Belajar Matematika untuk Data Science

Topik:

AI Machine Learning +2 lainnya

Level: Menengah

Level: Menengah 70 Jam Belajar

Siswa Terdaftar

Pelajari fundamental matematika sebagai fondasi kuat dalam memahami dan menerapkan data science secara efektif.

Kelas ini sedang tidak menerima pendaftaran

Kami akan mengingatkan Anda terkait informasi terbaru di kelas ini.

Ingatkan Saya

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 Menengah
Memahami konsep dasar secara mendalam dan luas. Di sejumlah kelas mempelajari teknik khusus untuk pemahaman praktis.

Deskripsi

Probabilitas dan statistika telah menjadi dasar utama dalam perkembangan data science. Selain itu, banyak algoritma machine learning berbasis pada konsep-konsep statistika untuk menghasilkan analisis dan prediksi yang akurat. Kelas ini dirancang untuk membantu Anda memahami serta menguasai konsep matematika dalam data science dengan fokus pada probabilitas dan statistika sehingga mampu menganalisis serta menginterpretasikan data secara lebih tepat dan sistematis.

Banyak konsep dalam data science, mulai dari machine learning, statistik, hingga deep learning dibangun dari fondasi matematika. Dengan memahaminya, Anda bisa mengerti cara model bekerja dan seberapa dapat dipercaya hasil yang diberikan.
Matematika membantu Anda memahami pola, tren, dan hubungan antar data. Ini membuat proses analisis lebih akurat dan mendalam, bukan hanya mengandalkan intuisi atau alat otomatis.
Profesi seperti data analyst, data scientist, hingga AI engineer menuntut pemahaman matematis yang kuat. Menguasai matematika akan menjadi nilai tambah besar di pasar kerja.
Dengan memahami dasar matematis, Anda tidak hanya sekadar memakai algoritma, tetapi juga tahu cara kerja dan menyesuaikannya agar lebih optimal.
Belajar matematika melatih cara berpikir logis, sistematis, dan terstruktur. Keterampilan ini sangat penting untuk memecahkan masalah nyata dalam data science ataupun bidang profesional lainnya.
Memahami probabilitas dan statistika membantu Anda merangkum serta menggambarkan data, sekaligus memahami pola dan ketidakpastian yang terkandung di dalamnya.

Target dan Sasaran Siswa

Kelas ini ditujukan bagi data scientist atau AI/ML engineer yang ingin membangun fondasi matematika yang kuat agar dapat menganalisis data atau membangun model machine learning secara lebih efektif.
Kelas dapat diikuti oleh siswa yang melek IT sehingga wajib memiliki dan dapat mengoperasikan komputer dengan baik.
Anda diharapkan sudah menguasai bahasa pemrograman Python, memiliki pemahaman matematika tingkat sekolah menengah (persamaan, fungsi, aljabar, statistika, probabilitas), serta dasar visualisasi data.
Siswa harus belajar mandiri, berkomitmen, benar-benar memiliki rasa ingin tahu, dan tertarik pada subjek materi. Sebaik apa pun materi kelas ini tidak akan berguna tanpa keseriusan siswa untuk belajar, berlatih, dan mencoba.
Setelah mengikuti kelas, siswa dapat membuktikan konsep matematis dalam konteks data science melalui program berbasis Python.

Selengkapnya

Sembunyikan

Peralatan Belajar

Spesifikasi minimal perangkat:

Prosesor

Intel Dual Core (Rekomendasi Core i3 ke atas)

Tools yang dibutuhkan untuk belajar:

Web Browser (Google Chrome atau Mozilla Firefox)

Lihat semua peralatan belajar

Peralatan Belajar

Spesifikasi minimal perangkat

Kelas ini membutuhkan spesifikasi perangkat seperti berikut:

RAM

4 GB (Rekomendasi 8 GB)

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:

Web Browser (Google Chrome atau Mozilla Firefox)

Google Colaboratory

Teks Editor (VSCode, Atom, atau Emacs)

PyCharm IDE

Metode Ajar

Online - Self-Paced Learning

Total jam belajar: 70 jam
Rekomendasi waktu belajar: 10 jam per minggu (selesai dalam 49 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: Mengimplementasikan algoritma Naive Bayes dan uji hipotesis dengan studi kasus.

Lihat semua metode ajar

Metode Ajar

Online - Self-Paced Learning

Total jam belajar: 70 jam
Rekomendasi waktu belajar: 10 jam per minggu (selesai dalam 49 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: Mengimplementasikan algoritma Naive Bayes dan uji hipotesis dengan studi kasus.

Kontributor

Curriculum Developer yang membangun kelas ini:

Abdulghoffar Lugas Aga Perwira

math and AI researcher

Ridha Ginanjar

Curriculum Developer and Technical Instructor at Dicoding Indonesia

Reviewer

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

Ridha Ginanjar

Curriculum Developer and Technical Instructor at Dicoding Indonesia

Ridha Ginanjar

Google Associate Cloud Engineer Certified

Google Cloud Professional Data Engineer Certified

Lihat semua kontributor dan reviewer

Kontributor & Reviewer

Kontributor kelas

Curriculum Developer yang membangun kelas ini:

Abdulghoffar Lugas Aga Perwira

math and AI researcher

Ridha Ginanjar

Curriculum Developer and Technical Instructor at Dicoding Indonesia

Tim Reviewer

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

Ridha Ginanjar

Curriculum Developer and Technical Instructor at Dicoding Indonesia

Ridha Ginanjar

Google Associate Cloud Engineer Certified

Google Cloud Professional Data Engineer Certified

Ridha Ginanjar

Curriculum Developer and Technical Instructor at Dicoding Indonesia

Ridha Ginanjar

Google Associate Cloud Engineer Certified

Google Cloud Professional Data Engineer Certified

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

Kelas ini sedang tidak menerima pendaftaran

Kami akan mengingatkan Anda terkait informasi terbaru di kelas ini.

Silabus

Informasi Kelas

Silabus

Materi yang akan Anda pelajari pada kelas ini.

Persiapan Belajar

Memahami HAKI, mekanisme belajar, forum diskusi, glosarium, dan daftar referensi.

8 Artikel

60 menit

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

10 Menit
Glosarium

10 Menit
Daftar Referensi

5 Menit

Data Univariat dan Multivariat

Menjelaskan konsep dasar dan perbedaan antara data univariat dan multivariat, baik kategorikal maupun kuantitatif, dalam konteks analisis data.

13 Artikel
1 Ujian

425 menit

Pengantar Matematika untuk Data Science

40 Menit
Klasifikasi Data dalam Data Science

50 Menit
Data Kategorikal Univariat

45 Menit
Data Kuantitatif Univariat: Pengantar

10 Menit
Data Kuantitatif Univariat: Pengertian

10 Menit
Data Kuantitatif Univariat: Ukuran Pemusatan Data

35 Menit
Data Kuantitatif Univariat: Ukuran Penyebaran Data

30 Menit
Data Kuantitatif Univariat: Standardisasi dan Normalisasi Data

30 Menit
Data Kuantitatif Univariat: Distribusi Data

40 Menit
Data Kuantitatif Univariat: Distribusi Probabilitas

25 Menit
Data Kategorikal Multivariat

35 Menit
Data Kuantitatif Multivariat

35 Menit
Rangkuman Data Univariat dan Multivariat

30 Menit
Kuis Data Univariat dan Multivariat

10 Menit

Dasar-Dasar Probabilitas

Mengimplementasikan algoritma Naive Bayes pada kasus klasifikasi sederhana dengan memanfaatkan probabilitas bersyarat.

9 Artikel
1 Ujian

355 menit

Konsep Dasar Probabilitas

30 Menit
Aksioma: Aturan Dasar dalam Probabilitas

25 Menit
Ruang Sampel: Semua Kemungkinan yang Bisa Terjadi

25 Menit
Kejadian: Fokus dari Perhitungan Probabilitas

45 Menit
Metode Penghitungan Probabilitas

50 Menit
Probabilitas Bersyarat dan Teorema Bayes

40 Menit
Algoritma Model Naive Bayes: Belajar dari Peluang

30 Menit
Latihan Implementasi Algoritma Naive Bayes

70 Menit
Rangkuman Dasar-Dasar Probabilitas

30 Menit
Kuis Dasar-Dasar Probabilitas

10 Menit

Distribusi Statistik

Menggunakan metode Monte Carlo berdasarkan distribusi statistik untuk berbagai skenario.

10 Artikel
1 Ujian

660 menit

Konsep Dasar Probabilitas dan Variabel Acak

35 Menit
Distribusi Probabilitas

80 Menit
Distribusi Diskret

100 Menit
Distribusi Kontinu

100 Menit
Konsep Central Limit Theorem (CLT)

70 Menit
Simulasi Probabilitas dan Metode Monte Carlo

25 Menit
Studi Kasus: Estimasi Pi dengan Metode Monte Carlo

60 Menit
Studi Kasus: Simulasi Pelemparan Dadu dengan Metode Monte Carlo

60 Menit
Studi Kasus: Estimasi Waktu Pengerjaan Proyek dengan Metode Monte Carlo

90 Menit
Rangkuman Distribusi Statistik

30 Menit
Kuis Distribusi Statistik

10 Menit

Statistik Inferensial

Memecahkan masalah tentang populasi berdasarkan sampel data menggunakan pendekatan statistik inferensial.

13 Artikel
1 Ujian

505 menit

Pengantar Statistik Inferensial

15 Menit
Estimasi Parameter Populasi: Pengantar

10 Menit
Estimasi Parameter Populasi: Mean Populasi

60 Menit
Estimasi Parameter Populasi: Proporsi Populasi

40 Menit
Konsep Dasar Uji Hipotesis

30 Menit
Metode Pengujian Hipotesis

30 Menit
Pemilihan Jenis Uji Statistik

20 Menit
Pengujian Rata-Rata dengan z-test dan t-test

45 Menit
Variasi t-Test

60 Menit
Uji ANOVA (Analysis of Variance)

60 Menit
Regresi Linear

55 Menit
Uji Non-Parametrik

40 Menit
Rangkuman Statistik Inferensial

30 Menit
Kuis Statistik Inferensial

10 Menit

Studi Kasus A/B Testing dengan Python

Memberikan rekomendasi strategi bisnis yang paling sesuai berdasarkan interpretasi hasil analisis data dan pengujian hipotesis.

6 Artikel
1 Ujian

175 menit

Pengantar Studi Kasus A/B Testing dengan Python

10 Menit
Perancangan A/B Testing

25 Menit
Implementasi A/B Testing dengan Python

40 Menit
Interpretasi Hasil dan Perumusan Keputusan

30 Menit
Implikasi terhadap Keputusan Bisnis atau Produk

30 Menit
Rangkuman Studi Kasus A/B Testing dengan Python

30 Menit
Kuis Studi Kasus A/B Testing dengan Python

10 Menit

Matematika pada Algoritma AI

Menelaah kaitan antara konsep matematika dengan algoritma AI.

19 Artikel
1 Ujian

640 menit

Pengantar Matematika pada Algoritma AI

15 Menit
Matematika dalam Computer Vision (CV)

10 Menit
Matematika dalam Computer Vision (CV): Apa Itu Computer Vision?

15 Menit
Matematika dalam Computer Vision (CV): Memahami Citra sebagai Data Numerik

10 Menit
Matematika dalam Computer Vision (CV): Analisis Fitur Citra Berbasis Statistik

90 Menit
Matematika dalam Natural Language Processing (NLP)

10 Menit
Matematika dalam Natural Language Processing (NLP): Pengenalan

10 Menit
Matematika dalam Natural Language Processing (NLP): Visualisasi Distribusi Kata dengan WordCloud

40 Menit
Matematika dalam Natural Language Processing (NLP): Representasi Frekuensi Kata (Bag-of-Words)

45 Menit
Matematika dalam Natural Language Processing (NLP): TF-IDF: Memberi Bobot Kata

80 Menit
Matematika dalam Natural Language Processing (NLP): Word Embedding

70 Menit
Matematika dalam Natural Language Processing (NLP): Cosine Similarity

40 Menit
Matematika dalam Time Series

15 Menit
Matematika dalam Time Series: Komponen Statistik Time Series

15 Menit
Matematika dalam Time Series: Stasioneritas: Asumsi Kritis untuk Inferensi

25 Menit
Matematika dalam Time Series: Mengenal ACF & PACF

15 Menit
Matematika dalam Time Series: Komponen Model ARIMA

45 Menit
Matematika dalam Time Series: Membangun Model ARIMA

70 Menit
Rangkuman Matematika pada Algoritma AI

10 Menit
Kuis Matematika pada Algoritma AI

10 Menit

Penutup

Ujian akhir yang harus ditempuh sebelum lulus dari kelas ini.

1 Artikel
1 Ujian

180 menit

Rangkuman Kelas

60 Menit
Ujian Akhir

120 Menit

Proyek Akhir

Siswa diminta untuk menyelesaikan permasalahan probabilitas dan statistika yang mencakup implementasi algoritma naive bayes dan uji hipotesis melalui program berbasis bahasa pemrograman Python.