Machine Learning Terapan

Machine Learning Terapan

Disusun oleh: Dicoding Indonesia Level: Mahir Estimasi: 40 jam
Teknologi:Machine Learning
Bagikan kelas ini:

Deskripsi

Menurut riset yang berjudul 2020 Emerging Job Report, trend perekrutan untuk peran AI specialist tumbuh 74% selama 4 tahun terakhir. AI specialist dinobatkan sebagai peringkat pertama the most emerging job in the US in 2020. Di Indonesia, AI specialist juga menempati urutan pertama. Hal ini karena otomatisasi telah mengubah cara orang hidup dan bekerja setiap harinya. Posisi Machine Learning Developer sangat dicari. Sehingga, di Amerika, posisi ini bisa mendapatkan pekerjaan senilai Rp 1,9 miliar per tahun (Kompas).

  • 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 karier di bidang Machine Learning sangatlah tinggi karena jumlah praktisi yang 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. 
  • Mengerjakan proyek-proyek Machine Learning sebagai portofolio merupakan keahlian yang harus dimiliki untuk mereka yang ingin memulai karier menjadi Machine Learning Developer.


Target dan Sasaran Siswa

  • Kelas ditujukan bagi machine learning developer yang ingin mempelajari tentang terapan machine learning di berbagai bidang, model predictive analytics, sentiment analisis, computer vision, serta sistem rekomendasi dengan standar mengacu pada standar kompetensi industri. 
  • Kelas dapat diikuti oleh siswa yang melek IT sehingga wajib memiliki dan dapat mengoperasikan komputer dengan baik.
  • Kelas ini didesain untuk siswa yang sudah memiliki pengetahuan dasar mengenai machine learning, seperti supervised dan unsupervised learning, SVM, neural network, dan deployment. 
  • 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 terapan machine learning mulai dari membuat model predictive analytics untuk bisnis dan marketing, sentiment analysis, computer vision untuk pengenalan gambar dan deteksi objek pada gambar, serta sistem rekomendasi.


Silabus

  • Machine Learning System Design : Mempelajari tahapan-tahapan dalam menyusun sistem machine learning dan memahami desain sistem machine learning. (3 jam)
  • Menyusun Proyek Machine Learning : Mempelajari bagaimana tahapan dalam menyusun proyek machine learning, mampu mengomunikasikan dan memublikasikan proyek machine learning untuk membangun portofolio. (1 jam 45 menit)
  • Studi Kasus Pertama terkait Predictive Analytics : Mempelajari algoritma k-Nearest Neighbor, Random Forest, dan AdaBoost serta penerapannya untuk kasus predictive analytics. (4 jam 30 menit)
  • Studi Kasus Kedua tentang Analisis Sentimen: Mempelajari bagaimana membuat model analisis sentimen dengan teknik Deep Learning dan Support Vector Machine. (6 jam 40 menit)
  • Studi Kasus Ketiga dengan topik Computer Vision : Mempelajari teknik computer vision untuk pengenalan gambar dan deteksi objek pada gambar. (4 jam 35 menit)
  • Studi Kasus Keempat mengenai Sistem Rekomendasi : Mempelajari metode yang digunakan dalam Sistem Rekomendasi serta mampu membuat proyek Sistem Rekomendasi. (4 jam 55 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 : 
    • Ujian akhir kelas
    • Submission (proyek akhir) berupa pembuatan model dan laporan proyek machine learning untuk Sistem Rekomendasi menggunakan beberapa pendekatan seperti Content-based Filtering atau Collaborative Filtering.
  • 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 


Alur Belajar

Langkah ke-5 Machine Learning Terapan

Pertanyaan

Bila Anda memiliki pertanyaan / kendala ketika belajar di kelas ini, Anda dapat membaca pertanyaan-pertanyaan yang sering diajukan di FAQ.

Tim Reviewer

Ahmad dari Dicoding
Ahmad dari Dicoding
Head of Academy at Dicoding Indonesia
Inayah Surya Islami
Inayah Surya Islami
External Code Reviewer at Dicoding Indonesia

Certified Tensorflow Developer

Fahmi Jabbar
Fahmi Jabbar
External Code Reviewer at Dicoding Indonesia
Tia Dwi Setiani
Tia Dwi Setiani
Curriculum Developer at Dicoding Indonesia
  • Certified Tensorflow Developer

Louis Aldorio
Louis Aldorio
External Code Reviewer at Dicoding Indonesia

Machine Learning Enthusiast And Software Engineer specialized in GO

Gabril Hozanna
Gabril Hozanna
External Code Reviewer at Dicoding Indonesia

Data Enthusiast

Anda belum dapat mempelajari kelas ini. Yuk berlangganan sekarang agar bisa belajar di Kelas ini dan juga Kelas Dicoding Academy lainnya.

Daftar sekarang untuk dapat mengikuti pembelajaran

Daftar Sekarang
Kunjungi Online Store Kami

Kelas ini disusun oleh:

Dicoding Indonesia
Dicoding Indonesia

Decode Ideas
Discover Potentials