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
Pendahuluan Pembelajaran Mendalam
- Apa itu pembelajaran mendalam dan perbedaannya dengan machine learning konvensional
- Aplikasi nyata dalam komputer vision, NLP, serta bidang lainnya
- Gambaran umum ekosistem pembelajaran mendalam: TensorFlow 2.x, Keras, PyTorch
- Cara mengatur lingkungan pengembangan yang memakai GPU sebagai pendukung performa
Mekanisme Kerja Pembelajaran Mendalam
- Neuron buatan, fungsi aktivasi, serta komponen lapisan jaringan saraf
- Proses penyebaran maju dan perhitungan prediksi dari model
- Fungsi kerugian untuk tugas klasifikasi maupun regresi
- Teknik optimisasi gradient descent serta konsep backpropagation
- Mencoba melatih jaringan saraf pertama kali dengan menggunakan dataset MNIST
Jaringan Saraf Konvolusional untuk Komputer Vision
- Pemahaman dasar tentang konsep konvolusi, filter, serta pemetaan fitur pada gambar
- Lapisan pooling dan upaya reduksi dimensi data secara efektif
- Arsitektur CNN utama: konsep LeNet, VGG, dan ResNet
- Membuat serta melatih model CNN guna melakukan klasifikasi gambar
- Menganalisis tampilan fitur yang berhasil diidentifikasi oleh model beserta aktivasi antar lapisan
Teknik Augmentasi Data serta Peningkatan Akurasi Model
- Alasan augmentasi data sangat efektif untuk menghindari overfitting serta meningkatkan kemampuan model dalam menggeneralisasi pola
- Transformasi gambar: rotasi, pembalikan orientasi, zoom, dan pemotongan area tertentu
- Cara memanfaatkan lapisan praproses Keras untuk membangun alur kerja augmentasi data
- Teknik regularisasi seperti dropout dan normalisasi batch
- Pemantauan performa model secara kontinu lewat penggunaan metrik validasi serta mekanisme early stopping
Transfer Learning dengan Model Terlatih Sebelumnya
- Konsep utama transfer learning dan keunggulannya dalam pemanfaatan sumber daya
- Cara memuat model siap pakai dari modul Keras Applications, contohnya ResNet, EfficientNet, MobileNet
- Penerapan teknik ekstraksi fitur dengan mengunci lapisan dasar dan melatih komponen klasifikator baru
- Teknik fine-tuning: membuka kembali beberapa lapisan spesifik untuk penyesuaian mendalam pada data target
- Memperoleh akurasi tinggi meskipun volume data yang tersedia cukup terbatas
Jaringan Saraf Rekuren serta Pemodelan Urutan Data
- Pengenalan konsep dasar urutan data dan keterkaitan temporalnya
- Struktur RNN serta tantangan fenomena vanishing gradient pada jaringan semacam ini
- Unit LSTM dan GRU yang mampu mengatasi keterlambatan transmisi informasi jangka panjang
- Cara melatih model pembuat teks berbasis karakter secara otomatis
- Penerapan word embedding serta komponen Embedding Layer dalam konteks Keras
Dasar-dasar Pemrosesan Bahasa Alami
- Tahapan praproses teks: tokenisasi, penyesuaian ukuran panjang kalimat, serta penyusunan daftar kata
- Pembuatan klasifikator teks dengan memanfaatkan RNN dan LSTM sebagai pilar utama
- Konsep pemodelan sequence-to-sequence yang digunakan dalam alat terjemahan mesin
- Fungsi mekanisme attention dan perannya besar dalam teknik NLP modern
- Penggunaan langsung API pemrosesan teks tersedia pada TensorFlow 2.x untuk aplikasi nyata
Proyek Akhir: Pembuatan Sistem Deskripsi Gambar
- Penggabungan pendekatan komputer vision dan NLP dalam pembentukan sistem multimodal yang tangguh
- Cara mengekstrak fitur visual dari suatu gambar memakai encoder CNN siap pakai
- Konstruksi decoder berbasis LSTM untuk menghasilkan deskripsi teks sesuai isi visual tersebut
- Pengaturan multi-input layer dalam kerangka Keras Functional API
- Menguji dan mengevaluasi hasil akhir dari sistem penghasil caption secara keseluruhan
Langkah Selanjutnya serta Sumber Belajar Tambahan
- Cara mengimplementasikan model yang sudah siap ke lingkungan produksi memakai alat TensorFlow Serving
- Mengenal lebih dekat arsitektur transformer dan perkembangan terbaru pada Large Language Models
- Opsi pelatihan lanjutan dari NVIDIA DLI beserta sertifikasi profesional yang tersedia
- Akses ke komunitas praktisi, kumpulan dataset, serta beragam gagasan proyek inovatif lainnya
Persyaratan
- Pemahaman dasar pemrograman Python (fungsi, perulangan, struktur data seperti dictionary dan array)
- Memiliki pengetahuan umum terkait konsep pemrograman seperti variabel, kondisi, serta struktur kontrol
- Pengalaman sebelumnya dalam bidang pembelajaran mendalam atau machine learning tidak diharuskan
Target Peserta
- Pengembang perangkat lunak dan insinyur yang ingin beralih ke bidang AI dan machine learning
- Analis data serta ilmuwan data yang hendak mengasah kompetensi pembelajaran mendalam
- Profesional teknis yang tertarik memahami dan memanfaatkan model jaringan saraf secara praktis
- Mahasiswa maupun peneliti yang baru memulai perjalanan belajar di bidang pembelajaran mendalam
8 Jam
Testimoni (2)
Pelatihan ini terorganisir dengan baik dan direncanakan secara rapi, sehingga saya keluar dari pelatihan ini dengan pengetahuan yang sistematis dan gambaran yang baik tentang topik-topik yang kita bahas.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Kursus - Deep Learning with TensorFlow 2
Diterjemahkan Mesin
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
