Data

Mengajarkan pemrofilan sistematis untuk mendeteksi masalah kelengkapan, konsistensi, akurasi, dan ketepatan waktu. Metrik kualitas menjadi kriteria penerimaan untuk setiap dataset yang digunakan nanti.

Pelajaran 2 • Membangun Pipeline Data yang Reproduksibel

Mengotomatiskan langkah pembersihan dan transformasi ke dalam alur kerja yang terkontrol versi dan dapat diulang. Menetapkan disiplin pipeline yang diperlukan untuk proyek analitik tingkat produksi.

Pelajaran 3 • Rekayasa dan Transformasi Fitur

Mengonversi variabel mentah menjadi fitur informatif yang meningkatkan performa model. Memperkenalkan penyandian, penskalaan, dan agregasi sebagai langkah prapemrosesan fundamental.

Pelajaran 4 • Teknik Pembersihan Data

Menerapkan metode langsung untuk menyelesaikan masalah kualitas yang ditemukan selama pemrofilan. Menghasilkan dataset bersih yang siap untuk analisis eksploratif di bab berikutnya.

Pelajaran 1 • Dashboard Interaktif dan Pelaporan

Menerjemahkan keluaran EDA statis menjadi dashboard dinamis untuk konsumsi pemangku kepentingan. Memperkenalkan pola desain dashboard yang digunakan dalam proyek analitik terapan.

Pelajaran 2 • Praktik Terbaik Visualisasi Data

Menetapkan prinsip desain untuk bagan yang akurat, mudah diakses, dan meyakinkan. Memastikan visualisasi yang dihasilkan di bab-bab selanjutnya memenuhi standar komunikasi profesional.

Pelajaran 3 • Analisis Univariat dan Bivariat

Memeriksa distribusi variabel tunggal dan hubungan berpasangan untuk menemukan hipotesis awal. Membangun intuisi analitis yang diterapkan di seluruh bab pemodelan.

Pelajaran 4 • Statistik Deskriptif untuk Analis

Mencakup ukuran tendensi sentral, sebaran, dan bentuk sebagai tulang punggung kuantitatif EDA. Menghubungkan ringkasan statistik dengan interpretasi yang relevan dengan bisnis.

Pelajaran 1 • Desain Pengujian A/B dan Eksperimen

Menerapkan pengujian hipotesis pada eksperimen terkontrol yang umum dalam analitik produk dan pemasaran. Memperkenalkan pengacakan, grup kontrol, dan koreksi pengujian berganda.

Pelajaran 2 • Uji Statistik Umum

Mencakup uji-t, chi-kuadrat, ANOVA, dan alternatif non-parametrik dengan kriteria pemilihan. Membekali siswa untuk memilih uji yang tepat untuk setiap skenario analitis.

Pelajaran 3 • Dasar-dasar Probabilitas untuk Analis

Memperkenalkan aturan probabilitas, distribusi, dan teorema limit pusat sebagai dasar inferensi. Menyediakan fondasi matematis untuk semua metode pengujian hipotesis.

Pelajaran 4 • Kerangka Pengujian Hipotesis

Menetapkan struktur hipotesis nol/alternatif, tingkat signifikansi, dan nilai p. Siswa menerapkan kerangka tersebut untuk memvalidasi atau menolak klaim bisnis berbasis data.

Pelajaran 1 • Metode Pembelajaran Tidak Terawasi

Mencakup pengelompokan dan reduksi dimensi untuk penemuan pola tanpa data berlabel. Mempersiapkan siswa untuk aplikasi segmentasi pelanggan dan deteksi anomali.

Pelajaran 2 • Algoritma Regresi

Mencakup regresi linier, polinomial, dan teratur untuk prediksi target kontinu. Menghubungkan keluaran regresi dengan tugas peramalan dan estimasi bisnis.

Pelajaran 3 • Konsep Pembelajaran Terawasi

Menjelaskan paradigma pelatihan-label, fungsi kerugian, dan trade-off bias-varians. Menetapkan model konseptual yang mendasari semua algoritma regresi dan klasifikasi.

Pelajaran 4 • Algoritma Klasifikasi

Memperkenalkan regresi logistik, pohon keputusan, dan metode ensemble untuk prediksi kategoris. Siswa memilih dan menyetel pengklasifikasi berdasarkan karakteristik data dan kebutuhan bisnis.

Pelajaran 1 • Orkestrasi Pipeline ML yang Skalabel

Mengotomatiskan alur kerja ML ujung-ke-ujung dari penyerapan data hingga pelatihan ulang model secara berskala. Menjembatani praktik rekayasa data dan MLOps yang diperkenalkan di bab berikutnya.

Pelajaran 2 • Tata Kelola Data dan Pembuatan Katalog

Menetapkan manajemen metadata, silsilah data, dan kontrol akses sebagai pilar tata kelola. Memastikan aset data dapat ditemukan, dipercaya, dan sesuai dengan aturan di seluruh organisasi.

Pelajaran 3 • Pemrosesan Batch dan Aliran Data

Membedakan paradigma pemrosesan batch dari real-time beserta kasus penggunaan yang sesuai. Siswa menerapkan kedua pola untuk mendukung persyaratan latensi analitik yang beragam.

Pelajaran 4 • Platform dan Arsitektur Data Cloud

Meninjau layanan penyimpanan, komputasi, dan analitik cloud-native beserta dampak positif dan negatif arsitekturnya. Menyediakan konteks infrastruktur untuk semua solusi analitik skala besar yang dibangun nanti.

Pelajaran 1 • Peramalan Deret Waktu dengan AI

Mencakup metode peramalan klasik dan berbasis AI untuk data bisnis sekuensial. Siswa membangun model peramalan permintaan, pendapatan, dan operasional.

Pelajaran 2 • Pembelajaran Mendalam untuk Data Terstruktur

Memperkenalkan arsitektur jaringan saraf yang dioptimalkan untuk data bisnis tabular. Melanjutkan dari dasar-dasar ML untuk memperluas kekuatan prediktif melampaui algoritma klasik.

Pelajaran 3 • Pemrosesan Bahasa Alami untuk Analitik

Menerapkan NLP untuk mengekstrak insight terstruktur dari data teks seperti ulasan dan laporan. Memperluas tipe data yang dapat dianalisis siswa melampaui tabel numerik.

Pelajaran 4 • Mesin Rekomendasi dan Personalisasi

Memperkenalkan sistem rekomendasi collaborative filtering, berbasis konten, dan hybrid. Siswa merancang logika personalisasi yang dapat diterapkan pada platform e-commerce dan konten.

Pelajaran 1 • Pemantauan Model dan Deteksi Hanyutan

Mendeteksi hanyutan data, hanyutan konsep, dan degradasi performa pada model langsung. Mencegah kegagalan model diam-diam yang mengikis nilai bisnis tanpa kesalahan yang terlihat.

Pelajaran 2 • Pengemasan dan Versi Model

Mencakup kontainerisasi, registri model, dan versi artefak untuk penerapan yang reproduksibel. Menetapkan proses serah terima antara tim sains data dan tim rekayasa.

Pelajaran 3 • Melayani Model dalam Produksi

Mengimplementasikan pola REST API, inferensi batch, dan penerapan tepi untuk kebutuhan pelayanan yang beragam. Siswa mencocokkan arsitektur pelayanan dengan persyaratan latensi, throughput, dan biaya.

Pelajaran 4 • Tata Kelola Analitik AI dalam Produksi

Menerapkan pemeriksaan keadilan, jejak audit, dan kontrol kepatuhan pada sistem AI yang diterapkan. Menutup lingkaran antara prinsip etika yang diperkenalkan di Bab 1 dan operasi langsung.