Kerangka Materi

Pandangan Umum AI dalam Python

  • Konsep utama dan lingkup AI
  • Perpustakaan Python untuk pengembangan AI
  • Struktur proyek AI dan alur kerja

Persiapan Data untuk AI

  • Membersihkan, mentransformasi, dan menginspirasi fitur data
  • Menangani data yang hilang dan tidak seimbang
  • Penskalaan dan pengkodean fitur

Teknik Supervised Learning

  • Algoritma regresi dan klasifikasi
  • Metode ensemble: Random Forest, Gradient Boosting
  • Penyesuaian hiperparameter dan validasi silang

Teknik Unsupervised Learning

  • Metode kluster: K-Means, DBSCAN, pengklasteran hierarki
  • Penyederhanaan dimensi: PCA, t-SNE
  • Kasus penggunaan pembelajaran tanpa pengawas

Neural Networks dan Deep Learning

  • Pendahuluan tentang TensorFlow dan Keras
  • Membangun dan melatih jaringan saraf maju
  • Memaksimalkan kinerja jaringan saraf

Reinforcement Learning (Pendahuluan)

  • Konsep inti tentang agen, lingkungan, dan hadiah
  • Menerapkan algoritma pembelajaran pelatihan dasar
  • Aplikasi pembelajaran pelatihan

Menyebarkan Model AI

  • Menyimpan dan memuat ulang model yang dilatih
  • Mengintegrasikan model ke dalam aplikasi melalui API
  • Memantau dan memelihara sistem AI dalam produksi

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Pemahaman yang kuat tentang dasar-dasar pemrograman Python
  • Pengalaman dengan perpustakaan analisis data seperti NumPy dan pandas
  • Pengetahuan dasar tentang konsep dan algoritma machine learning

Penonton

  • Pengembang perangkat lunak yang ingin memperluas keterampilan pengembangan AI mereka
  • Analisis data yang ingin menerapkan teknik AI pada dataset yang rumit
  • Profesional R&D yang membangun aplikasi yang dipower oleh AI
 35 Jam

Jumlah Peserta


Biaya per Peserta

Testimoni (3)

Kursus Mendatang

Kategori Terkait