Kerangka Materi
Modul 1: Dasar-Dasar Python untuk Alur Kerja ML
• Pembukaan kursus dan pengaturan lingkungan
Menyelaraskan tujuan belajar serta menyiapkan ruang kerja ML di Python yang dapat direproduksi
• Elemen dasar bahasa Python (cara cepat)
Meninjau sintaks, alur kontrol, fungsi, serta pola pemrograman umum dalam kode ML
• Struktur data untuk ML
Penggunaan list, dictionary, set dan tuple untuk merepresentasikan fitur, label, maupun metadata
• Pemahaman komprehensi serta alat fungsional
Mengekspresikan transformasi data melalui pemahaman komprehensi dan fungsi tingkat lebih tinggi
• Penggunaan pemrograman berorientasi objek dalam Python untuk pengembang ML
Konsep kelas, metode, serta keputusan desain yang praktis
• Penggunaan dataclass dan pemodelan ringan
Pemanfaatan kontainer bertipe data untuk konfigurasi, contoh kasus, serta hasil analisis
• Decorator dan manajer konteks
Implementasi pola penjadwalan waktu eksekusi, pengaturan caching, logging, serta pengelolaan sumber daya secara aman
• Manipulasi berkas dan alamat file
Pengelolaan dataset yang stabil serta format serialisasi data yang efektif
• Penanganan pengecualian dan pendekatan pemrograman defensif
Menulis skrip ML yang bisa mengalami kegagalan namun tetap transparan serta aman
• Pengelolaan modul, paket, serta struktur proyek
Cara mengatur kode ML agar mudah digunakan kembali di berbagai konteks
• Pengetikan data serta mutu kode
Penerapan tiping eksplisit, dokumentasi yang lengkap, serta struktur kode yang mendukung pemeriksaan secara efisien
Modul 2: Manipulasi Data Numerik dengan Python, SciPy, dan Alat Terkait
• Dasar-dasar NumPy untuk komputasi vektorisasi
Penggunaan operasi array yang efisien serta teknik pengkodean hemat sumber daya
• Manajemen indeks, pemotongan data, proses penyiaran informasi, serta identifikasi bentuk tensor
Teknik manipulasi tensor yang aman serta analisis konfigurasi dimensinya
• Konsep aljabar linear dengan NumPy dan SciPy
Operasi matriks stabil beserta dekomposisi numerik yang umum digunakan dalam pengolahan data ML
• Penggunaan mendalam dari SciPy
Penerapan statistika, optimisasi fungsi, pengaturan kurva serta manipulasi matriks jarang padat
• Mengelola data tabular ML menggunakan Pandas
Proses pembersihan, penyatuan, agregasi, dan persiapan dataset yang efektif
• Memahami scikit-learn secara mendalam
Penggunaan antarmuka estimator, alur kerja yang dapat direproduksi serta pola konfigurasinya
• Pengenalan teknik visualisasi data utama
Metode penyajian grafis guna menganalisis distribusi maupun perilaku model secara efektif
Modul 3: Pola Pemrograman untuk Pembangunan Aplikasi ML
• Mengubah kode eksperimen menjadi proyek terstruktur
Mengubah skrip coba-coba menjadi modul program yang dapat dipertahankan lama-kelamaan
• Manajemen parameter konfigurasi secara eksternal serta mekanisme validasinya saat startup
• Logging, pengaturan peringatan, serta pendekatan observabilitas yang terstruktur
Menyusun sistem log guna memudahkan proses audit dan debug kode ML
• Mengembangkan komponen reusable melalui konsep pemrograman berorientasi objek dan teknik komposisi komponen lainnya
Pembuatan transformator atau prediktor yang bisa diperluas penggunaannya di kemudian hari
• Memahami pola desain praktis seperti Pipeline, Factory, Registry, Strategy, maupun Adapter
• Validasi struktur data serta proses inspeksi skema untuk menyingkirkan masalah pengolahan data tersembunyi.
• Penilaian kinerja dan teknik identifikasi titik lemah sistem beserta cara memperbaikinya secara efektif
• Implementasi mekanisme I/O model serta antarmuka prediksi yang aman bagi pengguna aplikasi
• Proyek mini integratif secara keseluruhan
Penciptaan alur kerja ML gaya produksi lengkap dengan kontrol parameter dan mekanisme logging yang terintegrasi.
Modul 4: Pengenalan Statistika dalam Memodelkan Data Tabular, Teks, serta Citra
• Dasar-dasar evaluasi model secara efektif
Pemisahan data latihan dan validasi, penggunaan teknik cross-validation dengan pendekatan bisnis sebagai tolok ukurnya.
• Strategi pemodelan tabular ML tingkat lanjut
Memahami perbedaan metode GLM terregulasi, model ensembel pohon serta langkah penyusunan fitur bebas bias.
• Proses kalibrasi nilai prediksi beserta asesmen tingkat ketidakpastiannya
Penerapan pendekatan Platt Scaling, isotonic regression, bootstrap atau teknik prediksi konformasi untuk mengevaluasi kehandalan sistem secara akurat.
• Pendekatan pemrosesan teks klasik
Penyelarasan standar tokenisasi, penggunaan fitur seperti TF-IDF, model linear maupun algoritma Naive Bayes untuk memahami karakteristik bahasa secara mendalam.
• Pengenalan konsep pemodelan topik
Dasar-dasar LDA serta hambatan praktis yang mungkin dihadapi pengguna metode tersebut.
• Analisis citra secara tradisional dengan komputer vision klasik
Pemanfaatan alat seperti HOG, PCA maupun pendekatan fitur berbasis rute untuk mengolah gambar menjadi informasi yang terukur.
• Metode identifikasi kesalahan analisis data secara mendasar serta pengendalian bias sistemik maupun efek gangguan spesifik akibat variabel eksternal lainnya.
• Latihan praktek kelompok
Menyusun alur kerja ML tabular yang benar-benar bebas kebocoran informasi; Membandingkan model teks standar dengan interpretasinya secara mendalam; Melakukan penilaian efektivitas pendekatan visi klasik beserta menganalisis titik lemahnya secara terstruktur.
Modul 5: Jaringan Syaraf Tiruan untuk Data Tabular, Teks, serta Citra
• Memahami cara merancang struktur iterasi pelatihan jaringan secara bersih dengan PyTorch beserta implementasi fitur AMP, pengaturan batasan nilai gradien maupun proses validasi ulang model secara transparan.
• Memilih teknik optimalisasi dan regularisasi data yang efektif
Mengidentifikasi cara mengawali inisialisasi bobot, pengaturan normalisasi serta pemilihan algoritma optimisasi fungsi maupun penjadwalan langkah iteratifnya.
• Mengelola operasi komputasi dengan presisi campuran guna meminimalkan beban pemrosesan secara signifikan
Pemanfaatan strategi akumulasi gradien beserta teknik pengecekan checkpoint sebagai mekanisme efisiensi sistem.
• Merancang jaringan syaraf khusus untuk struktur tabular ML melalui kombinasi penggunaan embedding kategori serta eksperimen mengubah fitur menjadi bentuk terpisah secara sengaja guna mengevaluasi efektivitasnya secara berkelanjutan.
• Mengembangkan model teks dengan menggunakan teknik embeddedding, CNN, BiLSTM atau GRU serta strategi penanganan rangkaian kata yang kompleks secara akurat.
• Pemanfaatan teknik konvensional CNN untuk pemrosesan citra beserta pengembangan struktur arsitektur gaya ResNet secara mendalam.
• Latihan praktek menyusun framework latihan reusable; Melakukan perbandingan efektivitas model neural tabular dengan pendekatan boosting konvensional; Menggabungkan pendekatan augmentasi serta penjadwalan langkah iteratif guna merancang modul pengolahan citra.
Modul 6: Konsep Arsitektur Neural Tingkat Lanjut
• Mengenali strategi pembelajaran transfer yang berguna
Mengatur pola membeku dan melepas sebagian bobot selama pelatihan, menyesuaikan tingkat pembelajaran antar bagian sistem secara berbeda.
• Memahami struktur internal Transformers untuk mengolah teks serta cara melakukan penyetelan halus pada komponen tersebut melalui pendekatan optimal sesuai kebutuhan analisis bahasa.
• Merancang model visual menggunakan teknik standar ResNet, efisiensi penggunaan struktur EfficientNet atau Visi Transformer serta dasar-dasar konsep pengembangan arsitektur berbasis U-Net.
• Mengonfigurasi elemen desain baru untuk struktur tabular seperti TabTransformer, FT-Transformer maupun pendekatan Deep and Cross Networks dengan efektivitas maksimal.
• Analisis konteks temporal data menggunakan strategi pembagian interval waktu logis serta identifikasi kemungkinan adanya pergeseran struktur kovariat secara presisi.
• Menerapkan metode efisiensi seperti PEFT dan teknik kompresi informasi termasuk strategi LoRA, penggunaan teknik distilasi maupun pendekatan kuantisasi data dalam batasan kompromi sistem yang tepat.
• Latihan praktek
Melakukan penyetelan halus terhadap model bahasa alami pralatih; Membentuk modifikasi arsitektur visual dengan struktur latar belakang yang sama secara praktis; Menyelenggarakan perbandingan kualitas antara transformer berbasis tabular dan algoritma GBDT.
Modul 7: Sistem AI Generatif
• Pemahaman dasar tentang teknik Prompting data
Mengatur pola permintaan masukan secara terstruktur serta mengontrol cara sistem menghasilkan respons otomatis.
• Memahami struktur fundamental LLM melalui pengelolaan proses tokenisasi, penerapan latihan berbasis instruksi dan strategi mitigasi gejala halusinasi sistemik secara mendalam.
• Mengenal pendekatan Retrieval-Augmented Generation sebagai cara melengkapi respons otomatis dengan kumpulan informasi tambahan
Mengelola teknik segmentasi data, penerapan metode embedding untuk pencarian isi dokumen dan penilaian efektivitasnya melalui parameter evaluasi yang tepat.
• Mewujudkan strategi pengkustomisasian LLM seperti LoRA atau QLoRA secara cermat dengan memastikan kontrol mutlak terhadap standar kualitas informasi input maupun output.
• Memahami konsep model difusi laten beserta cara mengadaptasinya ke skenario nyata sesuai persyaratan visualisme pengguna aplikasi tertentu secara cermat.
• Pengembangan metode sintetis untuk memproduksi dataset tabular CTGAN beserta penghitungan tingkat privasi informasinya secara objektif.
• Latihan praktek
Menyusun aplikasi RAG yang siap produksi dalam struktur minimal; Mengenali mekanisme validasi respons berstruktur lewat implementasi sistem kontrol skema data; Menerapkan eksperimen terkait efek visual difusi secara opsional namun mendalam.
Modul 8: Sistem AI Berbasis Agen dan Konsep MCP
• Pengembangan desain siklus kerja agen seperti tahapan mengobservasi situasi, merencanakan langkah selanjutnya, melaksanakannya hingga mengevaluasinya secara terus-menerus.
• Mengenali struktur utama desain agen termasuk pola ReAct, strategi Plan-and-Execute serta mekanisme koordinasi multi-Agen dalam sistem.
• Strategi pengelolaan memori meliputi pendekatan episodik, semantik maupun cara memanfaatkan catatan sementara sebagai sarana penyimpanan informasi penting secara praktis.
• Proses integrasi alat kerja dengan metode penjamin keamanan sistem seperti kontrak penggunaan alat, penerapan mekanisme sandbox dan perlindungan dari ancaman injection prompt eksternal secara terstruktur.
• Desain struktur uji validasi AI menggunakan metode seperti rekaman pelacakan interaksi sistem yang dapat direplay, kumpulan tugas evaluasi serta prosedur pengujian regresi untuk meminimalisir risiko gangguan kinerja secara efektif.
• Mengenal prinsip MCP dan pendekatan interoperabilitas berbasis protokol sebagai metode mengonfigurasikan server MCP guna memperkenalkan fitur pengelolaan tool dengan standar keamanan yang ketat.
• Latihan praktek
Membentuk agen dari nol secara sistematis; Mengintegrasikan tool eksternal ke dalam server bergaya MCP untuk akses terkontrol dan stabil; Membangun kerangka evaluasi AI yang mampu mengatur parameter batasan penggunaan alat secara cermat.
Persyaratan
Peserta diharapkan sudah memiliki pengetahuan dasar dalam pemrograman Python.
Program ini ditujukan bagi para profesional teknis dengan tingkat keahlian menengah hingga lanjut.
Testimoni (3)
Saya sangat menyukai bagian akhir di mana kita menghabiskan waktu untuk bermain dengan CHAT GPT. Ruangan tidak disiapkan dengan baik untuk ini—sebaiknya menggunakan beberapa meja kecil agar kita bisa berkumpul dalam kelompok-kelompok kecil dan melakukan brainstorming, daripada satu meja besar.
Nola - Laramie County Community College
Kursus - Artificial Intelligence (AI) Overview
Diterjemahkan Mesin
Bekerja berdasarkan prinsip-prinsip dasar secara fokus, dan beralih ke penerapan studi kasus pada hari yang sama
Maggie Webb - Department of Jobs, Regions, and Precincts
Kursus - Artificial Neural Networks, Machine Learning, Deep Thinking
Diterjemahkan Mesin
Bahwa itu menggunakan data perusahaan nyata. Instruktur memiliki pendekatan yang sangat baik dengan membuat peserta pelatihan berpartisipasi dan bersaing
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Kursus - Applied AI from Scratch in Python
Diterjemahkan Mesin
