Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Kerangka Materi
1. Pengantar Rekayasa AI
- Apa itu rekayasa AI?
- Kecerdasan buatan vs. Pembelajaran mesin vs. Pembelajaran mendalam
- Siklus hidup pengembangan proyek rekayasa AI
- Penerapan kecerdasan buatan di berbagai industri
- Peran dan tanggung jawab seorang insinyur AI
2. Dasar-Dasar Kecerdasan Buatan
- Konsep dan istilah-istilah utama dalam kecerdasan buatan
- Pembelajaran terawasi, tak terawasi, serta penguatan
- Jaringan saraf dan prinsip dasar pembelajaran mendalam
- Gambaran umum mengenai kecerdasan buatan generatif serta model-model dasarnya
- Ekosistem pengembangan serta kerangka kerja AI
3. Python untuk Rekayasa AI
- Pustaka Python esensial untuk rekayasa AI
- NumPy, Pandas, dan Matplotlib
- Manipulasi serta visualisasi data
- Menggunakan Jupyter Notebooks dalam praktiknya
- Cara menulis kode AI yang dapat digunakan ulang
4. Persiapan Data untuk Pengembangan AI
- Mengumpulkan dan memahami karakteristik data
- Pembersihan serta pra-pemrosesan data
- Analisis fitur (feature engineering)
- Penykalaan dan normalisasi nilai fitur
- Pemisahan dataset menjadi bagian pelatihan, validasi, dan pengujian
- Cara menangani data yang hilang atau mengandung anomali
5. Prinsip-Prinsip Dasar Pembelajaran Mesin
- Algoritma regresi
- Algoritma klasifikasi
- Teknik pengelompokan data (clustering)
- Prosedur pelatihan model secara sistematis
- Metrik evaluasi kinerja model
- Cara mencegah kejadian overfitting maupun underfitting pada model
6. Membangun Model AI dengan TensorFlow dan PyTorch
- Pengantar terhadap TensorFlow
- Pengantar terhadap PyTorch
- Cara menciptakan jaringan saraf dari nol
- Proses pelatihan serta validasi model AI
- Cara menyimpan dan memuat ulang model yang telah dibuat
- Perbandingan mendasar antara kedua kerangka kerja tersebut
7. Dasar-Dasar Pemrosesan Bahasa Alami
- Pra-pemrosesan teks
- Konsep embedding untuk representasi kata-kata
- Teknik klasifikasi teks
- Analisis sentimen dalam wacana tertulis
- Pengantar singkat mengenai model transformer
- Penerapan praktis dari teknik NLP dalam dunia nyata
8. Penerapan AI dalam Pengembangan Perangkat Lunak
- Cara mengintegrasikan komponen AI ke dalam aplikasi yang sudah ada
- Penggunaan API untuk mengakses layanan AI
- Cara merancang aplikasi berbasis AI dari awal
- Alat-alat bantu pengembangan perangkat lunak yang memanfaatkan AI
- Metode pengujian bagi aplikasi yang menggunakan komponen kecerdasan buatan
9. Praktik Terbaik dalam Rekayasa AI
- Pengorganisasian pekerjaan proyek secara efektif
- Pemanfaatan Git sebagai alat pengendalian versi kode
- Pelacakan hasil eksperimen selama proses pengembangan
- Manajemen versi dari setiap model yang dihasilkan
- Standar penyusunan dokumentasi teknis yang baik
- Cara menjaga reproduktibilitas hasil pengembangan AI dalam proyek besar
10. Penyebaran Model AI ke Lingkungan Produksi
- Pembuatan serialisasi model untuk digunakan nantinya
- Pembangunan layanan inferensi bagi model AI
- Implementasi REST API sebagai jembatan akses terhadap model AI
- Gambaran singkat tentang pemanfaatan Docker dalam penyebaran AI
- Cara melakukan monitoring secara rutin pada model yang sudah digunakan
- Strategi pemeliharaan dan pengembangan ulang model dalam jangka panjang
11. Rekayasa Data untuk Kecerdasan Buatan
- Pembuatan saluran data otomatis (data pipelines)
- Proses ETL dalam manajemen informasi digital
- Cara mengelola jenis data terstruktur maupun tak terstruktur
- Opsi penyimpanan data yang sesuai untuk skala proyek AI
- Pengendalian mutu data pada setiap tahapan proyek
- Penyiapan dataset berkualitas tinggi siap pakai di produksi
12. Kecerdasan Buatan yang Bertanggung Jawab dan Etis
- Pencegahan bias serta pengaturan tingkat keadilan dalam sistem AI
- Konsep explainable AI (XAI) untuk meningkatkan transparansi
- Tindakan perlindungan privasi dan data yang wajib dilakukan
- Aspek keamanan informasi yang harus diperhatikan dalam pengembangan AI
- Prinsip-prinsip pengembangan AI secara bertanggung jawab
- Pertimbangan regulasi serta manajemen tata kelola proyek AI
13. Manajemen Proyek AI yang Efektif
- Siklus hidup suatu proyek rekayasa AI dari konsep sampai implementasi
- Penerapan metodologi Agile untuk mempercepat pengembangan AI
- Kerja sama yang harmonis antara tim teknis dan bisnis dalam proyek AI
- Cara mengevaluasi biaya serta usaha yang diperlukan untuk menyelesaikan suatu proyek AI
- Teknik mitigasi risiko pada tahap pengembangan proyek AI
- Kriteria objektif dalam mengukur keberhasilan akhir suatu proyek AI
14. Workshop Praktis Rekayasa AI dan Tren Masa Depan
- Pembuatan alur kerja pengembangan AI secara menyeluruh dari awal
- Penyusunan hingga penyelesaian proyek pembelajaran mesin komprehensif
- Training dan evaluasi model dengan bantuan TensorFlow atau PyTorch
- Pengembangan aplikasi AI sederhana yang siap beroperasi di dunia nyata
- Tren terkini dalam bidang rekayasa kecerdasan buatan
- Kecerdasan buatan generatif serta model bahasa besar (LLMs)
- Penerapan MLOps dan otomatisasi dalam pengembangan AI
- Opsi jalur karier serta peluang pembelajaran lanjut bagi para profesional AI
- Penutupan sesi, diskusi pertanyaan & jawaban serta langkah-langkah selanjutnya yang direkomendasikan
Persyaratan
- Pemahaman terhadap konsep-konsep dasar pemrograman
- Pengalaman dalam memprogram menggunakan Python
- Familiaritas dengan statistika dasar serta aljabar linear
Target Peserta
- Insinyur AI
- Pengembang perangkat lunak
- Analis data
14 Jam
Testimoni (2)
Pilihan alat yang luas yang disajikan
Miruna Buzduga - Aeronamic Eastern Europe
Kursus - AI Enablement Training for Engineers
Diterjemahkan Mesin
Pelatihan bertahap dengan banyak latihan. Seperti sebuah bengkel kerja, dan saya sangat senang tentang hal itu.
Ireneusz - Inter Cars S.A.
Kursus - Intelligent Applications Fundamentals
Diterjemahkan Mesin