Kursus Machine Learning dan Deep Learning

Pelajaran 1 • Representasi Data dan Pra-pemrosesan

Mengajarkan bagaimana data mentah diubah menjadi fitur yang siap untuk model. Secara langsung memungkinkan pelatihan model yang efektif di bab-bab selanjutnya.

Pelajaran 2 • Perangkat Python untuk Pembelajaran Mesin

Memperkenalkan NumPy, Pandas, dan Matplotlib sebagai stack utama untuk manipulasi data dan visualisasi. Mempersiapkan siswa untuk pengkodean langsung di semua bab selanjutnya.

Pelajaran 3 • Apa Itu Pembelajaran Mesin

Mendefinisikan pembelajaran mesin, hubungannya dengan AI dan statistika, serta tipe-tipe pembelajaran. Menjangkarkan semua konten teknis selanjutnya dalam peta konseptual yang terpadu.

Pelajaran 4 • Matematika Esensial untuk Pembelajaran Mesin

Mencakup aljabar linear, kalkulus, probabilitas, dan statistika yang dibutuhkan untuk algoritma pembelajaran mesin. Menyediakan bahasa kuantitatif yang digunakan di seluruh kursus.

Pelajaran 1 • Evaluasi dan Pemilihan Model

Menyediakan teknik yang ketat untuk mengukur dan membandingkan kinerja model. Memastikan siswa dapat membuat keputusan pemilihan model yang dapat dipertanggungjawabkan.

Pelajaran 2 • Penyetelan Hiperparameter

Mencakup strategi pencarian sistematis untuk mengoptimalkan konfigurasi model. Menjembatani kesenjangan antara model yang berfungsi dan model yang siap produksi.

Pelajaran 3 • Pohon Keputusan dan Metode Ensemble

Menjelaskan kriteria pemisahan berbasis pohon dan memperluasnya ke model ensemble yang kuat. Siswa mendapatkan alat untuk pemodelan data tabular dengan akurasi tinggi.

Pelajaran 4 • Regresi Linear dan Logistik

Mencakup regresi ordinary least squares dan regresi logistik untuk klasifikasi biner. Menetapkan paradigma minimisasi kerugian yang menjadi pusat semua model pembelajaran mesin.

Pelajaran 1 • Reduksi Dimensi

Mengajarkan PCA, t-SNE, dan UMAP untuk mengompresi data berdimensi tinggi. Memungkinkan visualisasi dan peningkatan kinerja model hilir.

Pelajaran 2 • Metode Deteksi Anomali

Mencakup pendekatan statistik dan berbasis model untuk mengidentifikasi pencilan. Langsung dapat diterapkan pada deteksi penipuan, kontrol kualitas, dan sistem pemantauan.

Pelajaran 3 • Algoritma Clustering

Memperkenalkan metode clustering partisi dan hierarkis untuk mengelompokkan titik data yang serupa. Membangun intuisi untuk metrik jarak dan evaluasi kualitas cluster.

Pelajaran 1 • Propagasi Maju dan Mundur

Menurunkan matematika komputasi forward pass dan propagasi balik gradien. Siswa dapat melacak aliran data dan pembaruan gradien secara manual melalui jaringan.

Pelajaran 2 • Dari Neuron Biologis ke Buatan

Memetakan struktur neuron biologis ke model perceptron dan jaringan multi-lapis. Mendasari arsitektur pembelajaran mendalam dalam fondasi konseptual yang intuitif.

Pelajaran 3 • Algoritma Optimasi

Membandingkan varian gradient descent dan pengoptimal adaptif untuk stabilitas pelatihan. Secara langsung memengaruhi kecepatan konvergensi dan akurasi model akhir.

Pelajaran 4 • Regularisasi dalam Jaringan Saraf Tiruan

Mengajarkan dropout, batch normalization, dan weight decay untuk memerangi overfitting. Mempersiapkan siswa untuk membangun jaringan yang dapat digeneralisasi ke data yang tidak terlihat.

Pelajaran 1 • Praktik Terbaik Pelatihan CNN

Mencakup pipeline augmentasi data, pelatihan presisi campuran, dan strategi debugging. Memastikan siswa dapat melatih CNN secara efisien pada dataset nyata.

Pelajaran 2 • Arsitektur CNN Klasik

Meninjau prinsip desain LeNet, AlexNet, VGG, ResNet, dan EfficientNet. Mengajarkan evolusi arsitektur dan alasan di balik setiap pilihan desain.

Pelajaran 3 • Deteksi dan Segmentasi Objek

Memperluas CNN klasifikasi ke tugas lokalisasi dan pelabelan tingkat piksel. Mencakup YOLO, Faster R-CNN, dan U-Net untuk aplikasi visi dunia nyata.

Pelajaran 4 • Operasi Konvolusi dan Pooling

Menjelaskan operasi konvolusi, pembelajaran filter, dan downsampling spasial. Menetapkan primitif komputasi inti dari semua arsitektur CNN.

Pelajaran 1 • Arsitektur LSTM dan GRU

Merinci mekanisme gating yang memungkinkan pembelajaran ketergantungan jarak jauh. Siswa mengimplementasikan dan membandingkan LSTM dan GRU pada tugas urutan benchmark.

Pelajaran 2 • Model Urutan-ke-Urutan

Mencakup arsitektur encoder-decoder untuk pemetaan input-output dengan panjang variabel. Langsung dapat diterapkan pada terjemahan mesin, peringkasan, dan chatbot.

Pelajaran 3 • Peramalan Deret Waktu dengan RNN

Menerapkan model rekuren pada masalah peramalan univariat dan multivariat. Menghubungkan teori pemodelan urutan dengan kasus penggunaan peramalan bisnis dan ilmiah.

Pelajaran 1 • Rekayasa Prompt dan Pembelajaran Dalam-Konteks

Mengajarkan strategi prompt zero-shot, few-shot, dan chain-of-thought. Memungkinkan siswa untuk mengekstrak kinerja maksimal dari LLM tanpa pelatihan ulang.

Pelajaran 2 • Fine-Tuning Model Bahasa yang Telah Dilatih

Menerapkan Hugging Face Transformers pada tugas klasifikasi, NER, dan QA. Memberikan siswa alur kerja praktis untuk mengadaptasi LLM ke masalah domain spesifik.

Pelajaran 3 • Fine-Tuning Hemat Parameter

Mencakup LoRA, prefix tuning, dan prompt tuning untuk adaptasi sumber daya rendah. Mengurangi biaya komputasi dan memori sambil mempertahankan kinerja yang kompetitif.

Pelajaran 4 • Self-Attention dan Transformer

Menurunkan scaled dot-product attention dan multi-head attention dari prinsip pertama. Menjelaskan mengapa Transformer menggantikan RNN sebagai arsitektur urutan yang dominan.

Pelajaran 1 • Pelacakan Eksperimen dan Reproduksibilitas

Menggunakan MLflow dan Weights & Biases untuk mencatat eksperimen dan mengelola artefak. Menetapkan disiplin yang diperlukan untuk penelitian ML kolaboratif yang dapat direproduksi.

Pelajaran 2 • Pipeline ML dan Orkestrasi Alur Kerja

Membangun pipeline pelatihan otomatis menggunakan alat seperti Airflow dan Kubeflow. Memungkinkan pelatihan ulang berkelanjutan dan mengurangi intervensi manual dalam produksi.

Pelajaran 3 • Pemantauan dan Deteksi Data Drift

Mengimplementasikan uji statistik dan dasbor untuk mendeteksi drift model dan data. Memastikan kinerja model yang berkelanjutan setelah penerapan di lingkungan yang berubah.

Pelajaran 4 • Penyajian Model dan API

Men-deploy model sebagai REST API menggunakan FastAPI dan mikrolayanan terkontainerisasi. Menghubungkan model yang telah dilatih ke aplikasi dunia nyata dan pengguna akhir.