Membangun Proyek Deep Learning Tingkat Mahir

Topik:

AI Machine Learning +3 lainnya

Level: Mahir 90 Jam Belajar

Siswa Terdaftar

Pelajari teknik deep learning tingkat mahir agar dapat mengkustomisasi model dan training hingga mengimplementasikan berbagai algoritma.

Belajar Sekarang

Informasi kelas Lihat silabus

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

Di era perkembangan teknologi saat ini, deep learning menjadi salah satu teknologi yang krusial dalam meningkatkan efisiensi industri seperti yang dikonfirmasi pada penelitian dari Bio Web of Conferences. Anda akan mempelajari beragam teknik lanjutan deep learning yang mencakup bidang computer vision, natural language processing (NLP), sistem rekomendasi, hingga time series forecasting. Selain itu, Anda juga akan mempelajari cara kustomisasi model deep learning dan pelatihan model sesuai kebutuhan.

Mampu memodifikasi arsitektur model, layer, loss function dan callback untuk memecahkan masalah unik yang tidak bisa ditangani oleh model standar.
Menguasai implementasi teknik modern dalam Computer Vision (deteksi objek), NLP (Transformer), Sistem Rekomendasi, dan Time Series.
Memahami cara melatih model secara efisien dalam skala besar (distributed training), melakukan debugging, dan menyimpan checkpoint manual layaknya seorang profesional.
Membekali diri dengan portofolio dan keahlian mendalam yang dicari untuk memperluas peluang karier di bidang teknologi yang terus berkembang dan dibutuhkan banyak perusahaan.
Mampu membangun model dengan multiple input/output dan arsitektur non-linear menggunakan Functional API dan subclassing, memberikan fleksibilitas tanpa batas.

Target dan Sasaran Siswa

Kelas ditujukan bagi AI/ML/DL Engineer yang ingin memperdalam pengetahuan tentang computer vision, natural language processing, time series, sistem rekomendasi yang 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 memahami konsep dan cara kerja machine learning, membedakan supervised dan unsupervised learning, serta memiliki pemahamanan dasar mengenai deep learning seperti ANN, CNN, dan RNN.
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.
Setelah mengikuti kelas, siswa diharapkan mampu membangun proyek deep learning yang berfokus pada kustomisasi arsitektur.

Selengkapnya

Sembunyikan

Peralatan Belajar

Spesifikasi minimal perangkat:

Prosesor

Core I3 ke atas

Tools yang dibutuhkan untuk belajar:

PyCharm IDE

Lihat semua peralatan belajar

Peralatan Belajar

Spesifikasi minimal perangkat

Kelas ini membutuhkan spesifikasi perangkat seperti berikut:

RAM

8GB (Rekomendasi 16GB)

Layar

Resolusi Layar 1366 x 768 (Rekomendasi FHD)

Sistem Operasi

Windows, Linux, MacOS

Prosesor

Core I3 ke atas

Tools

Kelas ini membutuhkan beberapa tools berikut:

PyCharm IDE

Google Colaboratory

Command Line (Terminal atau cmd)

Web Browser (Google Chrome atau Mozilla Firefox)

Metode Ajar

Online - Self-Paced Learning
- Total jam belajar: 90 jam
- Rekomendasi waktu belajar: 10 jam per minggu (selesai dalam 63 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
- Sertifikat kompetensi

Evaluasi Pembelajaran
- Ujian akhir kelas
- Submission: Proyek time series multivariate multi-step menggunakan model dan training yang dikustomisasi.

Lihat semua metode ajar

Metode Ajar

Kontributor

Curriculum Developer yang membangun kelas ini:

Muhammad Raiz Shiddiq Pratama

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Reviewer

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

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Muhammad Raiz Shiddiq Pratama

Lihat semua kontributor dan reviewer

Kontributor & Reviewer

Kontributor kelas

Curriculum Developer yang membangun kelas ini:

Muhammad Raiz Shiddiq Pratama

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Tim Reviewer

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

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Muhammad Raiz Shiddiq Pratama

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Muhammad Raiz Shiddiq Pratama

Testimoni Siswa

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

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

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

Testimoni Siswa

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

Muhammad Naufal Farras

Universitas Negeri Semarang

Memulai Dasar Pemrograman untuk Menjadi Pengembang Software

Mohammad Chevalier Daniswara

Universitas Pembangunan Nasional Veteran Jawa Timur

Memulai Dasar Pemrograman untuk Menjadi Pengembang Software

Saya sangat senang mengikuti kelas Dasar Pemrograman di Dicoding. Materi yang diajarkan sangat informatif dan struktur pelajarannya sangat mudah dipahami. a. Saya merasa telah memperoleh pemahaman yang kuat tentang dasar Pemrograman berkat kursus ini. Terima kasih Dicoding!

Punya pertanyaan seputar kelas ini?

Berikut adalah beberapa pertanyaan yang paling sering ditanyakan.

Bagaimana cara memasukkan token Academy? Aturan membuat pertanyaan di forum diskusi kelas Bagaimana cara mencetak sertifikat kelulusan kelas?

Lihat semua FAQ

Silabus

Materi yang akan Anda pelajari pada kelas ini.

Persiapan Belajar

Modul ini mengenalkan sistem belajar di kelas secara umum dari mulai Persetujuan Hak Cipta, Prasyarat Kemampuan, Prasyarat Tools, Mekanisme Belajar, Forum Diskusi, Glosarium, hingga Daftar Referensi.

8 Artikel

65 menit

Persetujuan Hak Cipta
5 Menit
Pengenalan Kelas
5 Menit
Prasyarat Kemampuan
5 Menit
Prasyarat Tools
10 Menit
Mekanisme Belajar
10 Menit
Forum Diskusi

10 Menit
Glosarium

10 Menit
Daftar Referensi

10 Menit

Menyelam Lebih Dalam ke TensorFlow

Modul ini dirancang untuk memberikan landasan pemahaman dasar tentang TensorFlow, mulai dari penjelasan apa itu tensor dan cara memanipulasinya hingga pengenalan teknik dasar seperti eager execution dan graph mode.

9 Artikel
1 Ujian

410 menit

Pengantar Menyelam Lebih Dalam ke TensorFlow

10 Menit
Kedalaman TensorFlow di Kebanyakan Siswa

30 Menit
Tensor dalam TensorFlow

40 Menit
Manipulasi Tensor dengan Operasi Dasar dan Matematika

40 Menit
Eksplorasi Tensor dalam Eager Mode

60 Menit
Graph Mode

60 Menit
Autograph dan TensorFlow Function

90 Menit
Reproducibility dalam TensorFlow

60 Menit
Rangkuman Menyelam Lebih Dalam ke TensorFlow

10 Menit
Kuis Menyelam Lebih Dalam ke TensorFlow

10 Menit

Custom Model, Layer, Loss, dan Callback

Modul ini memberikan panduan mendalam tentang cara mengkustomisasi model di TensorFlow. Peserta akan mempelajari Functional API, multiple input-output, dan bagaimana membuat fungsi loss serta layer kustom. Selain itu, peserta akan diperkenalkan dengan callback untuk mengontrol dan mengoptimalkan proses training.

11 Artikel
1 Ujian

490 menit

Pengantar Kustomisasi Model, Layer, Loss, dan Callback

10 Menit
Functional API vs Sequential API

40 Menit
Multiple Output dan Input pada Model Machine Learning

60 Menit
Kustomisasi Loss Function

30 Menit
Fungsi Custom Loss untuk Tantangan yang Lebih Spesifik

30 Menit
Kustomisasi Lambda Layer

40 Menit
Kustomisasi Layer dengan Subclassing

65 Menit
Arsitektur Kompleks Functional API vs Model Class

65 Menit
Kustomisasi Callback

40 Menit
Latihan Custom Model, Layer, Loss, dan Callback pada Time Series Model

90 Menit
Rangkuman Custom Model, Layer, Loss, dan Callback

10 Menit
Kuis Kustomisasi Model, Layer, Loss, dan Callback

10 Menit

Custom dan Distributed Training dengan TensorFlow

Modul ini membahas teknik lanjutan dalam pelatihan model, seperti membuat custom training loop dengan tf.GradientTape dan melakukan kustomisasi lebih jauh melalui dynamic training. Peserta juga akan berkenalan dengan strategi distributed training untuk proses training model skala besar.

10 Artikel
1 Ujian

535 menit

Pengantar Custom dan Distributed Training dengan TensorFlow

10 Menit
Automatic Differentiation dengan tf.GradientTape

75 Menit
Custom Training Loop

70 Menit
Dynamic Training

60 Menit
Latihan: Custom dan Dynamic Training

80 Menit
Debugging pada Custom Training

50 Menit
Checkpoint dan Saving Model Manual

50 Menit
Distributed Training

60 Menit
Strategi Distributed Training dengan TensorFlow

60 Menit
Rangkuman Custom dan Distributed Training dengan TensorFlow

10 Menit
Kuis Custom dan Distributed Training dengan TensorFlow

10 Menit

Sistem Rekomendasi Lanjutan dengan TensorFlow

Modul ini dirancang untuk mengeksplorasi pendekatan modern dalam membangun sistem rekomendasi. Peserta akan belajar menggunakan neural collaborative filtering, model yang menggunakan konteks pengguna, dan hybrid recommendation. Peserta juga akan mempelajari teknik Learning-to-Rank untuk melakukan re-rangking dan konsep retrieval dalam sistem rekomendasi.

9 Artikel
1 Ujian

600 menit

Pengantar Sistem Rekomendasi Lanjutan dengan TensorFlow

10 Menit
Teknik-Teknik Sistem Rekomendasi Lanjutan

30 Menit
Neural Collaborative Filtering

80 Menit
Context-Aware Recommendations

80 Menit
Hybrid Recommender System

80 Menit
Latihan Hybrid Recommendation

120 Menit
Mengurutkan Hasil Kembali dengan Learning-to-Rank

90 Menit
Retrieval dalam Sistem Rekomendasi dengan TensorFlow Recommenders

90 Menit
Rangkuman Sistem Rekomendasi Lanjutan dengan TensorFlow

10 Menit
Kuis Sistem Rekomendasi Lanjutan dengan TensorFlow

10 Menit

Natural Language Processing Lanjutan dengan TensorFlow

Modul ini memberikan wawasan mendalam tentang teknik modern dalam NLP, seperti membangun transformer dari awal dan melakukan training pada model yang dibuat. Peserta juga akan mempelajari teknik labelling dan augmentation dalam NLP.

10 Artikel
1 Ujian

705 menit

Pengantar Natural Language Processing Lanjutan dengan TensorFlow

10 Menit
Berhadapan dengan Data Tidak Berlabel

90 Menit
Latihan Data Labeling

90 Menit
Data Labeling dalam NLP dengan Active Learning

70 Menit
Pre-processing Data dengan tf.strings dan TensorFlow Text

60 Menit
Data Augmentation dalam NLP

90 Menit
Mengenal Transformer dalam NLP

100 Menit
Latihan Membangun Model Transformer Milik Kita Sendiri dengan TensorFlow

120 Menit
Latihan Melatih Model Transformer Milik Kita

55 Menit
Rangkuman Natural Language Processing Lanjutan dengan TensorFlow

10 Menit
Kuis Natural Language Processing Lanjutan dengan TensorFlow

10 Menit

Computer Vision Lanjutan dengan TensorFlow

Modul ini mengupas teknik-teknik lanjutan dalam computer vision, seperti object detection, image segmentation, dan transformer-based vision models untuk klasifikasi gambar.

9 Artikel
1 Ujian

685 menit

Pengantar Computer Vision Lanjutan dengan TensorFlow

10 Menit
Klasifikasi Gambar Lanjutan

90 Menit
Berkenalan dengan Object Detection

85 Menit
Teknik Object Detection dengan Deep Learning

90 Menit
Latihan Inference Object Detection

90 Menit
Latihan Fine-Tuning Object Detection

120 Menit
Berkenalan dengan Image Segmentation

80 Menit
Image Segmentation dengan Deep Learning

100 Menit
Rangkuman Computer Vision Lanjutan dengan TensorFlow

10 Menit
Kuis Computer Vision Lanjutan dengan TensorFlow

10 Menit

Time Series Lanjutan dengan TensorFlow

Modul ini dirancang untuk memperdalam kemampuan dalam forecasting time series menggunakan teknik modern melalui pendekatan sequence dan parallelism. Peserta akan belajar menangani data multivariat dan teknik pengolahan data time series lanjutan.