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 Natural Language Processing
Membahas materi dasar tentang Natural Language Processing baik dari sisi teori, sejarah, kaidah dasar hingga aplikasinya pada hari ini dan memahami aspek-aspek dasar yang
ada dalam ilmu linguistik (2 Jam Teori & Praktik).
Sesi 10: Text Preprocessing
Mempelajari ragam teknik pengolahan teks yang populer seperti tokenizing, filtering, removing stopwords, stemming dan lemmatizaton termasuk menggunakan teknik regex
untuk memproses teks (2 Jam Teori & Praktik).
Sesi 11: Frequency-Based Text Vectorization
Mengenal definisi dan konsep dari Frequency-based Text Vectorization atau Text Embeddding untuk mentransformasi sebuah teks dan mempraktikan
teknik-teknik populer seperti Count Vector, TF-IDF, Co-Occurence Matrix dan N-Gram (2 Jam Teori & Praktik).
Sesi 12: Prediction-Based Text Vectorization
Mengenal definisi dan konsep dari Prediction-based Text Vectorization atau Text Embeddding untuk mentransformasi sebuah teks dan mempraktikan
teknik-teknik populer seperti CBOW, Skip-Gram dan Word2Vec (2 Jam Teori & Praktik).
Sesi 13: POS Tagging & Named-Entity Recognition
Mempelajari proses pemberian tanda POS pada tiap teks yang ada di dalam corpus dan proses ekstraksi informasi seperti nama orang, organisasi,
lokasi dan waktu menggunakan teknik Named-Entity Recognition (NER) (2 Jam Teori & Praktik).
Sesi 14: Text Classification using RNN & LSTM
Mempelajari arsitektur Deep Learning yang didesain khusus untuk mengolah data teks atau data sequential yaitu RNN dan LSTM
juga mempraktikan arsitektur tersebut menggunakan Deep Learning Framework seperti Keras, Tensorflow dan Pytorch (2 Jam Teori & Praktik).
Sesi 15: Evaluation Metrics for NLP
Memahami beberapa metriks dasar digunakan untuk mengevaluasi performa model dalam memahami data teks seperti Accuracy, F1 Score, Confusion Matrix
hingga metriks tingkat lanjut seperti BLEU (Bilingual Evaluation Understudy), ROUGE dan Perplexity juga menerapkan metriks tersebut pada model yang
sudah dilatih (2 Jam Teori & Praktik).
Sesi 16: AI Project Management
Kamu akan bersiap untuk mengerjakan project Natural Language Processing pertama kamu dan disaat yang sama akan dibekali materi tentang konsep tatakelola
project AI, Machine Learning, Deep Learning hingga Natural Language Processing yang baik sesuai standard industri (2 Jam Teori & Praktik).
Sesi 17: NLP Project 1 (Group Discussion)
Pada sesi ini, kamu akan diminta menyelesaikan project Natural Language Processing pertama kamu yaitu Sentiment Analysis, memahami persoalan, berdiskusi juga
mengevaluasi hasil pengerjaan yang ada (2 Jam Praktik).
Sesi 18: AI Project Evaluation
Kamu akan belajar bagaimana bisa mengevaluasi project Natural Language Processing 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: NLP Project 1 (Presentation)
Pada sesi ini, kamu akan diminta menyelesaikan project Natural Language Processing pertama kamu (live coding) yaitu Text Classification, mengevaluasi
hingga mempresentasikan hasil pengerjaan kepada mentor dan peserta bootcamp lainnya (2 Jam Praktik).
