Sesi 1: Intro to AI, Machine Learning & Deep Learning
Membahas materi dasar tentang AI, Machine Learning & Deep Learning baik dari definisi, sejarah, kaidah dasar, perbedaan dan penerapannya di industri
pada hari ini termasuk ragam istilah penting seperti dataset, underfiting dan overfiting (2 Jam Teori & Praktik).
Sesi 2: Linear & Logistic Regression
Mempelajari dan menerapkan algoritma Machine Learning dasar dan utama yaitu Linear Regression & Logistic Regression baik dari teori dan praktiknya
menggunakan dataset yang tersedia (2 Jam Teori & Praktik).
Sesi 3: Random Forest & Ensemble Learning
Mempelajari dan menerapkan algoritma Machine Learning yang populer digunakan di industri pada hari ini yaitu Random Forest dan kaidah teknik
Ensemble Learning termasuk menguji algoritma tersebut pada dataset yang ada (2 Jam Teori & Praktik).
Sesi 4: Clustering Algorithm
Mempelajari dan menerapkan algoritma unsupervised learning yang populer dengan pendekatan teknik clustering yaitu K-Means, Hiearchical Clustering & DBSCAN
termasuk menguji algoritma tersebut pada dataset yang ada (2 Jam Teori & Praktik).
Sesi 5: Fundamental Deep Learning
Mengenal dasar-dasar dari algoritma Deep Learning, kelebihan dan kekurangannya, serta memahami alasan mengapa algoritma Deep Learning menjadi
sangat populer digunakan untuk bisa menangani banyak permasalahan rumit di industri (2 Jam Teori & Praktik).
Sesi 6: Deep Dive into Deep Learning (Feedforward)
Mempelajari secara mendalam bagaimana algoritma Deep Learning bekerja pada proses feedforward dengan mengenali konsep-konsep penting seperti
Epoch, Batch Size dan Activation Function (2 Jam Teori & Praktik).
Sesi 7: Deep Dive into Deep Learning (Backward)
Mempelajari secara mendalam bagaimana algoritma Deep Learning belajar dari data dalam jumlah besar pada proses backpropagation dengan mengenali
konsep-konsep penting seperti Loss Function, Learning Rate dan Optimizers (2 Jam Teori & Praktik).
Sesi 8: Deep Learning Model Evaluation & Improvement
Mempelajari ragam metode mengevaluasi performa model dan teknik-teknik yang bisa dilakukan untuk meningkatkan performa dari algoritma Deep Learning baik dari
sisi data maupun algoritma (2 Jam Teori & Praktik).
Sesi 9: Intro to Computer Vision
Membahas materi dasar tentang Computer Vision baik dari sisi teori, sejarah, kaidah dasar hingga aplikasinya pada hari ini juga mencoba mempraktikan teknik-teknik
dasar manipulasi gambar dengan pendekatan image processing menggunakan OpenCV (2 Jam Teori & Praktik).
Sesi 10: Convolutional Neural Network (Feedforward)
Mempelajari konsep penting pada proses pengolahan data visual (gambar, video) dengan metode Deep Learning yaitu Feedforward dengan mengenali
konsep-konsep penting seperti filter, convolution, stide, padding, pooling dan lain sebagainya (2 Jam Teori & Praktik).
Sesi 11: Convolutional Neural Network (Backward)
Mempelajari secara mendalam bagaimana algoritma CNN belajar dari data visual (gambar, video) dalam jumlah besar pada proses backpropagation
yang terjadi pada setiap filter (2 Jam Teori & Praktik).
Sesi 12: Object Classification using AlexNet & VGG
Mempelajari arsitektur Deep Learning yang populer untuk mengolah data visual (gambar) yaitu AlexNet & VGG dan mempraktikan arsitektur tersebut
menggunakan Deep Learning Framework seperti Keras, Tensorflow dan Pytorch (2 Jam Teori & Praktik).
Sesi 13: Object Classification using ResNet
Mempelajari arsitektur Deep Learning yang rumit dan memiliki performa sangat baik untuk mengolah data visual (gambar) yaitu ResNet dan
mempraktikan arsitektur tersebut menggunakan Deep Learning Framework seperti Keras, Tensorflow dan Pytorch (2 Jam Teori & Praktik).
Sesi 14: Object Classification using GoogleNet
Mempelajari arsitektur Deep Learning yang rumit dan memiliki performa sangat baik untuk mengolah data visual (gambar) yaitu GoogleNet dan
mempraktikan arsitektur tersebut menggunakan Deep Learning Framework seperti Keras, Tensorflow dan Pytorch (2 Jam Teori & Praktik).
Sesi 15: Transfer Learning & Finetuning
Mempelajari konsep penting dalam penerapan algoritma Deep Learning untuk persoalan Computer Vision yaitu Transfer Learning & Finetuning dan
mempraktikan bagaimana teknik ini bekerja pada algoritma VGG, ResNet & GoogleNet menggunakan Deep Learning Framework seperti Keras, Tensorflow
dan Pytorch (2 Jam Teori & Praktik).
Sesi 16: AI Project Management
Kamu akan bersiap untuk mengerjakan project Computer Vision pertama kamu dan disaat yang sama akan dibekali materi tentang konsep tatakelola
project AI, Machine Learning, Deep Learning hingga Computer Vision yang baik sesuai standard industri (2 Jam Teori & Praktik).
Sesi 17: CV Project 1 (Group Discussion)
Pada sesi ini, kamu akan diminta menyelesaikan project Computer Vision pertama kamu yaitu Face Recognition, memahami persoalan, berdiskusi juga
mengevaluasi hasil pengerjaan yang ada (2 Jam Praktik).
Sesi 18: AI Project Evaluation
Kamu akan belajar bagaimana bisa mengevaluasi project Computer Vision yang sudah ditangani mulai dari aspek teknis dan manajemen, hingga teknik
mempresentasikan hasil project tersebut kepada pihak-pihak terkait seperti Project Manger, C-Level hingga Client (2 Jam Teori & Praktik).
Sesi 19: CV Project 1 (Presentation)
Pada sesi ini, kamu akan diminta menyelesaikan project Computer Vision pertama kamu (live coding) yaitu Face Recognition, mengevaluasi hingga
mempresentasikan hasil pengerjaan kepada mentor dan peserta bootcamp lainnya (2 Jam Praktik).
