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: Fundamental Time Series
Membahas konsep dasar dan terkait analisis data time series dalam konteks machine learning. Peserta akan memahami prinsip dasar time series, seperti bagaimana data disusun secara temporal dan bagaimana tren, musiman, dan pola lainnya dapat diidentifikasi (2 Jam Teori & Praktik).
Sesi 10: Feature Engineering for Time Series
Mempelajari beragam teknik feature engineering seperti penambahan, transformasi, dan pemilihan fitur yang relevan untuk meningkatkan kemampuan prediktif model time series dan mengoptimalkan representasi data untuk meningkatkan akurasi prediksi (2 Jam Teori & Praktik).
Sesi 11: Time Series Modeling (Fundamental ARIMA)
Mempelajari fundamental dari algoritma pemodelan yang populer digunakan untuk data time series yaitu ARIMA (AutoRegressive Integrated Moving Average) yang merupakan pendekatan klasik yang sangat efektif untuk memodelkan data time series (2 Jam Teori & Praktik).
Sesi 12: Time Series Modeling (Deep Dive into ARIMA)
Mempelajari konsep-konsep yang lebih jauh dari algoritma pemodelan ARIMA seperti melakukan uji diagnostik untuk memerika asumsi model, peningkatan akurasi model berdasarkan hasil uji diagnostik, penanganan outlier dan anomali, integrasi model dan lain sebagainya (2 Jam Teori & Praktik).
Sesi 13: Time Series Modeling (Fundamental LSTM)
Membahas dasar-dasar pemodelan time series dengan menggunakan algoritma Long Short-Term Memory (LSTM) sebagai sebuah jenis arsitektur neural network yang mampu menangani data-data sekuensial yang sesuai untuk kebutuhan analisis dan prediksi time series (2 Jam Teori & Praktik).
Sesi 14: Time Series Modeling (Deep Dive into LSTM)
Melakukan pembahasan lebih mendalam ke terkait LSTM untuk pemodelan time series. memahami tentang arsitektur LSTM, teknik peningkatan performa, dan interpretasi hasil prediksi dari model LSTM (2 Jam Teori & Praktik).
Sesi 15: Time Series Evaluation
Mempelajari bagaimana proses mengevaluasi model dalam konteks time series dan mencoba menggunakan beragam metrik evaluasi khusus untuk penilaian kinerja model time series, strategi uji diagnostik, dan penerapan praktis dalam memastikan kualitas model-model prediksi yang dibangun (2 Jam Teori & Praktik).
Sesi 16: AI Project Management
Kamu akan bersiap untuk mengerjakan project Machine Learning pertama kamu dan disaat yang sama akan dibekali materi tentang konsep tatakelola
project AI, Machine Learning, Deep Learning hingga Machine Learning yang baik sesuai standard industri (2 Jam Teori & Praktik).
Sesi 17: ML Project 1 (Group Discussion)
Pada sesi ini, kamu akan diminta menyelesaikan project Machine Learning pertama kamu yaitu Sales Forecasting, memahami persoalan, berdiskusi juga
mengevaluasi hasil pengerjaan yang ada (2 Jam Praktik).
Sesi 18: AI Project Evaluation
Kamu akan belajar bagaimana bisa mengevaluasi project Machine Learning 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: ML Project 1 (Presentation)
Pada sesi ini, kamu akan diminta menyelesaikan project Machine Learning pertama kamu (live coding) yaitu Sales Forecasting, mengevaluasi hingga
mempresentasikan hasil pengerjaan kepada mentor dan peserta bootcamp lainnya (2 Jam Praktik).
