• Memahami konsep dasar data science, AI, dan machine learning secara terstruktur.
• Melakukan eksplorasi dan analisis data menggunakan Python (pandas, matplotlib, seaborn).
• Menerapkan model machine learning dasar (supervised & unsupervised learning).
• Menyiapkan data (preprocessing, cleaning, normalization) untuk pelatihan model.
• Menggunakan tools populer seperti Jupyter Notebook, Google Colab, dan Scikit-learn.
• Mengevaluasi performa model dengan metrik dasar (accuracy, confusion matrix, dll).
• Mengembangkan mindset pemecahan masalah berbasis data.

• Pemula yang ingin memasuki bidang data science/ML
• Mahasiswa/Alumni dari jurusan non-teknik (bisnis, ekonomi, sains)
• Profesional dari fungsi bisnis (HR, marketing, finance) yang ingin memahami analitik data
• Staf IT atau programmer pemula yang ingin belajar machine learning
• Instruktur atau dosen yang ingin memperkenalkan konsep data science di kelasnya
• Startup founder atau decision-maker yang ingin memahami potensi AI/ML untuk bisnisnya

1. Introduction to Data Science & Machine Learning

• Apa itu data science, AI, dan ML?
• Use-case ML dalam kehidupan nyata (bisnis, kesehatan, transportasi, dll)
• Struktur alur kerja data science dan siklus pengembangan ML

2. Basic Python for Data Analysis

• Instalasi dan pengenalan Jupyter Notebook
• Tipe data, variabel, dan fungsi dasar
• Manipulasi data dengan Pandas (DataFrame, Series)
• Visualisasi data dengan Matplotlib & Seaborn

3. Data Preprocessing & Exploratory Data Analysis (EDA)

• Teknik pembersihan data (missing values, duplikasi)
• Data encoding dan normalization
• Identifikasi outlier dan distribusi variabel
• Korelasi dan hubungan antar fitur

4. Introduction to Supervised Learning

• Konsep supervised learning (regresi & klasifikasi)
• Algoritma dasar: Linear Regression, Decision Tree, KNN
• Train-test split dan validasi model
• Evaluasi performa: MAE, RMSE, accuracy, confusion matrix

5. Introduction to Unsupervised Learning

• Konsep unsupervised learning dan clustering
• Algoritma K-Means dan visualisasi cluster
• Studi kasus segmentasi pelanggan

6. Mini Project: From Data to Model

• Studi kasus sederhana (misal: prediksi harga rumah, deteksi churn, dll)
• End-to-end pipeline: load data → clean → model → evaluate → present
• Dokumentasi dan presentasi hasil mini project

7. Trends, Tools, and Next Steps

• Tren terbaru: AutoML, LLM, deployment, dsb
• Sumber belajar lanjutan dan komunitas data
• Perkenalan ke Kaggle dan GitHub untuk portofolio