Kursus Kecerdasan Buatan (AI)

Pelajaran 1 • Etika AI dan Desain yang Bertanggung Jawab

Memperkenalkan prinsip bias, keadilan, transparansi, dan akuntabilitas. Menetapkan penalaran etis sebagai batasan desain yang tidak dapat dinegosiasikan sepanjang kursus.

Pelajaran 2 • Dasar-Dasar Representasi Pengetahuan

Menjelaskan logika proposisional dan orde pertama serta jaringan semantik, menunjukkan bagaimana representasi simbolis mengkodekan fakta dan hubungan. Menunjukkan integrasi yang menggabungkan metode simbolik dan neural.

Pelajaran 3 • Agen Cerdas dan Lingkungan

Mendefinisikan agen rasional, framework PEAS, dan tipe lingkungan. Peserta dapat merancang arsitektur agen yang sesuai dengan lingkungan tugas tertentu.

Pelajaran 4 • Sejarah dan Evolusi AI

Melacak AI dari logika simbolis hingga pembelajaran mendalam, menyoroti terobosan penting. Memberikan konteks untuk memahami mengapa teknik modern muncul dan di mana teknik tersebut unggul.

Pelajaran 1 • Fundamental Pembelajaran Supervised

Mencakup data berlabel, fungsi kerugian, dan optimasi berbasis gradien. Membentuk tulang punggung untuk memahami jaringan saraf tiruan dan model lanjutan nantinya.

Pelajaran 2 • Algoritma Klasifikasi Secara Mendalam

Mengkaji regresi logistik, pohon keputusan, SVM, dan k-NN. Mencakup pipeline pelatihan, hiperparameter, dan evaluasi sehingga peserta dapat menerapkan dan membandingkan setiap pengklasifikasi pada dataset patokan.

Pelajaran 3 • Model Regresi dan Prediksi

Membangun model regresi linier dan polinomial dengan interpretasi statistik. Menghubungkan akurasi prediksi dengan pengambilan keputusan bisnis dan ilmiah.

Pelajaran 4 • Metode Pembelajaran Unsupervised

Mengeksplorasi pengelompokan, reduksi dimensi, dan estimasi kepadatan. Peserta menemukan struktur tersembunyi dalam data tanpa label untuk analisis eksploratif.

Pelajaran 1 • Backpropagation dan Optimasi

Menurunkan backpropagation melalui aturan rantai dan mencakup Adam, RMSProp, dan SGD. Peserta melakukan debug gradien yang menghilang dan menyetel pengoptimal secara efektif.

Pelajaran 2 • Jaringan Rekuren dan Model Urutan

Mengkaji jaringan saraf tiruan rekuren, unit LSTM dan GRU untuk memodelkan data sekuensial. Mencakup unrolling, back-propagation through time, dan pertimbangan praktis, menghubungkan teknik-teknik ini dengan NLP dan peramalan deret waktu.

Pelajaran 3 • Regularisasi dan Pelatihan Praktis

Menerapkan dropout, early stopping, dan pelatihan mixed-precision ke jaringan nyata. Peserta mengurangi overfitting dan memangkas waktu pelatihan pada perangkat keras GPU.

Pelajaran 4 • Jaringan Saraf Tiruan Konvolusional

Mencakup konvolusi, pooling, dan interpretasi peta fitur untuk tugas gambar. Peserta membangun CNN dan menerapkan transfer learning ke dataset kustom.

Pelajaran 1 • Word Embeddings dan Ruang Semantik

Melatih dan menerapkan embedding Word2Vec, GloVe, dan FastText, menunjukkan bagaimana vektor padat menangkap kesamaan semantik. Termasuk teknik evaluasi dan visualisasi untuk menjelajahi ruang embedding.

Pelajaran 2 • Pendalaman Arsitektur Transformer

Membedah multi-head self-attention, penyandian posisi, dan tumpukan encoder-decoder. Memberikan pemahaman arsitektural yang diperlukan untuk menyetel model bahasa besar.

Pelajaran 3 • Model Prabelajar dan Fine-Tuning

Menyetel varian BERT, RoBERTa, dan GPT pada tugas spesifik domain. Peserta mencapai hasil NLP mutakhir dengan data berlabel terbatas.

Pelajaran 4 • Aplikasi dan Pipeline NLP

Membangun pipeline ujung-ke-ujung untuk analisis sentimen, NER, dan peringkasan. Mengintegrasikan prapemrosesan, pemodelan, dan penerapan ke dalam sistem siap produksi.

Pelajaran 1 • Vision Transformer dan Arsitektur Modern

Menerapkan Vision Transformer, CLIP, dan DINO untuk klasifikasi gambar dan pengenalan zero-shot. Menjelaskan patch embedding, self-attention, dan contrastive learning, menghubungkan konsep transformer NLP ke sistem visi modern.

Pelajaran 2 • Model Generatif untuk Gambar

Membangun GAN dan variational autoencoder untuk mensintesis gambar realistis dan melakukan style transfer. Mengeksplorasi manipulasi ruang laten, trik stabilitas pelatihan, dan metrik untuk menilai kualitas dan keragaman generasi.

Pelajaran 3 • Arsitektur Deteksi Objek

Membandingkan YOLO, Faster R-CNN, dan SSD untuk deteksi waktu nyata dan akurat. Peserta melatih detektor pada dataset kustom dengan anotasi kotak pembatas.

Pelajaran 4 • Segmentasi Semantik dan Instance

Menerapkan U-Net dan Mask R-CNN untuk segmentasi tingkat piksel, merinci desain encoder-decoder dan pipeline generasi mask. Menghubungkan teknik-teknik ini ke domain seperti pencitraan medis, mengemudi otonom, dan robotika.

Pelajaran 1 • Metode Berbasis Nilai Bebas Model

Menerapkan Q-learning, SARSA, dan Deep Q-Network di lingkungan Gym. Peserta memahami pembelajaran perbedaan temporal dan experience replay.

Pelajaran 2 • Proses Keputusan Markov

Memformalkan state, aksi, reward, dan dinamika transisi secara matematis. Memberikan fondasi teoretis untuk semua algoritma reinforcement learning.

Pelajaran 3 • RL Multi-Agen dan Hierarkis

Memperluas RL ke pengaturan multi-agen kooperatif dan kompetitif serta hierarki keterampilan. Mempersiapkan peserta untuk kontrol sistem kompleks di dunia nyata.

Pelajaran 4 • RL Lanjutan: PPO dan SAC

Menerapkan Proximal Policy Optimization dan Soft Actor-Critic ke tugas kompleks. Peserta mencapai pelatihan stabil pada tolok ukur kontrol berkelanjutan.

Pelajaran 1 • Fine-Tuning dan Penyelarasan

Menerapkan supervised fine-tuning, RLHF, dan direct preference optimization untuk menyelaraskan LLM dengan niat manusia. Peserta membuat model spesifik domain yang mengikuti instruksi sambil mematuhi batasan keamanan.

Pelajaran 2 • Prompt Engineering dan In-Context Learning

Menerapkan teknik zero-shot, few-shot, chain-of-thought, dan prompt terstruktur. Prompt yang efektif melipatgandakan kemampuan model tanpa pembaruan parameter apa pun.

Pelajaran 3 • Arsitektur LLM dan Hukum Skalabilitas

Menganalisis arsitektur GPT, LLaMA, dan Mistral bersama dengan hukum skala Chinchilla. Peserta memprediksi kemampuan model dari anggaran komputasi dan data.

Pelajaran 4 • Agen LLM dan Penggunaan Alat

Membangun agen otonom menggunakan ReAct, function calling, dan framework multi-agen. Peserta menerapkan agen yang merencanakan, menggunakan alat, dan menyelesaikan tugas multi-langkah.

Pelajaran 1 • Pemantauan dan Pemeliharaan Model

Menerapkan deteksi drift, peringatan, dan pemicu pelatihan ulang di produksi. Mencegah degradasi model diam-diam yang mengikis nilai bisnis dari waktu ke waktu.

Pelajaran 2 • Pelacakan Eksperimen dan Reproduksibilitas

Menggunakan MLflow, Weights & Biases, dan DVC untuk mencatat eksperimen secara sistematis. Reproduksibilitas memungkinkan kolaborasi tim dan kepatuhan regulasi.

Pelajaran 3 • Penyajian dan Penerapan Model

Menerapkan model melalui REST API, pipeline batch, dan edge runtimes. Memandu peserta melalui kontainerisasi Docker, serialisasi model, dan strategi penyajian yang skalabel untuk kinerja dan keandalan.

Pelajaran 4 • Infrastruktur Pelatihan yang Skalabel

Mengonfigurasi pelatihan terdistribusi dengan Horovod dan kluster GPU cloud. Peserta mengurangi waktu pelatihan untuk model besar melalui strategi paralelisme.