Kursus Data Science AI dan Machine Learning

Pelajaran 1 • Pengantar Matematika dan Statistika

Mengulas aljabar linear, intuisi kalkulus, dan probabilitas yang diperlukan untuk algoritma ML. Mendasari matematika abstrak dalam penerapan ilmu data.

Pelajaran 2 • Tipe Data dan Struktur

Membedakan format data terstruktur, semi-terstruktur, dan tidak terstruktur. Mempersiapkan peserta didik untuk menangani berbagai dataset dunia nyata.

Pelajaran 3 • Lanskap Ilmu Data

Mendefinisikan ilmu data, AI, dan ML sebagai disiplin ilmu yang berbeda namun tumpang tindih. Menetapkan kosakata yang digunakan di seluruh kursus.

Pelajaran 4 • Menyiapkan Lingkungan Anda

Menginstal dan mengonfigurasi Python, Jupyter, dan pustaka penting. Memastikan setiap peserta didik memiliki ruang kerja yang dapat direproduksi.

Pelajaran 1 • Teknik Pembersihan Data

Mengidentifikasi dan menyelesaikan nilai yang hilang, duplikasi, dan format yang tidak konsisten. Secara langsung meningkatkan akurasi model di hilir.

Pelajaran 2 • Dasar-Dasar Rekayasa Fitur

Mentransformasi variabel mentah menjadi fitur informatif untuk model ML. Memperkenalkan pengkodean, penskalaan, dan pembuatan fitur turunan.

Pelajaran 3 • Analisis Data Eksploratori

Menggunakan ringkasan statistik dan visualisasi untuk mengungkap pola dan anomali. Menginformasikan pembuatan hipotesis sebelum pemodelan.

Pelajaran 4 • Pengambilan dan Pemuatan Data

Memuat data dari file, API, dan basis data menggunakan pandas dan konektor SQL. Menetapkan titik masuk untuk setiap pipeline data.

Pelajaran 1 • Evaluasi dan Validasi Model

Menerapkan pemisahan train-test, validasi silang, dan metrik kinerja untuk menilai model. Mencegah kebocoran data dan memastikan evaluasi yang andal.

Pelajaran 2 • Algoritma Klasifikasi

Mencakup regresi logistik, pohon keputusan, dan k-nearest neighbors untuk tugas klasifikasi. Menyoroti batas keputusan dan keluaran probabilitas.

Pelajaran 3 • Algoritma Regresi

Menerapkan model regresi linier, polinomial, dan terregularisasi. Menghubungkan derivasi matematis ke implementasi scikit-learn.

Pelajaran 4 • Penyetelan Hiperparameter

Mengoptimalkan kinerja model melalui strategi grid search dan random search. Memperkenalkan konsep set validasi yang terpisah dari set uji.

Pelajaran 1 • Interpretabilitas Model

Menggunakan nilai SHAP dan kepentingan permutasi untuk menjelaskan prediksi model yang kompleks. Menghubungkan interpretabilitas dengan kepercayaan pemangku kepentingan dan debugging.

Pelajaran 2 • Bagging dan Random Forest

Menjelaskan agregasi bootstrap dan efek pengurangan variansnya. Menerapkan random forest dan menginterpretasikan skor kepentingan fitur.

Pelajaran 3 • Mesin Vektor Dukungan

Menurunkan pengklasifikasi margin maksimum dan kernel trick untuk batas nonlinier. Menerapkan SVM pada masalah klasifikasi dan regresi.

Pelajaran 4 • Stacking dan Blending

Menggabungkan model dasar yang beragam melalui meta-learner untuk mengurangi kesalahan generalisasi. Memperkenalkan pipeline stacking yang tepat untuk mencegah kebocoran.

Pelajaran 1 • Deteksi Anomali dan Pencilan

Mendeteksi kejadian langka menggunakan isolation forest, autoencoder, dan metode statistik. Menerapkan teknik pada skenario deteksi penipuan dan kontrol kualitas.

Pelajaran 2 • Reduksi Dimensi

Mengurangi ruang fitur dengan PCA, t-SNE, dan UMAP sambil mempertahankan struktur. Memungkinkan visualisasi dan mempercepat pemodelan di hilir.

Pelajaran 3 • Algoritma Pengelompokan

Menerapkan metode pengelompokan k-means, hierarkis, dan DBSCAN. Mengevaluasi kualitas kluster dengan skor siluet dan analisis siku.

Pelajaran 1 • Backpropagation dan Optimasi

Menurunkan backpropagation dan menghubungkannya dengan varian gradient descent. Mencakup pengoptimal seperti Adam, RMSProp, dan penjadwalan laju pembelajaran.

Pelajaran 2 • Regularisasi dan Praktik Terbaik Pelatihan

Menerapkan dropout, batch normalization, dan early stopping untuk mencegah overfitting. Menetapkan alur kerja pelatihan yang andal untuk model kelas produksi.

Pelajaran 3 • Recurrent Neural Networks dan LSTM

Memodelkan data sekuensial dengan RNN, LSTM, dan GRU. Menerapkan arsitektur pada tugas peramalan deret waktu dan sekuens teks.

Pelajaran 4 • Jaringan Saraf Tiruan Konvolusional

Membangun CNN untuk klasifikasi gambar menggunakan konvolusi, pooling, dan lapisan yang terhubung penuh. Memperkenalkan transfer learning dengan model yang telah dilatih sebelumnya.

Pelajaran 1 • Embedding Kata

Melatih dan menggunakan representasi vektor padat dengan Word2Vec, GloVe, dan FastText. Mendemonstrasikan bagaimana kesamaan semantik dikodekan dalam ruang embedding.

Pelajaran 2 • Tugas NLP Klasik

Menerapkan analisis sentimen, pengenalan entitas bernama, dan klasifikasi teks. Menghubungkan model ML tradisional ke pipeline fitur NLP.

Pelajaran 3 • Fine-Tuning Model Bahasa yang Telah Dilatih Sebelumnya

Melakukan fine-tuning model BERT dan gaya GPT pada tugas NLP hilir menggunakan Hugging Face. Mencakup rekayasa prompt dan evaluasi keluaran model bahasa.

Pelajaran 4 • Pra-pemrosesan dan Representasi Teks

Membersihkan dan melakukan tokenisasi teks mentah, lalu mengonversinya menjadi representasi numerik. Menetapkan pipeline masukan untuk semua model NLP.

Pelajaran 1 • Pemantauan Model dan Deteksi Drift

Melacak kualitas prediksi, data drift, dan concept drift dalam sistem langsung. Memicu pipeline pelatihan ulang saat kinerja menurun.

Pelajaran 2 • Pengemasan dan Penyajian Model

Mengemas model sebagai REST API menggunakan Flask dan FastAPI, lalu mewadahkannya dengan Docker. Memungkinkan konsumsi model yang skalabel dan tidak bergantung bahasa.

Pelajaran 3 • Pipeline ML dan Otomatisasi Alur Kerja

Mendesain pipeline ujung ke ujung yang dapat direproduksi menggunakan scikit-learn Pipeline dan alat orkestrasi. Menghilangkan langkah manual yang menyebabkan kegagalan produksi.

Pelajaran 4 • Prinsip MLOps dan CI/CD

Menerapkan praktik DevOps ke ML: membuat versi data, kode, dan model secara bersamaan. Menerapkan pipeline CI/CD yang menguji dan menggunakan model secara otomatis.