Kerangka Materi
Pengantar Machine Learning
- Jenis-jenis machine learning – terawasi vs tidak terawasi
- Dari pembelajaran statistik menuju machine learning
- Alur kerja penambangan data: pemahaman bisnis, persiapan data, pemodelan, hingga penerapan
- Memilih algoritma yang tepat sesuai kebutuhan
- Overfitting serta konsep tradeoff bias-variansi
Gambaran Umum Python dan Library Machine Learning
- Alasan penggunaan bahasa pemrograman dalam pengembangan machine learning
- Memilih antara R atau Python
- Pengantar singkat Python dan penggunaan Jupyter Notebooks
- Library utama Python: pandas, NumPy, scikit-learn, matplotlib, seaborn
Pengujian dan Evaluasi Algoritma Machine Learning
- Generalisasi model, overfitting, serta validasi model
- Berbagai strategi evaluasi: metode holdout, kross-validasi, bootstrapping
- Metrik penilaian regresi: ME, MSE, RMSE, MAPE
- Metrik untuk klasifikasi: akurasi, matriks kekacauan, kelas tidak seimbang
- Visualisasi kinerja model: kurva profit, kurva ROC, kurva lift
- Pemilihan model dan teknik pencarian parameter optimal (grid search)
Persiapan Data
- Mengimpor dan menyimpan data dalam Python
- Analisis eksploratori serta statistik deskriptif
- Penanganan nilai yang hilang maupun nilai ekstrem
- Standarisasi, normalisasi, dan transformasi data
- Pengkodean data kualitatif serta pengolahan data menggunakan pandas
Algoritma Klasifikasi
- Perbedaan klasifikasi biner dan multikelas
- Regresi logistik serta fungsi diskriminan
- Algoritma Naïve Bayes, metode k-nearest neighbors
- Pohon keputusan: CART, Random Forests, teknik Bagging dan Boosting serta XGBoost
- Support Vector Machines dan konsep kernel
- Teknik pembelajaran ensemble
Regresi dan Peramalan Numerik
- Metode kuadrat terkecil serta seleksi variabel
- Teknik regularisasi: L1, L2
- Regresi polinomial dan model nonlinier lainnya
- Pohon regresi serta splines
Jaringan Saraf
- Pengantar jaringan saraf dan pembelajaran mendalam
- Fungsi aktivasi, struktur lapisan, serta mekanisme backpropagation
- Multilayer Perceptrons (MLP)
- Penggunaan TensorFlow atau PyTorch untuk membangun model jaringan saraf dasar
- Penerapan jaringan saraf dalam klasifikasi maupun regresi
Peramalan Penjualan dan Analisis Prediktif
- Perbedaan antara peramalan berbasis deret waktu dan regresi
- Penanganan data dengan pola musiman maupun tren tertentu
- Membangun model peramalan penjualan menggunakan teknik machine learning
- Evaluasi akurasi serta tingkat ketidakpastian dari hasil ramalan
- Interpretasi hasil secara bisnis dan komunikasinya kepada pihak terkait
Pembelajaran Tanpa Pengawasan
- Berbagai teknik pengelompokan data: k-means, k-medoids, pengelompokan hierarkis, SOMs
- Reduksi dimensi data: PCA, analisis faktor, SVD
- Skala multidimensi
Penambangan Teks
- Pemrosesan teks awal dan tokenisasi
- Konsep bag-of-words, stemming, serta lemmatisasi
- Analisis sentimen serta frekuensi kata
- Visualisasi data teks menggunakan word cloud
Sistem Rekomendasi
- Teknik penyaringan kolaboratif berbasis pengguna maupun item
- Desain serta evaluasi mesin rekomendasi
Penambangan Pola Asosiasi
- Identifikasi kumpulan item yang sering muncul secara bersamaan serta algoritma Apriori
- Analisis keranjang belanja dan konsep rasio lift
Deteksi Nilai Ekstrem
- Analisis nilai ekstrem dalam dataset
- Metode berbasis jarak maupun kepadatan untuk mendeteksi anomali
- Deteksi outlier pada data berdimensi tinggi
Studi Kasus Machine Learning
- Memahami permasalahan bisnis yang dihadapi
- Persiapan data dan pengolahan fitur yang relevan
- Pemilihan model serta penyetelan parameter secara optimal
- Evaluasi hasil analisis dan penyajian temuan kepada pihak terkait
- Proses penerapan model yang telah disusun
Kesimpulan dan Langkah Selanjutnya
Persyaratan
- Pengetahuan dasar mengenai konsep machine learning seperti pembelajaran terawasi dan tidak terawasi
- Pengenalan terhadap pemrograman Python (variabel, perulangan, fungsi)
- Pengalaman sedikit dalam mengolah data menggunakan library seperti pandas atau NumPy sangat membantu namun tidak wajib
- Tidak diperlukan pengalaman sebelumnya dalam pemodelan tingkat lanjut maupun jaringan saraf
Target Peserta
- Para ahli data
- Analis bisnis
- Insinyur perangkat lunak serta profesional teknis yang menangani data
Testimoni (3)
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
Bekerja berdasarkan prinsip-prinsip dasar secara fokus, dan beralih ke penerapan studi kasus pada hari yang sama
Maggie Webb - Department of Jobs, Regions, and Precincts
Kursus - Artificial Neural Networks, Machine Learning, Deep Thinking
Diterjemahkan Mesin
Bahwa itu menggunakan data perusahaan nyata. Instruktur memiliki pendekatan yang sangat baik dengan membuat peserta pelatihan berpartisipasi dan bersaing
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Kursus - Applied AI from Scratch in Python
Diterjemahkan Mesin
