Memuat halaman
Sedang menyiapkan konten...
Halaman akan tampil secara cepat setelah data dimuat dari server.
Sedang berlangsungIkuti Kelas
PROGRAM PILIHAN
Short Course: Basic Machine Learning
Probabilitas dan Statistical ML
Sesi belajar intensif mingguan yang dipilih langsung oleh komunitas Kelas Terbuka. Kursus ini dirancang khusus untuk membedah fundamental Machine Learning dari nol—bukan sekadar menghafal sintaks atau copy-paste kode, tapi benar-benar memahami matematika dan logika di balik algoritma AI.
Tentang program ini
Selama 7 sesi, perjalanan belajar akan dibagi menjadi beberapa fase krusial: • Pondasi Data & Statistik: Membedah Exploratory Data Analysis (EDA), statistik deskriptif vs inferensial, serta cara mendeteksi dan menangani outliers agar model tidak menghasilkan prediksi yang bias. • Probabilitas & Klasifikasi: Membangun pola pikir probabilistik dengan Teorema Bayes, hingga implementasi algoritma Naive Bayes untuk kasus klasifikasi teks. • Pemodelan Prediktif (Regresi): Mengupas tuntas Simple & Multiple Linear Regression untuk menebak tren masa depan (forecasting), lengkap dengan otomatisasi workflow data kotor menggunakan scikit-learn Pipeline dan ColumnTransformer. • Logika Bercabang & Evaluasi: Menyelesaikan masalah data non-linear dengan Decision Tree, sekaligus memahami jebakan Overfitting dan cara menghindarinya.
Kursus ini adalah gerbang wajib bagi pemula yang ingin membangun fondasi matematis yang kokoh sebelum terjun ke kompleksitas Neural Networks dan Deep Learning. Setiap sesi dieksekusi dengan gaya khas Kelas Terbuka: santai, live coding menggunakan Python (Pandas, Seaborn, scikit-learn), studi kasus nyata, dan interaksi langsung secara real-time.
7 sesi pembelajaranOnline bersama komunitas
Materi & Rekaman
Perjalanan Belajar
Pilih sesi untuk melihat detailnya.
Sesi 1: Statistik, Data Preprocessing & Exploratory Data Analysis (EDA)Kamis, 28 Nov 2025Selesai
Video ini adalah sesi pembuka (Part 1) dari seri belajar Machine Learning. Fokus utamanya bukan langsung coding model yang rumit, melainkan membangun pondasi: memahami roadmap belajar, pentingnya statistik, dan melakukan bedah data (Exploratory Data Analysis) agar model yang dibuat tidak bias atau salah prediksi.
Sesi 2: Statistik Deskriptif dan InferensialKamis, 19 Des 2025Selesai
Video ini membedah perbedaan mendasar antara statistik deskriptif dan inferensial. Sesi ini berfokus pada cara menganalisis sampel data (menggunakan ukuran seperti mean, median, modus, dan standar deviasi) dan memahami bagaimana data yang memiliki outliers atau skewness dapat menyebabkan bias yang fatal pada model machine learning. Praktik visualisasi distribusi data yang akurat juga dilakukan menggunakan pustaka Pandas dan Seaborn di Python.
Sesi 3: Probabilitas & Statistik: Dari Aturan Dasar hingga Teorema BayesianKamis, 8 Januari 2026Selesai
Video ini adalah kelanjutan (Part 3) dari seri pembelajaran statistik. Jika Part 2 membahas statistik deskriptif (masa lalu/data yang sudah ada), sesi ini beralih ke Probabilitas (masa depan/kemungkinan), yang menjadi fondasi utama dalam pengambilan keputusan di Machine Learning dan Artificial Intelligence.
Sesi 4: Naive Bayes in Action: From Probability Theory to Text ClassificationKamis, 29 Januari 2026Selesai
Video ini adalah sesi praktik (hands-on) dari teori probabilitas yang dibahas di Day 3. Jika sebelumnya banyak membahas teori dan rumus, Day 4 ini fokus pada implementasi koding menggunakan Python (library scikit-learn) untuk membuktikan bagaimana teori probabilitas (Bayesian) bekerja dalam Machine Learning, khususnya untuk kasus Klasifikasi Teks.
Sesi 5: Linear Regression: Fondasi Awal Memprediksi Masa DepanKamis, 5 Februari 2026Selesai
Video ini ngebahas Regresi Linear, yaitu metode Machine Learning klasik untuk mencari hubungan antara variabel penyebab dan akibat menggunakan persamaan matematis. Sesi ini mengupas tuntas konsep dasar penarikan "garis lurus" prediksi, beserta praktik perhitungannya secara manual di Spreadsheet dan koding otomatis menggunakan Python (scikit-learn).
Sesi 6: Multiple Regression & Otomatisasi Workflow dengan PipelineKamis, 9 Apr 2026Selesai
Menaikkan level dari regresi sederhana ke Multiple Regression, di mana model memprediksi target berdasarkan banyak variabel sekaligus. Sesi ini tidak hanya membahas analisis penjualan menggunakan anggaran multikanal, tetapi juga membedah dataset Titanic untuk menangani data kosong (missing values) dan data kategorikal. Puncaknya, video ini mendemonstrasikan cara membangun Pipeline dan ColumnTransformer di scikit-learn untuk mengotomatisasi proses imputasi, scaling, encoding, hingga training model dalam satu alur yang rapi.
Sesi 7: Memahami Decision Tree & Bahaya OverfittingKamis, 30 Apr 2026Selesai
Video ini membahas limitasi Regresi Linear saat dihadapkan pada data yang memiliki pola terputus atau non-linear, seperti perbedaan harga rumah yang drastis karena terpisahkan oleh sungai. Sebagai solusinya, sesi ini mengenalkan algoritma Decision Tree yang bekerja dengan memecah data menjadi cabang-cabang keputusan. Praktik dilakukan menggunakan DecisionTreeRegressor dari scikit-learn untuk melihat langsung bagaimana parameter kedalaman pohon (max_depth) mempengaruhi bentuk prediksi dan akurasi model.