Kerangka Materi
Pengantar Pembelajaran Mesin
- Jenis-jenis pembelajaran mesin – supervisi vs tak-supervisi
- Dari pembelajaran statistik menuju pembelajaran mesin
- Alur kerja penambangan data: pengertian bisnis, persiapan data, pemodelan, serta penerapan
- Pemilihan algoritma yang tepat sesuai tugas yang diberikan
- Masalah overfitting serta konsep trade-off antara bias dan varians
Gambaran Umum Python dan Library Pembelajaran Mesin
- Mengapa menggunakan bahasa pemrograman untuk implementasi ML
- Memilih antara R atau Python
- Pelatihan dasar Python dan penggunaan Jupyter Notebook
- Library utama: pandas, NumPy, scikit-learn, matplotlib, serta seaborn
Menguji dan Mengevaluasi Algoritma Pembelajaran Mesin
- Konsep generalisasi, overfitting, dan validasi model
- Teknik evaluasi: metode holdout, cross-validation, bootstrapping
- Metrik untuk regresi: ME, MSE, RMSE, MAPE
- Metrik klasifikasi: akurasi, matriks kebingungan, penanganan kelas yang tidak seimbang
- Penggambaran kinerja model: kurva profit, kurva ROC, serta kurva lift
- Pemilihan model optimal dan teknik pencarian parameter dengan grid search
Persiapan Data
- Mengimpor dan menyimpan data menggunakan Python
- Analisis eksploratif serta perhitungan statistika deskriptif
- Pengelolaan nilai yang hilang maupun outlier
- Standardisasi, normalisasi, serta transformasi lainnya
- Mengonversi data kategorikal dan manajemen data dengan pandas
Algoritma Klasifikasi
- Pembedaan antara klasifikasi biner dan multikelas
- Regresi logistik serta fungsi diskriminan yang relevan
- Naive Bayes dan algoritma k-nearest neighbors
- Pohon keputusan: CART, Random Forests, metode Bagging serta Boosting, XGBoost
- Support Vector Machines beserta fungsi kernel-nya
- Teknik pembelajaran ensemble untuk peningkatan presisi prediksi
Regresi dan Prediksi Numerik
- Metode kuadrat terkecil serta penentuan variabel yang signifikan
- Teknik regularisasi: L1, L2
- Model regresi polinomial serta pendekatan nonlinear lainnya
- Penerapan pohon regresi maupun metode spline
Pembelajaran Tak-Supervisi
- Teknik klasterisasi: k-means, k-medoids, hierarki, serta SOMs
- Metode reduksi dimensi data: PCA, analisis faktor, SVD
- Penerapan multidimensional scaling dalam visualisasi data
Pengolahan Teks
- Persiapan teks dan tokenisasi secara efektif
- Teknik pengelompokan istilah, stemming, serta lemmatisasi
- Analisis sentimen dan frekuensi kemunculan kata-kata penting
- Penggunaan awan kata untuk visualisasi data tekstual
Sistem Rekomendasi
- Teknik filtering kolaboratif berbasis pengguna maupun item
- Perancangan dan evaluasi sistem rekomendasi yang sesuai kebutuhan
Penambangan Pola Asosiasi
- Identifikasi himpunan item yang sering muncul dan algoritma Apriori
- Aplikasi analisis keranjang belanja serta perhitungan rasio lift-nya
Dekteksi Outlier
- Analisis nilai ekstrem dalam kumpulan data
- Pendekatan berbasis jarak maupun densitas untuk identifikasi outlier
- Tantangan mendeteksi outlier pada dataset berdimensi tinggi
Studi Kasus Pembelajaran Mesin
- Memahami kendala bisnis yang ingin diselesaikan
- Pra-pemrosesan data dan pembuatan fitur-fitur yang relevan
- Evaluasi model serta penyetelan parameter secara akurat
- Penyajian hasil analisis dengan metode visual maupun naratif yang mudah dipahami
- Penerapan solusi pada sistem produksi nyata
Kesimpulan dan Langkah Selanjutnya
Persyaratan
- Pemahaman dasar mengenai statistik dan aljabar linear
- Pengetahuan tentang konsep analisis data atau intelijen bisnis
- Memiliki pengalaman pemrograman, terutama dengan Python atau R, akan sangat membantu
- Berkarakter antusias terhadap penerapan praktis dari teknik pembelajaran mesin dalam proyek-proyek ilmu data
Kelompok Sasaran
- Analis dan ilmuwan data
- Statistikawan serta profesional penelitian
- Pengembang dan tenaga IT yang ingin mempelajari alat-alat pembelajaran mesin
- Siapa saja yang terlibat dalam proyek ilmu data atau analisis prediktif<\/li>
Testimoni (3)
Meskipun harus melewatkan satu hari karena pertemuan dengan klien, saya merasa telah memiliki pemahaman yang jauh lebih jelas tentang proses dan teknik yang digunakan dalam Machine Learning serta kapan saya akan menggunakan pendekatan tertentu daripada yang lain. Tantangan kami sekarang adalah berlatih apa yang telah kita pelajari dan mulai menerapkannya ke domain masalah kita.
Richard Blewett - Rock Solid Knowledge Ltd
Kursus - Machine Learning – Data science
Diterjemahkan Mesin
Saya suka bahwa pelatihan fokus pada contoh dan pemrograman. Saya berpikir bahwa tidak mungkin untuk memuat begitu banyak konten dalam tiga hari pelatihan, tetapi saya salah. Pelatihan mencakup banyak topik dan segalanya dilakukan dengan sangat rinci (terutama penyetelan parameter model - saya tidak menyangka akan ada waktu untuk ini dan saya sangat terkejut).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Kursus - Machine Learning – Data science
Diterjemahkan Mesin
Ini menampilkan banyak metode dengan skrip yang telah disiapkan - bahan yang disiapkan dengan sangat baik dan mudah untuk dilacak kembali
Kamila Begej - GE Medical Systems Polska Sp. Zoo
Kursus - Machine Learning – Data science
Diterjemahkan Mesin
