Deskripsi

Posisi pengembang ML (machine learning) sangat dicari sehingga seorang ahli bisa mendapatkan pekerjaan senilai Rp 1,9 miliar per tahun (data Kompas). Hal ini karena otomatisasi telah mengubah cara orang hidup dan bekerja orang setiap harinya, sehingga pekerjaan dengan kecerdasan buatan terbukti menjadi peluang karir terbesar di zaman ini. Sebagai contoh, 75% dari pengguna Netflix memilih film berdasarkan rekomendasi algoritma machine learning aplikasi tersebut.

• Machine Learning dapat digunakan untuk meningkatkan efisiensi dari berbagai pekerjaan.
• Machine Learning dapat diimplementasikan ke berbagai industri dan berbagai jenis data sehingga kegunaannya sangat luas.
  
• Banyak perusahaan memiliki jumlah data yang sangat besar sehingga perlu diproses dengan machine learning untuk mendapatkan informasi yang berarti.
  
• Kebutuhan karir di bidang Machine Learning sangatlah tinggi dan jumlah praktisinya juga masih sedikit sehingga peluangnya masih sangat besar.
  
• Pemahaman tentang machine learning, TensorFlow, dan Keras adalah keharusan untuk menjadi seorang Machine Learning Developer ataupun Data Scientist.

Target dan Sasaran Siswa

• Kelas ditujukan bagi machine learning developer yang ingin mempelajari tentang computer vision, natural language, serta deployment dengan standar mengacu pada standar kompetensi industri.
  
• Kelas dapat diikuti oleh siswa yang melek IT sehingga wajib memiliki dan dapat mengoperasikan komputer dengan baik.
  
• Anda diharapkan sudah memiliki pengetahuan dasar mengenai machine learning, seperti supervised & unsupervised learning, SVM, dan neural network.
  
• Siswa harus bisa belajar mandiri, berkomitmen, benar-benar punya rasa ingin tahu, dan tertarik pada subjek materi, karena sebaik apa pun materi kelas ini, tidak akan berguna tanpa keseriusan siswa untuk belajar, berlatih, dan mencoba.
  
• Di akhir kelas, siswa dapat belajar mengenai implementasi Machine Learning pada industri mulai dari Computer Vision, Natural Language, serta deployment proyek Machine Learning.

Silabus

• Problem Framing : Mempelajari bagaimana merumuskan solusi machine learning untuk suatu masalah. (35 menit)
• Membuat dan Melatih Model Neural Network dengan Keras and TensorFlow : Belajar mengembangkan model dengan format data berbeda, membuat plot akurasi dan loss dari model, penggunaan callback, TensorFlow dataset, dan batch loading. (4 jam 35 menit)
• Sistem Rekomendasi : Mengenal teknik yang dipakai dalam sistem rekomendasi seperti collaborative dan content based filtering, serta sistem rekomendasi menggunakan jaringan saraf. (45 menit)
• Klasifikasi Gambar : Mengembangkan model untuk klasifikasi gambar dan teknik yang umum dipakai di industri. (2 jam 35 menit)
• Natural Language Processing (NLP) dengan TensorFlow : Belajar mengolah kata menggunakan TensorFlow. (8 jam 10 menit)
  
• Time Series : Belajar mengembangkan model untuk prediksi data time series. (7 jam 20 menit)
  
• Reinforcement Learning : Teknik melatih model berdasarkan teori hadiah dan hukuman, menggunakan Keras, game playing agent, serta algoritma minimax. (45 menit)
  
• Deployment : Menjelaskan bagaimana men-deploy model machine learning ke aplikasi website dan Android dengan menggunakan TensorFlow (8 jam 35 menit)

Metode Ajar

• Online - Self-paced Learning
  • Total jam belajar : 40 jam
    
  • Rekomendasi waktu belajar : 10 jam per minggu (selesai dalam 28 hari)
    
  • Anda tentukan sendiri berapa lama waktu yang akan digunakan untuk belajar materi kelas ini selama masih aktif terdaftar pada kelas
    
• Fasilitas Pengajaran 
  • Materi bacaan elektronik : Materi akan disajikan dalam bentuk teks dan bacaan
  • Forum diskusi : Setiap kelas memiliki sebuah forum diskusi yang dapat Anda gunakan untuk bertanya dan berdiskusi
  • Evaluasi pembelajaran : Submission (proyek akhir) berupa pembuatan model machine learning untuk klasifikasi gambar dan menyimpan model dalam format TF-Lite
• Sertifikat kompetensi

Peralatan Belajar

• Siswa wajib memiliki akses internet melalui komputer yang menggunakan Windows/Mac/Linux
  
• Spesifikasi minimal komputer milik siswa
  
  • Sistem operasi : Windows, Linux, atau MacOS 
  • Prosesor : Intel Dual Core (Rekomendasi Core i3 ke atas)
    
  • RAM : 2GB (Rekomendasi 4GB) 
  • Resolusi layar : 1366 x 768 (Rekomendasi Full HD 1920 x 1080)
    
• Software
  • Google Colaboratory : Cara penggunaan akan diajarkan pada kelas ini.

Alur Belajar

Langkah ke-4 Machine Learning Developer

• Langkah sebelumnya : Belajar Machine Learning untuk Pemula
  
• Langkah setelahnya : Machine Learning Terapan

Langkah ke-4 persiapan sertifikasi internasional TensorFlow Developer Certificate

• Langkah ke-1 : Belajar Dasar Visualisasi Data
  
• Langkah ke-2 : Memulai Pemrograman dengan Python
  
• Langkah ke-3 : Belajar Machine Learning untuk Pemula
  
• Langkah ke-4 : Belajar Pengembangan Machine Learning
  
• Langkah ke-5 : Machine Learning Terapan
• Langkah ke-6 : Simulasi Ujian TensorFlow Developer Certificate
  
• Langkah terakhir (ujian sertifikasi) : TensorFlow Developer Certificate