Silabus Kursus Pembelajaran Mesin: Kursus ML & AI Terbaik Untuk Peningkatan Keterampilan

Kursus PG Diploma oleh upGrad adalah salah satu yang paling komprehensif. Ini mencakup semua pengetahuan tentang keterampilan, konsep, dan alat yang dibutuhkan dalam industri saat ini.

Silabus dirancang untuk membuat industri Anda siap dan menguasai wawancara dengan mudah.

Mari kita membahas silabus lengkap untuk detail mendalam tentang cakupan "Program PG Eksekutif dalam Pembelajaran Mesin dan AI" kami.

Kursus ini dibagi menjadi 8 bagian utama:

1. Kit Alat Ilmu Data
2. Statistik & Analisis Data Eksplorasi
3. Pembelajaran Mesin-1
4. Pembelajaran Mesin-2
5. Pemrosesan Bahasa Alami
6. Pembelajaran Mendalam
7. Pembelajaran Penguatan
8. Deployment dan Proyek Capstone

Kit Alat Ilmu Data

Bagian ini adalah kursus pra-persiapan yang penting untuk memulai perjalanan Ilmu Data dan Pembelajaran Mesin. Persyaratan utama adalah Python, SQL dan Excel juga sampai batas tertentu.

Bagian ini dibagi menjadi 6 modul di bawah ini:

Pengantar Python: Modul ini mencakup topik inti Python dengan asumsi tidak ada pengetahuan sebelumnya. Memahami struktur Python, Struktur Data seperti daftar, tupel, kamus, dll tercakup.

Python untuk Ilmu Data: 2 pustaka Python yang paling penting – NumPy dan Pandas dibahas secara mendalam. NumPy dan Pandas sangat penting untuk Analisis Data, pembersihan, dan sebagian besar pekerjaan inti Ilmu Data.

Matematika untuk Pembelajaran Mesin: Aljabar Linier, Matriks, Kalkulus Multi-Variabel, dan Vektor dibahas dalam modul ini. Topik-topik ini merupakan prasyarat untuk memahami cara kerja algoritme ML.

Visualisasi Data dengan Python: Modul ini mencakup dinamika plotting grafik dan tren menggunakan Python.

• Analisis Data menggunakan SQL: SQL adalah inti dari Analisis dan Rekayasa Data. Modul ini mencakup dasar-dasar SQL seperti fungsi, klausa, kueri, dan gabungan.

1. SQL Lanjutan: Modul ini mencakup topik yang lebih canggih seperti desain Basis data, fungsi Jendela, Pengoptimalan Kueri, dll.

Statistik & Analisis Data Eksplorasi

Statistik dan Data berjalan beriringan. Sebagian besar Analisis Data menjalankan analisis statistik di bawah tenda yang kemudian dapat dieksplorasi lebih lanjut untuk mendapatkan hasil yang signifikan.

Bagian ini mencakup di bawah 6 modul:

1. Pemecahan Masalah Analitik: Modul ini mencakup kerangka kerja CRISP-DM untuk ikhtisar proyek Pembelajaran Mesin mulai dari pemahaman bisnis hingga penerapan.
2. Penugasan Investasi: Tugas Analisis Data sebagai karyawan perusahaan perbankan investasi.
3. Statistik Inferensial: Modul ini mencakup konsep statistik yang paling penting seperti Probabilitas, Distribusi Probabilitas, dan Teorema Batas Pusat.
4. Pengujian Hipotesis: Apa, mengapa dan bagaimana Pengujian Hipotesis tercakup dalam modul ini. P-Value, berbagai jenis tes dan implementasi dengan Python.
5. Analisis Data Eksplorasi: EDA mengeluarkan informasi dari Data. Modul ini mencakup Pembersihan Data, analisis Univariat/Bivariat, dan metrik turunan untuk ML.
6. Proyek Kelompok: Studi Kasus Klub Peminjaman untuk mengetahui nasabah mana yang berisiko gagal bayar pinjaman.

Pelajari sertifikasi pembelajaran mesin dari Universitas top dunia. Dapatkan Master, PGP Eksekutif, atau Program Sertifikat Tingkat Lanjut untuk mempercepat karier Anda.

Pembelajaran Mesin-1

Bagian ini mencakup dasar-dasar Machine Learning dan beberapa algoritma. Sangat penting untuk memiliki pengetahuan yang komprehensif tentang ini sebelum menyelam ke topik yang lebih maju.

Ini terdiri dari 5 modul:

1. Regresi Linier: Modul ini mencakup dasar-dasar regresi linier, asumsi, batasan, dan aplikasi industri.
2. Penilaian Regresi Linier: Tugas prediksi harga mobil.
3. Regresi Logistik: Regresi Logistik Univariat dan Multivariat untuk klasifikasi ML. Implementasi dalam Python, metrik evaluasi, dan aplikasi industri tercakup.
4. Naive Bayes: Salah satu algoritma klasifikasi termudah dan paling efektif. Modul ini mencakup dasar-dasar Teorema Bayes, pengklasifikasi Naive Bayes, dan implementasi dalam pengklasifikasi Spam-Ham.
5. Pemilihan Model: Modul ini mencakup pemilihan model, Bias-Variance Tradeoff, Hyperparameter Tuning dan Cross-Validation yang diperlukan untuk menyelesaikan model ML terbaik.

Pembelajaran Mesin-2

Bagian ini mencakup topik Machine Learning yang lebih canggih. Ini terdiri dari berbagai jenis algoritma yang diawasi dan tidak diawasi.

8 modul yang dibahas adalah:

1. Regresi Tingkat Lanjut: Modul ini memperkenalkan teknik Regresi Linier Umum dan Regresi Teratur seperti Ridge dan Lasso.
2. Support Vector Machine (Opsional): Modul ini mencakup algoritma SVM, cara kerjanya, kernel, dan implementasinya.
3. Model Pohon: Dasar-dasar model Pohon, strukturnya, teknik membelah, pemangkasan dan ansambel untuk membentuk Hutan Acak dibahas di sini.
4. Pemilihan Model-Pertimbangan Praktis: Modul ini memberikan praktik penggunaan teknik pemilihan model untuk memilih model terbaik.
5. Meningkatkan: Apa itu pembelajar yang lemah dan pembelajar string, dan bagaimana mereka bisa digabungkan untuk membentuk model yang hebat. Berbagai teknik Meningkatkan dibahas di sini.
6. Unsupervised Learning-Clustering: Modul ini memperkenalkan Clustering, jenis dan implementasinya dari awal.
7. Analisis Komponen Utama Pembelajaran Tanpa Pengawasan: Ini mencakup dasar-dasar PCA, cara kerja, dan implementasinya dengan Python.
8. Studi Kasus Telecom Churn: Studi Kasus untuk memprediksi Customer Churn untuk operator telekomunikasi.

Pemrosesan Bahasa Alami

Natural Language Processing (NLP) sendiri merupakan bidang yang sangat besar. Di bagian NLP ini, semua blok bangunan penanganan data teks tercakup bersama dengan chatbots.

5 modul yang disertakan adalah:

1. Pemrosesan Lexical: Modul ini mencakup dasar-dasar NLP seperti pengkodean teks, Ekspresi Reguler, teknik pemrosesan teks, dan teknik leksikal lanjutan seperti Fonetik Hashing.
2. Pemrosesan Sintaksis: Modul ini mencakup dasar-dasar Pemrosesan Sintaksis, berbagai jenis penguraian teks, Ekstraksi Informasi, dan Bidang Acak Bersyarat.
3. Syntactic Processing-Assignment: Menerapkan Syntactic processing untuk memahami struktur gramatikal teks.
4. Pemrosesan Semantik: Modul ini memperkenalkan Pemrosesan Semantik, vektor Word dan embeddings, teknik Pemodelan Topik diikuti dengan studi kasus.
5. Membangun Chatbots dengan Rasa: Modul ini mencakup alat terpanas untuk pengembangan chatbot beserta implementasinya.

Pembelajaran Mendalam

Deep Learning banyak digunakan di industri dalam banyak aplikasi canggih untuk berbagai jenis data. Pada bagian ini, semua jenis Neural Network dibahas beserta implementasinya.

5 modul yang dibahas adalah:

1. Pengenalan Neural Networks: Modul ini mencakup dasar-dasar Neural Networks, fungsi aktivasi dan jaringan Feed Forward.
2. Convolutional Neural Network-Industry Applications: Modul ini mencakup secara rinci CNN, strukturnya, lapisan dan cara kerjanya. Ini juga mencakup berbagai model Pembelajaran Transfer, Transfer Gaya dan Pra-pemrosesan data data gambar diikuti dengan studi kasus.
3. Neural Networks-Assignment: Sebuah studi kasus berbasis CNN.
4. Jaringan Saraf Berulang: Modul ini mencakup jenis jaringan saraf lain yang khusus digunakan untuk data berbasis urutan – RNN dan LSTM beserta implementasinya.
5. Proyek Neural Networks: Dalam modul ini, Anda akan melakukan proyek Pengenalan Gerakan menggunakan tumpukan jaringan CNN dan RNN.

Pembelajaran Penguatan

Di bagian ini, kami memperkenalkan Anda ke jenis lain dari Pembelajaran Mesin – Pembelajaran Penguatan. Anda akan mempelajari dasar-dasarnya termasuk pembelajaran penguatan klasik serta Pembelajaran Penguatan Mendalam.

Bagian ini mencakup 4 modul di bawah ini:

1. Pembelajaran Penguatan Klasik: Modul ini mencakup dasar-dasar RL seperti Proses Keputusan Markov, Persamaan RL serta Metode Monte Carlo.
2. Pembelajaran Penguatan Tugas-Klasik: Sebuah tugas tic-tac-toe menggunakan RL.
3. Pembelajaran Penguatan Mendalam: Dalam modul ini, kita akan mempelajari Deep Q Networks, arsitektur dan implementasinya. Ini juga mencakup topik yang lebih maju seperti Metode Gradien Kebijakan dan Metode Kritik Aktor.
4. Proyek Pembelajaran Penguatan: Tugas yang harus dilakukan menggunakan arsitektur RL.

Proyek batu penjuru

Pada bagian ini, Anda akan membuat proyek batu penjuru akhir Anda menggunakan semua pengetahuan yang diperoleh sejauh ini.

Bagian ini dibagi menjadi 2 modul:

1. Deployment: Modul ini mencakup tahap selanjutnya dari proyek Machine Learning di mana Anda akan mempelajari dasar-dasar penerapan di cloud dan PaaS, serta pipeline CI/CD dan dasar-dasar Docker.
2. Capstone: Proyek batu penjuru terakhir untuk membuat resume dan portofolio Anda meroket.

Sebelum kamu pergi

Program ini mencakup semua dasar yang diperlukan dan alat serta keterampilan lanjutan untuk memasuki Industri Ilmu Data dan Pembelajaran Mesin. Anda akan melalui cukup banyak praktik dan proyek untuk memastikan Anda telah belajar dengan baik.

Dengan semua keterampilan yang dipelajari, Anda juga bisa aktif di platform kompetitif lainnya untuk menguji keterampilan Anda dan mendapatkan lebih banyak lagi praktik langsung.