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 ke Pembelajaran Mesin Terapan
- Belajar statistik vs. Pembelajaran mesin
- Iterasi dan evaluasi
- Trade-off Bias-Variance
- Supervised vs Unsupervised Learning
- Masalah yang dipecahkan dengan Pembelajaran Mesin
- Train Validation Test – Workflow ML untuk menghindari overfitting
- Workflow Pembelajaran Mesin
- Algoritma pembelajaran mesin
- Memilih algoritma yang tepat untuk masalah
Evaluasi Algoritma
-
Mengevaluasi prediksi numerik
- Ukuran keakuratan: ME, MSE, RMSE, MAPE
- Stabilitas parameter dan prediksi
-
Mengevaluasi algoritma klasifikasi
- Akurasi dan masalahnya
- Matriks kebingungan (confusion matrix)
- Masalah kelas tidak seimbang
-
Memvisualisasikan kinerja model
- Kurva keuntungan (profit curve)
- Kurva ROC
- Kurva lift
- Seleksi model
- Penyetelan model – strategi pencarian grid (grid search)
Persiapan Data untuk Pemodelan
- Impor dan penyimpanan data
- Memahami data – eksplorasi dasar
- Manipulasi data dengan perpustakaan pandas
- Transformasi data – Data wrangling
- Analisis eksploratori
- Pengamatan hilang – deteksi dan solusi
- Outlier – deteksi dan strategi
- Standarisasi, normalisasi, binarisasi
- Rekoding data kualitatif
Algoritma Pembelajaran Mesin untuk Deteksi Outlier
-
Algoritma supervised
- KNN
- Ensemble Gradient Boosting
- SVM
-
Algoritma unsupervised
- Berbasis jarak (distance-based)
- Metode berbasis kepadatan (density based methods)
- Metode probabilistik
- Metode berbasis model
Memahami Pembelajaran Mendalam
- Gambaran Umum Konsep Dasar Pembelajaran Mendalam
- Perbedaan antara Pembelajaran Mesin dan Pembelajaran Mendalam
- Aplikasi untuk Pembelajaran Mendalam
Gambaran Umum Jaringan Saraf Tiruan (Neural Networks)
- Apa itu Jaringan Saraf Tiruan
- Perbedaan antara Jaringan Saraf Tiruan dan Model Regresi
- Memahami Dasar Matematis dan Mekanisme Pembelajaran
- Membangun Jaringan Saraf Tiruan Buatan
- Memahami Node Saraf dan Koneksi
- Bekerja dengan Neuron, Lapisan, dan Data Input dan Output
- Memahami Perceptron Satu Lapisan
- Perbedaan antara Supervised dan Unsupervised Learning
- Belajar Jaringan Saraf Feedforward dan Feedback
- Memahami Propagasi Maju (Forward Propagation) dan Propagasi Mundur (Back Propagation)
Membangun Model Pembelajaran Mendalam Sederhana dengan Keras
- Membuat Model Keras
- Memahami Data Anda
- Menentukan Model Pembelajaran Mendalam Anda
- Mengkompilasi Model Anda
- Melatih Model Anda
- Bekerja dengan Data Klasifikasi Anda
- Bekerja dengan Model Klasifikasi
- Menggunakan Model Anda
Bekerja dengan TensorFlow untuk Pembelajaran Mendalam
-
Persiapan Data
- Mengunduh Data
- Mempersiapkan Data Latih
- Mempersiapkan Data Uji
- Penskalaan Input
- Menggunakan Placeholders dan Variabel
- Menentukan Arsitektur Jaringan
- Menggunakan Fungsi Biaya (Cost Function)
- Menggunakan Pengoptimal (Optimizer)
- Menggunakan Inisialisator
- Melatih Jaringan Saraf
-
Membangun Grafik
- Inferensi
- Loss
- Latihan (Training)
-
Melatih Model
- Grafik
- Sesi (Session)
- Loop Latihan (Train Loop)
-
Mengevaluasi Model
- Membangun Grafik Eval
- Mengevaluasi dengan Output Eval
- Melatih Model dalam Skala Besar
- Memvisualisasikan dan Mengevaluasi Model dengan TensorBoard
Aplikasi Pembelajaran Mendalam dalam Deteksi Anomali
-
Autoencoder
- Arsitektur Encoder - Decoder
- Loss rekonstruksi
-
Variational Autencoder
- Inferensi variasional
-
Generative Adversarial Network (GAN)
- Arsitektur Generator – Discriminator
- Pendekatan AN menggunakan GAN
Kerangka Ensemble
- Menggabungkan hasil dari metode yang berbeda
- Bootstrap Aggregating
- Rata-rata skor outlier
Persyaratan
- Pengalaman dengan pemrograman Python
- Pengetahuan dasar tentang statistik dan konsep matematika
Audience
- Pengembang
- Data scientists
28 Jam
Testimoni (5)
Pelatihan ini memberikan gambaran yang menarik tentang model pembelajaran mendalam dan metode terkait. Topik ini cukup baru bagi saya, tetapi sekarang saya merasa memiliki pemahaman tentang apa yang bisa dilakukan oleh AI dan ML, apa yang termasuk dalam istilah-istilah tersebut, dan bagaimana mereka dapat digunakan dengan efektif. Secara umum, saya menyukai pendekatan untuk memulai dengan latar belakang statistik dan model pembelajaran dasar seperti regresi linier, terutama dengan menekankan latihan di antara materi.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Kursus - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Diterjemahkan Mesin
Anna selalu bertanya apakah ada pertanyaan dan selalu berusaha membuat kami lebih aktif dengan mengajukan pertanyaan, yang membuat semuanya benar-benar terlibat dalam pelatihan.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Kursus - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Diterjemahkan Mesin
Saya suka cara penyajian materi yang disertai dengan praktiknya.
Bertan - REGNOLOGY ROMANIA S.R.L.
Kursus - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Diterjemahkan Mesin
Pengalaman dan pengetahuan yang luas dari instruktur
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Kursus - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Diterjemahkan Mesin
VM adalah ide yang bagus
Vincent - REGNOLOGY ROMANIA S.R.L.
Kursus - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Diterjemahkan Mesin
