Kursus Pelatihan Dasar-dasar Kecerdasan Buatan (AI) dan Machine Learning

Pengantar Machine Learning Terapan

• Statistical learning vs. Machine learning
• Iterasi dan evaluasi
• Bias-Variance trade-off
• Supervised vs Unsupervised Learning
• Masalah yang diselesaikan dengan Machine Learning
• Train Validation Test – alur kerja ML untuk menghindari overfitting
• Alur kerja Machine Learning
• Algoritma machine learning
• Memilih algoritma yang tepat untuk masalah

Evaluasi Algoritma

• Mengevaluasi prediksi numerik
  • Ukuran akurasi: ME, MSE, RMSE, MAPE
  • Stabilitas parameter dan prediksi
• Mengevaluasi algoritma klasifikasi
  • Akurasi dan masalahnya
  • Matrix of confusion
  • Masalah kelas tidak seimbang (Unbalanced classes problem)
• Visualisasi kinerja model
  • Profit curve
  • ROC curve
  • Lift curve
• Pemilihan model
• Penyesuaian model (Model tuning) – strategi grid search

Persiapan Data untuk Pemodelan

• Impor dan penyimpanan data
• Memahami data – eksplorasi dasar
• Manipulasi data dengan pustaka pandas
• Transformasi data – Data wrangling
• Analisis eksploratif
• Pengamatan yang hilang – deteksi dan solusi
• Outlier – deteksi dan strategi
• Standarisasi, normalisasi, binarisasi
• Rekoding data kualitatif

Algoritma machine learning untuk deteksi Outlier

• Algoritma Supervised
  • KNN
  • Ensemble Gradient Boosting
  • SVM
• Algoritma Unsupervised
  • Berbasis jarak
  • Metode berbasis densitas
  • Metode probabilistik
  • Metode berbasis model

Memahami Deep Learning

• Tinjauan Konsep Dasar Deep Learning
• Membedakan Antara Machine Learning dan Deep Learning
• Tinjauan Aplikasi untuk Deep Learning

Tinjauan Jaringan Saraf (Neural Networks)

• Apa itu Jaringan Saraf
• Jaringan Saraf vs Model Regresi
• Memahami Fondasi Matematika dan Mekanisme Pembelajaran
• Membangun Jaringan Saraf Tiruan
• Memahami Node dan Koneksi Jaringan Saraf
• Bekerja dengan Neuron, Layer, serta Data Input dan Output
• Memahami Single Layer Perceptrons
• Perbedaan Antara Supervised dan Unsupervised Learning
• Mempelajari Feedforward dan Feedback Neural Networks
• Memahami Forward Propagation dan Back Propagation

Membangun Model Deep Learning Sederhana dengan Keras

• Membuat Model Keras
• Memahami Data Anda
• Menspesifikasikan Model Deep Learning Anda
• Mengompilasi Model Anda
• Memasukkan (Fitting) Model Anda
• Bekerja dengan Data Klasifikasi Anda
• Bekerja dengan Model Klasifikasi
• Menggunakan Model Anda

Bekerja dengan TensorFlow untuk Deep Learning

• Mempersiapkan Data
  • Mengunduh Data
  • Mempersiapkan Data Pelatihan
  • Mempersiapkan Data Uji
  • Penskalaan Input
  • Menggunakan Placeholders dan Variables
• Menspesifikasikan Arsitektur Jaringan
• Menggunakan Fungsi Biaya (Cost Function)
• Menggunakan Optimizer
• Menggunakan Initializers
• Memasukkan (Fitting) Jaringan Saraf
• Membangun Graph
  • Inferensi
  • Loss
  • Training
• Melatih Model
  • Graph
  • The Session
  • Train Loop
• Mengevaluasi Model
  • Membangun Eval Graph
  • Mengevaluasi dengan Eval Output
• Melatih Model dalam Skala
• Visualisasi dan Evaluasi Model dengan TensorBoard

Aplikasi Deep Learning dalam Deteksi Anomali

• Autoencoder
  • Arsitektur Encoder - Decoder
  • Reconstruction loss
• Variational Autencoder
  • Inferensi variational
• Generative Adversarial Network
  • Arsitektur Generator – Discriminator
  • Pendekatan untuk AN (Anomaly Detection) menggunakan GAN

Kerangka Kerja Ensemble

• Menggabungkan hasil dari berbagai metode
• Bootstrap Aggregating
• Rata-rata skor outlier