Machine Learning Operations (MLOps)
4.62
Machine Learning Engineer

Learning Path

Machine Learning Operations (MLOps)

Teknologi:

Machine Learning
Level: Mahir
Level: Mahir 45 Jam Belajar
2.993

Siswa Terdaftar

Pelajari proses pengembangan dan pengoperasian sistem machine learning dalam lingkup produksi dengan menerapkan berbagai prinsip MLOps.
Learning Path Machine Learning Engineer

Kelas ini merupakan langkah ke-enam Anda untuk menjadi Machine Learning Engineer.

Apa yang akan Anda dapatkan

Sertifikat

Dapatkan sertifikat standar industri setelah menyelesaikan kelas ini.

Code Review

Kode yang Anda kerjakan akan di-review secara komprehensif oleh Reviewer.

Forum Diskusi

Diskusikan materi belajar dengan siswa lainnya.

Modul Tutorial

Materi bacaan elektronik disajikan dengan bahasa yang mudah dipahami.

Submission

Uji kemampuan teknis Anda dengan mengerjakan tugas submission.

Kuis

Kuis pilihan ganda membantu Anda memahami materi yang dipelajari.

Ujian

Validasi pengetahuan Anda dengan mengerjakan soal-soal ujian.
Level Mahir
Menguasai materi dan latihan tingkat lanjut. Kelas ini mensyaratkan sejumlah penguasaan landasan pengetahuan yang baik.

Deskripsi

MLOps merupakan sebuah best practice untuk melakukan standardisasi terhadap proses pengembangan sistem machine learning dan pengoperasiannya di sistem produksi. Pada lingkup industri, standaridisasi terhadap keseluruhan proses ini merupakan kunci utama dalam menghasilkan sistem machine learning yang bersifat reliable, scalable, adaptable, dan maintainable. Selain itu, penerapan MLOps dapat membantu kita dalam mencegah resiko munculnya technical debt dan memastikan akuntabilitas dari sistem yang dibuat.

  • Tingginya kebutuhan akan sistem machine learning yang bersifat reliable, scalable, adaptable, dan maintainable di industri. 
  • Prinsip MLOps merupakan bagian penting dalam pengembangan dan pengoperasian sistem machine learning di industri.
  • MLOps dapat membantu kita dalam membuat sistem machine learning yang reliable, scalable, adaptable, dan maintainable.
  • Pemahaman terhadap penerapan prinsip MLOps merupakan kompetensi utama untuk menjadi seorang Machine Learning Engineer yang andal.
  • Kebutuhan karir di bidang Machine Learning sangatlah tinggi karena jumlah praktisi yang masih sedikit sehingga peluangnya masih sangat besar.

Target dan Sasaran Siswa

  • Kelas ditujukan bagi Machine Learning Engineer yang ingin mempelajari tentang teknik pengembangan dan pengoperasian sistem machine learning di 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 mendalam mengenai machine learning.
  • 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 membuat sistem machine learning end-to-end yang bersifat reliable, scalable, adaptable, dan maintainable dengan menerapkan prinsip MLOps.

Learning Path

Kelas ini merupakan langkah ke-enam Anda untuk menjadi Machine Learning Engineer.


Peralatan Belajar

Spesifikasi minimal perangkat:

Prosesor

Intel Dual Core (Rekomendasi Core i3 ke atas)

Tools yang dibutuhkan untuk belajar:

Google Colaboratory

Lihat semua peralatan belajar

Lihat semua peralatan belajar

Peralatan Belajar

Spesifikasi minimal perangkat

Kelas ini membutuhkan spesifikasi perangkat seperti berikut:

RAM

4GB (Rekomendasi 8GB)

Layar

1366 x 768 (Rekomendasi Full HD 1920 x 1080)

Sistem Operasi

Windows, Linux, MacOS

Prosesor

Intel Dual Core (Rekomendasi Core i3 ke atas)

Tools

Kelas ini membutuhkan beberapa tools berikut:

Google Colaboratory

Teks Editor (Notepad++) atau IDE (PyCharm,dll)

Command Line (Terminal atau cmd)

Web Browser (Google Chrome atau Mozilla Firefox)


Metode Ajar

  • Online - Self-paced Learning
    • Total jam belajar : 45 jam
    • Rekomendasi waktu belajar : 10 jam per minggu (selesai dalam 32 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.
  • Sertifikat kompetensi

Lihat semua metode ajar

Lihat semua metode ajar

Metode Ajar

  • Online - Self-paced Learning
    • Total jam belajar : 45 jam
    • Rekomendasi waktu belajar : 10 jam per minggu (selesai dalam 32 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.
  • Sertifikat kompetensi

Kontributor

2

Curriculum Developer yang membangun kelas ini:

Rahmat Fajri

Rahmat Fajri

Data & Machine Learning Engineer

Mochamad Rafy Ardhanie

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Reviewer

7

Code Reviewer yang akan me-review tugas dan kode Anda:

Lihat semua kontributor dan reviewer

Lihat semua kontributor dan reviewer

Kontributor & Reviewer

Kontributor kelas

Curriculum Developer yang membangun kelas ini:

Rahmat Fajri

Rahmat Fajri

Data & Machine Learning Engineer

Mochamad Rafy Ardhanie

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia


Tim Reviewer

Code Reviewer yang akan me-review tugas dan kode Anda:

Yusuf Sugiono

Yusuf Sugiono

Fullstack Developer di PT Prima Visi Globalindo

• Google Cloud Certified Associate Cloud Engineer

• Google Cloud Certified Cloud Digital Leader

• AWS Certified Cloud Practitioner

• Alumni Bangkit 2021 - Cloud Computing Learning Path

• Alumni SIB Dicoding Cycle 1 - Machine Learning & FrontEnd Learning Path


dos:6686df0f9e218fbb7a0a1eb49dea73d020230224162524.pngFeel free to connect with me on LinkedIn

Rifky Bujana Bisri

Rifky Bujana Bisri

Undergraduate Student at University of British Columbia

- Artificial Intelligence Enthusiast

- LinkedIn 

- Github

- Hugging Face

Ahmad Zein Al Wafi

Ahmad Zein Al Wafi

External Reviewer Dicoding

Digital Architect

Rahmat Fajri

Rahmat Fajri

Data & Machine Learning Engineer

TensorFlow Developer Certified

Maulana Muhammad

Maulana Muhammad

External Code Reviewer at Dicoding Indonesia

Mochamad Rafy Ardhanie

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Celvine Adi Putra

Celvine Adi Putra


Testimoni Siswa

Ribuan siswa sukses belajar di Dicoding Academy. Apa kata mereka? Berikut adalah testimoni asli mereka.

Devi Mikhael Empi
Devi Mikhael Empi
Universitas Gunadarma
Memulai Dasar Pemrograman untuk Menjadi Pengembang Software
Puas sekali dan sangat mudah dipahami oleh pemula yang ingin mengembangkan perangkat lunak
Baca selengkapnya
Muhammad Naufal Farras
Muhammad Naufal Farras
Universitas Negeri Semarang
Memulai Dasar Pemrograman untuk Menjadi Pengembang Software
Materi yang disampaikan pada kelas ini sangat informatif dan membantu teman-teman yang saat ini dalam proses belajar dalam dunia pemrograman. Banyak disampaikan juga tips ketika kita telah mulai dalam bekerja, dan itu sangat membantu untuk kedepannya.
Baca selengkapnya
Lihat semua testimoni

Silabus

Materi yang akan Anda pelajari pada kelas ini.

  • 20 Menit

  • 25 Menit

  • 25 Menit

  • 25 Menit

  • 25 Menit

  • 25 Menit

  • 25 Menit

  • 20 Menit

  • 15 Menit

  • 5 Menit

  • 20 Menit

  • 20 Menit

  • 25 Menit

  • 25 Menit

  • 30 Menit

  • 20 Menit

  • 60 Menit

  • 30 Menit

  • 15 Menit

  • 5 Menit

  • 20 Menit

  • 25 Menit

  • 25 Menit

  • 25 Menit

  • 30 Menit

  • 60 Menit

  • 25 Menit

  • 15 Menit

  • 5 Menit

  • 30 Menit

  • 20 Menit

  • 30 Menit

  • 30 Menit

  • 45 Menit

  • 45 Menit

  • 40 Menit

  • 15 Menit

  • 5 Menit

  • 400 Menit

  • 20 Menit

  • 30 Menit

  • 25 Menit

  • 30 Menit

  • 25 Menit

  • 20 Menit

  • 50 Menit

  • 15 Menit

  • 5 Menit

  • 20 Menit

  • 60 Menit

  • 50 Menit

  • 50 Menit

  • 50 Menit

  • 15 Menit

  • 5 Menit

  • 35 Menit

  • 25 Menit

  • 60 Menit

  • 50 Menit

  • 55 Menit

  • 15 Menit

  • 5 Menit

  • 28 Menit

  • 60 Menit

  • 480 Menit