Deskripsi Pelatihan
Pelatihan ini dirancang untuk memberikan pengenalan menyeluruh dan praktis kepada peserta yang baru memulai di bidang data science dan machine learning (ML). Fokus pelatihan adalah membangun pemahaman konsep, kemampuan analisis data, serta praktik dasar pemodelan machine learning dengan alat dan bahasa pemrograman yang mudah diakses. Pelatihan ini menggabungkan materi interaktif, studi kasus nyata, dan latihan langsung menggunakan Python dan Jupyter Notebook, sehingga peserta dapat langsung mencoba dan melihat hasil dari algoritma yang digunakan.
Tujuan
- 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.
Target Peserta
- 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
Silabus
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
Fasilitas
- Modul pelatihan dan seminar KIT
- Makan siang dan rehat kopi.
