Pertemuan 1: Pengantar Machine Learning
Konsep dasar dan ruang lingkup Machine Learning.
Sub-Topik:
- Definisi Machine Learning
- Perbedaan AI, ML, dan Deep Learning
- Contoh penerapan ML
- Workflow Machine Learning
Pertemuan 2: Data dan Preprocessing
Persiapan data sebelum pemodelan.
Sub-Topik:
- Jenis-jenis data
- Missing value handling
- Normalisasi dan standarisasi
- Split data train & test
Pertemuan 3: Supervised Learning
Pembelajaran dengan data berlabel.
Sub-Topik:
- Regresi dan Klasifikasi
- Linear Regression
- K-Nearest Neighbor
- Decision Tree
Pertemuan 4: Unsupervised Learning
Pembelajaran tanpa label.
Sub-Topik:
- Clustering
- K-Means
- Hierarchical Clustering
- Dimensionality Reduction
Pertemuan 5: Evaluasi Model
Mengukur performa model Machine Learning.
Sub-Topik:
- Confusion Matrix
- Accuracy, Precision, Recall
- Cross Validation
- Overfitting & Underfitting
Pertemuan 6: Feature Engineering
Ekstraksi dan seleksi fitur.
Sub-Topik:
- Feature Selection
- Feature Extraction
- PCA
- Encoding data kategorikal
Pertemuan 7: Ensemble Learning
Menggabungkan beberapa model.
Sub-Topik:
- Bagging
- Boosting
- Random Forest
- AdaBoost
Pertemuan 8: Deep Learning Dasar
Pengenalan Neural Network.
Sub-Topik:
- Artificial Neural Network
- Activation Function
- Backpropagation
- Studi kasus sederhana
Pertemuan 9: Implementasi Machine Learning
Implementasi ML menggunakan Python.
Sub-Topik:
- Scikit-Learn
- Pipeline ML
- Studi kasus dataset
- Evaluasi hasil
Pertemuan 10: Etika dan Tren Machine Learning
Isu etika dan perkembangan ML.
Sub-Topik:
- Bias dan fairness
- Explainable AI
- Tren industri ML
- Studi kasus nyata