Daftar Sekarang
Bootcamp Cohort Online

Intro to Machine Learning Bootcamp: Latih Model dan Uji Skornya dengan Jujur

Cohort online untuk Anda yang sudah pernah menulis kode dasar dan ingin membangun model prediksi sungguhan. Model itu Anda latih dengan scikit-learn, diuji dengan validasi silang, lalu diperiksa kelayakan skornya sebelum dipajang.

Daftar Konsultasi Gratis
  • Kelas online via Zoom
  • Trainer mendampingi saat praktik
  • Materi PDF per topik
  • Folder kasus simulasi
  • Sertifikat digital penyelesaian
Ilustrasi 3D pemuda berkaus merah memegang laptop di samping roda gigi biru dan merah muda, poster Intro to Machine Learning Bootcamp Cyberskill
5tahap materi berurutan
6teknik validasi yang bisa dicek
1laporan evaluasi sebagai hasil akhir

Tentang Program

Bootcamp Machine Learning yang Berakhir di Laporan Evaluasi

Intro to Machine Learning Bootcamp

Intro to Machine Learning Bootcamp adalah cohort online Cyberskill untuk satu keterampilan: melatih model machine learning dengan scikit-learn lalu menilainya secara jujur. Materinya tersusun dalam 5 tahap, dari Python dan pandas sampai metrik ROC-AUC dan pencegahan data leakage, lalu ditutup dengan laporan evaluasi yang bisa Anda tunjukkan kepada orang lain.

  • Untuk remaja akhir dan dewasa yang sudah pernah menulis variabel, perulangan, dan fungsi
  • Fokus supervised learning: klasifikasi untuk menebak kategori, regresi untuk menebak angka
  • Setiap model dibandingkan dengan baseline sederhana sebelum dianggap berhasil
  • Metrik dipilih dari harga kesalahan: accuracy, precision-recall, ROC-AUC, dan MSE
  • Audit kebocoran data dijalankan sebelum skor apa pun dilaporkan
  • Berjalan online lewat Zoom dengan materi PDF per topik dan trainer yang mendampingi praktik
Metode

Eksplorasi sampai Portfolio, Dijalankan pada Satu Dataset

Keempat tahap metode Cyberskill dijalankan pada satu dataset yang Anda pegang sejak awal bootcamp machine learning ini: Eksplorasi dan Fundamental lebih dulu, lalu Project Build, dengan Portfolio sebagai penutup. Keputusan di tahap awal ikut diuji di tahap akhir, sehingga Anda melihat sendiri akibat dari pilihan yang tergesa.

1

Eksplorasi

Titik mulainya pertanyaan prediksi, dan algoritma menunggu giliran. Apa yang ingin ditebak, dari kolom apa, dan kapan tebakan itu dipakai? Anda menjalankan EDA (exploratory data analysis, pemeriksaan data lewat ringkasan dan grafik) untuk menemukan nilai kosong, pencilan, dan kelas yang timpang.

2

Fundamental

Anda merapikan dasar yang menopang semua eksperimen: Python yang bersih, lingkungan kerja yang stabil, dan DataFrame pandas. Konsep inti diperkenalkan lewat percobaan kecil, misalnya mengapa data uji harus dipisah sebelum apa pun disentuh, dan apa artinya bila sebuah model menghafal.

3

Project Build

Anda merakit pipeline scikit-learn untuk klasifikasi atau regresi, mengukur baseline, lalu menjalankan validasi silang dan tuning hiperparameter. Trainer mendampingi saat praktik dan menanyakan hal yang sering terlewat: adakah kolom yang sebenarnya baru tercatat setelah kejadian yang ingin ditebak?

4

Portfolio

Anda menulis laporan evaluasi: metrik yang dipilih beserta alasannya, confusion matrix, kasus yang salah ditebak, dan batas pemakaian model. Notebook disusun agar bisa dijalankan ulang dari baris pertama, siap diunggah ke GitHub atau dilampirkan pada lamaran magang dan tugas akhir.

Jenjang

Empat Anak Tangga dari Kode Pertama ke Laporan Model

Jenjang di bawah menakar posisi awal dan kemajuan Anda selama bootcamp machine learning ini. Saat konsultasi, tim memakai jenjang pertama untuk memeriksa kesiapan. Selama angkatan berjalan, trainer memusatkan umpan balik pada jenjang yang sedang Anda tempuh.

  1. Pemula Terarah

    Menyalakan lingkungan kerja dan membaca data Sudah pernah menulis variabel, perulangan, dan fungsi di bahasa apa pun

    Di akhir jenjang ini Anda bisa membuka notebook di environment sendiri, memuat berkas CSV ke DataFrame, dan menjelaskan isi dataset lewat ringkasan statistik serta beberapa grafik. Pertanyaan prediksi proyek Anda sudah tertulis dalam satu kalimat.

    Virtual environment dan Jupyterpandas read_csv, info, describeGrafik eksploratif dasarPertanyaan prediksi yang bisa diuji

  2. Menengah Terbimbing

    Model pertama yang diadu dengan baseline Sudah nyaman membersihkan dan menggabungkan tabel dengan pandas

    Anda melatih satu model klasifikasi dan satu model regresi dengan scikit-learn, memisahkan data uji sebelum melatih, dan membandingkan keduanya dengan baseline. Anda sanggup menjelaskan kepada rekan mengapa skor latih yang tinggi belum membuktikan apa-apa.

    Train-test splitDummyClassifier dan DummyRegressorModel klasifikasi dan regresi dasarSkor latih versus skor uji

  3. Lanjut Mandiri

    Validasi, tuning, dan audit kebocoran Sudah pernah melatih setidaknya satu model

    Anda merakit pipeline lengkap, menjalankan validasi silang berstrata, dan melakukan tuning tanpa menyentuh test set. Audit kebocoran data Anda kerjakan sendiri pada dataset proyek, dan Anda bisa menunjukkan bukti bahwa praproses hanya belajar dari data latih.

    Pipeline dan ColumnTransformerStratifiedKFold dan GridSearchCVLearning curveChecklist data leakage

  4. Siap Portfolio

    Laporan evaluasi yang bisa dipertanggungjawabkan Sudah punya pipeline yang bisa dijalankan ulang dari awal

    Anda memilih metrik berdasarkan harga kesalahan, menetapkan ambang keputusan, dan menulis laporan evaluasi yang jujur tentang kekuatan dan kelemahan model. Repositori GitHub Anda berisi notebook bersih, README, dan catatan keterbatasan yang bisa dibaca pewawancara, dosen, atau atasan.

    Precision-recall dan ROC-AUCMSE dan RMSEPemilihan ambang keputusanREADME dan catatan keterbatasan
Materi

Materi Lima Tahap, dari Lingkungan Kerja sampai Audit Kebocoran

Modul Deskripsi Topik
M1

Tahap 1. Fondasi Machine Learning dan Cara Berpikir Data

Tahap pembuka menjelaskan di mana machine learning berguna dalam pekerjaan nyata dan di mana aturan sederhana sudah memadai. Anda memetakan alur proyek data dari pertanyaan sampai evaluasi, membahas etika dan risikonya, lalu menyiapkan lingkungan kerja Python yang stabil agar eksperimen bisa diulang dengan hasil yang sama.

Peran machine learning dalam keputusan bisnisAlur proyek data dari pertanyaan sampai evaluasiEtika, bias, dan risiko model yang keliruVirtual environment dan Jupyter NotebookMenulis pertanyaan prediksi yang bisa diuji
M2

Tahap 2. Python untuk Analisis Data

Anda menyegarkan sintaks Python yang benar-benar dipakai saat mengolah data: list, dictionary, fungsi, dan modul. Penekanannya pada kode yang rapi dan enak dibaca ulang, karena pipeline yang berantakan sulit direproduksi. Tahap ini menyegarkan dasar, jadi pengalaman menulis kode sebelumnya tetap dibutuhkan.

Struktur data list, dictionary, dan tupleFungsi yang bisa dipakai ulangMembaca pesan error dengan tenangMengelola paket di dalam environmentKebiasaan penamaan dan komentar yang jelas
M3

Tahap 3. NumPy, pandas, dan Visualisasi

Data mentah hampir tidak pernah siap pakai. Anda membersihkan nilai kosong, memperbaiki tipe kolom, menggabungkan tabel, lalu membuat grafik eksploratif untuk menemukan pola dan anomali. Keputusan di tahap ini, misalnya membuang atau mengisi baris, dicatat karena akan memengaruhi skor model nanti.

Array NumPy dan operasi vektorDataFrame pandas: seleksi, filter, groupbyMenangani nilai kosong dan pencilanMenggabungkan tabel dengan mergeHistogram, scatter plot, dan pemeriksaan korelasi
M4

Tahap 4. Supervised Learning dengan scikit-learn

Anda membangun model regresi dan klasifikasi, dimulai dari baseline lalu naik ke model yang lebih kaya. Validasi silang dan tuning hiperparameter dijalankan di dalam pipeline. Learning curve dipakai untuk membaca bias-variance trade-off, supaya performa model tetap stabil saat bertemu data yang belum pernah dilihatnya.

Regresi linear dan regresi logistikPohon keputusan dan random forestPipeline dan ColumnTransformerValidasi silang dan GridSearchCVLearning curve dan bias-variance trade-off
M5

Tahap 5. Evaluasi, Metrik, dan Data Leakage

Tahap penutup menguji kejujuran seluruh pekerjaan sebelumnya. Anda memilih metrik yang sesuai tujuan, membaca confusion matrix, dan menggeser ambang keputusan dengan sadar. Audit kebocoran data dijalankan sebelum test set dibuka, lalu seluruh temuan dirangkum dalam laporan evaluasi yang siap dipresentasikan.

Accuracy dan jebakan kelas timpangPrecision, recall, dan kurva precision-recallROC-AUC dan pemilihan ambang keputusanMSE dan RMSE untuk regresiChecklist data leakage dan validasi ketat
Urutan Materi Bootcamp

Satu Jalur, Lima Tahap, Satu Model yang Teruji

Tahap-tahap ini mengikuti lima topik materi resmi bootcamp. Urutannya dimulai dari lingkungan kerja karena setiap tahap memakai hasil tahap sebelumnya: data yang Anda bersihkan di tahap tiga adalah data yang dilatih di tahap empat dan diaudit di tahap lima.

Jalur Model Pertama sampai Laporan Evaluasi

Cohort online

Untuk: Remaja akhir dan dewasa yang sudah menulis kode dasar dan ingin membuat model prediksi dari data tabel

  1. Fondasi dan Cara Berpikir Data

    • Merumuskan pertanyaan prediksi
    • Menilai kapan machine learning dibutuhkan
    • Menyiapkan virtual environment

    Proyek yang dibangunDokumen satu halaman berisi pertanyaan prediksi, kolom target, dan risiko bila model keliru

    Notebook kosong berjalan di environment Anda sendiri tanpa error paket

  2. Python untuk Analisis Data

    • List, dictionary, dan fungsi
    • Kode yang enak dibaca ulang
    • Membaca pesan error

    Proyek yang dibangunKumpulan fungsi kecil untuk memuat dan meringkas berkas data proyek

    Fungsi yang sama menghasilkan ringkasan identik saat dijalankan ulang

  3. NumPy, pandas, dan Visualisasi

    • Membersihkan nilai kosong
    • Menggabungkan tabel
    • Grafik eksploratif

    Proyek yang dibangunNotebook EDA dengan catatan setiap keputusan pembersihan data

    Dataset bersih tersimpan beserta alasan tiap baris yang dibuang atau diisi

  4. Supervised Learning dengan scikit-learn

    • Baseline pembanding
    • Pipeline dan validasi silang
    • Tuning hiperparameter

    Proyek yang dibangunPipeline klasifikasi atau regresi yang dilatih ulang dengan satu perintah

    Skor validasi silang mengalahkan baseline, dilaporkan lengkap dengan sebarannya

  5. Evaluasi, Metrik, dan Data Leakage

    • Memilih metrik dari harga kesalahan
    • Membaca confusion matrix
    • Audit kebocoran data

    Proyek yang dibangunLaporan evaluasi berisi metrik pilihan, ambang keputusan, dan keterbatasan

    Test set dibuka satu kali dan hasilnya dilaporkan apa adanya

Dibawa ke mana Mampu melatih model klasifikasi atau regresi dan menjelaskan seberapa jauh ia bisa dipercaya Bekal untuk tugas analitik di kantor, skripsi berbasis data, atau langkah lanjut ke kursus data yang lebih panjang. Analitik bisnisRiset dan tugas akhirOperasional dan layanan pelangganPersiapan jalur data science

Lima tahap di atas menunjukkan urutan belajar. Jumlah pertemuan, durasi tiap pertemuan, dan tanggal angkatan disampaikan tim saat konsultasi.

Enam Kebiasaan Validasi

Teknik yang Menjaga Skor Model Tetap Jujur

Melatih model machine learning di scikit-learn cukup beberapa baris kode. Mutunya ditentukan oleh langkah sesudahnya. Keenam teknik berikut kami ajarkan karena masing-masing meninggalkan jejak di notebook, sehingga trainer dan Anda sendiri bisa memeriksanya ulang kapan saja.

1

Baseline sebagai Garis Start

Sebelum model sungguhan, Anda mengukur tebakan paling malas: kelas terbanyak untuk klasifikasi, rata-rata untuk regresi, memakai DummyClassifier atau DummyRegressor. Angka itu ditulis di baris teratas notebook. Model yang belum mengalahkannya dengan selisih berarti belum layak dibanggakan, secanggih apa pun algoritmanya.

2

Pipeline dan ColumnTransformer

Pengisian nilai kosong, penskalaan, dan encoding kategori dibungkus dalam satu Pipeline scikit-learn bersama modelnya. Susunan ini membuat setiap langkah praproses hanya belajar dari data latih pada tiap putaran validasi. Hasilnya bisa dicek: satu objek yang dilatih ulang dengan satu perintah.

3

Validasi Silang Berstrata

Dengan StratifiedKFold, data latih dibagi ke beberapa lipatan yang proporsi kelasnya dijaga sama. Anda melaporkan rata-rata skor sekaligus sebarannya. Sebaran yang lebar memberi tahu bahwa satu skor tunggal tadi mungkin hanya hasil pembagian data yang kebetulan menguntungkan.

4

Tuning dengan Test Set Tersegel

GridSearchCV atau RandomizedSearchCV mencari hiperparameter di dalam validasi silang, sementara test set disimpan dan dibuka sekali di akhir. Anda juga membaca learning curve untuk melihat posisi model pada bias-variance trade-off: terlalu sederhana sehingga meleset terus, atau terlalu rumit sehingga menghafal.

5

Metrik dari Harga Sebuah Kesalahan

Accuracy menyesatkan saat kelas timpang. Anda belajar memakai precision-recall ketika tebakan positif yang keliru berbiaya mahal, ROC-AUC untuk menilai kemampuan mengurutkan, dan MSE untuk regresi. Ambang keputusan digeser dengan sadar, lalu alasannya ditulis dalam satu paragraf.

6

Audit Kebocoran Data

Anda memeriksa tiga sumber data leakage yang paling sering muncul: praproses yang dikerjakan sebelum data dipisah, kolom yang baru tercatat setelah kejadian, dan baris kembar yang ada di data latih sekaligus data uji. Untuk data berurutan waktu, pembagian mengikuti kalender. Temuan audit dicatat di notebook.

Lima Pemeriksaan Sebelum Skor Dipercaya
BSL Skor baseline tercatat di notebook
CV Rata-rata dan sebaran validasi silang dilaporkan
LKG Audit kebocoran data tuntas tanpa temuan terbuka
TST Test set dibuka satu kali di akhir
RPT Keterbatasan model tertulis di laporan
Urutannya sengaja kaku. Melompati satu pemeriksaan biasanya baru terasa akibatnya ketika model bertemu data baru.
Rujukan Resmi Materi

Dokumentasi yang Kami Pakai sebagai Pegangan

Bootcamp machine learning ini berpijak pada dokumentasi resmi pustaka yang Anda pakai, karena di sanalah pembuatnya menulis praktik yang mereka sarankan. Anda dibiasakan membaca rujukan itu supaya tetap punya tempat bertanya yang andal setelah angkatan selesai. Bootcamp ini tidak dirancang sebagai persiapan ujian sertifikasi vendor mana pun; bila kelak Anda mengincar sertifikasi di bidang data atau AI, periksa silabus resminya lebih dulu.

scikit-learn

Dokumentasi resmi scikit-learn

Panduan validasi silang, metrik evaluasi, dan bagian common pitfalls tentang data leakage menjadi pegangan tahap empat dan lima.

Dokumentasi pandas dan NumPy

Rujukan tahap tiga untuk membaca, membersihkan, dan menggabungkan tabel, serta untuk mengolah array angka.

Cyberskill

Sertifikat digital penyelesaian Cyberskill

Diberikan setelah bootcamp selesai sebagai bagian dari fasilitas program.

Uji Jalur Belajar

Siapa yang Mempertanyakan Skor Model Pertama Anda?

Model pertama hampir selalu tampak hebat di layar. Cara belajar machine learning yang satu berbeda dengan yang lain terutama pada satu hal: kapan skor yang terlalu indah itu dipertanyakan, dan oleh siapa. Keempat jalur di bawah kami nilai dari sudut tersebut, termasuk keterbatasan jalur kami sendiri.

Cyberskill

Bootcamp Cyberskill

  • Data untuk latihan Folder kasus simulasi yang masih perlu dibersihkan
  • Pemeriksaan kebocoran data Diaudit sebelum test set dibuka
  • Alasan memilih metrik Ditanyakan trainer dan ditulis di laporan
  • Biaya dan waktu Cohort pendek dengan satu hasil akhir
  • Cakupan materi Supervised learning dan evaluasi saja
  • Paling pas untuk Yang ingin satu keterampilan tuntas
Alternatif

Tutorial YouTube gratis

  • Data untuk latihan Dataset contoh yang sudah rapi
  • Pemeriksaan kebocoran data Bergantung pada kreator video
  • Alasan memilih metrik Jarang ada yang bertanya
  • Biaya dan waktu Gratis, waktu bebas
  • Cakupan materi Luas tetapi melompat-lompat
  • Paling pas untuk Yang ingin mencicipi dulu
Alternatif

Kursus rekaman massal

  • Data untuk latihan Dataset bawaan kursus, jarang berantakan
  • Pemeriksaan kebocoran data Kadang dibahas sebagai teori
  • Alasan memilih metrik Kuis pilihan ganda
  • Biaya dan waktu Murah, bisa diputar ulang
  • Cakupan materi Luas dan berurutan
  • Paling pas untuk Yang disiplin belajar sendiri
Alternatif

Bootcamp data science panjang

  • Data untuk latihan Proyek beragam, sering memakai data nyata
  • Pemeriksaan kebocoran data Umumnya dibahas, kedalamannya bervariasi
  • Alasan memilih metrik Dibahas dengan mentor cohort
  • Biaya dan waktu Biaya besar dan komitmen panjang
  • Cakupan materi Paling luas, sering sampai deep learning
  • Paling pas untuk Yang siap berpindah karier penuh
Janji Proses Angkatan

Yang Kami Pegang Selama Anda Belajar Membuat Model

Hasil sebuah model bergantung pada datanya dan pada usaha Anda, jadi kami tidak menjanjikan skor tertentu, kelulusan wawancara, atau pekerjaan setelah bootcamp machine learning ini. Janji kami menyangkut cara angkatan dijalankan, dan tiga hal di bawah ini kami pegang.

Jaminan 1

Cek Kesiapan Python Tanpa Biaya

Sebelum mendaftar, Anda bisa berkonsultasi gratis lewat WhatsApp. Tim menanyakan pengalaman coding Anda dan memberi tahu terus terang bila memperkuat dasar Python lebih dulu akan lebih menguntungkan.

Jaminan 2

Umpan Balik Trainer atas Proyek Anda

Proyek akhir Anda dibaca trainer, termasuk pilihan metrik dan hasil audit kebocoran data. Catatannya menunjukkan bagian yang sudah kuat dan bagian yang masih perlu diperbaiki.

Jaminan 3

Materi Tetap Bisa Dibuka Ulang

Materi PDF per topik dan template kerja tetap bisa Anda pakai setelah bootcamp selesai, sehingga langkah validasi bisa diulang saat menangani dataset berikutnya.

Kesiapan Anda

Bekal yang Sebaiknya Sudah Ada di Meja Anda

Bootcamp berjalan per angkatan, dan tanggal mulainya ditetapkan sejak awal, sehingga pertemuan pembuka langsung terasa padat. Daftar singkat ini membantu Anda menyiapkan perangkat, bekal hitung, dan data latihan sebelum jadwal batch berjalan.

  1. Titik Periksa1

    Perangkat dan Ruang Kerja

    • Laptop dengan memori 8 GB sudah cukup untuk seluruh latihan di program ini.
    • Sediakan koneksi internet yang stabil karena sebagian eksperimen dijalankan di notebook berbasis peramban.
    • Pasang Python dan Jupyter sebelum sesi pembuka, atau siapkan akun Google Colab sebagai cadangan.
    • Buat akun GitHub kosong sekarang supaya proyek Anda punya rumah sejak hari pertama.
  2. Titik Periksa2

    Bekal Hitung dan Kode

    • Matematika tingkat sekolah menengah sudah memadai, terutama rata-rata, persentase, dan membaca grafik sederhana.
    • Kalkulus dan aljabar linear tingkat lanjut berada di luar cakupan jenjang pengantar ini.
    • Kemampuan membaca kode Python dasar mempercepat Anda, dan tahap Python untuk analisis data tetap mengulas sintaks esensialnya dari awal.
    • Kesediaan mengulang latihan yang gagal jalan adalah bekal yang paling menentukan di sini.
  3. Titik Periksa3

    Data Latihan dan Ritme Batch

    • Dataset latihan disediakan tim pengajar, jadi Anda bisa mulai tanpa berburu data sendiri.
    • Bila membawa data kantor atau kampus, pastikan izin pemakaiannya jelas dan identitas pribadi sudah dihapus.
    • Sisihkan beberapa blok waktu tetap tiap minggu selama batch berjalan agar tugas tidak menumpuk.
    • Catat tanggal mulai angkatan dan jadwal sesi mentoring di kalender Anda sebelum pertemuan pembuka.
Kosakata Notebook

Istilah yang Muncul Saat Model Dilatih dan Diuji

Istilah berikut akan Anda temui di materi PDF, di catatan trainer, dan di pesan yang dicetak scikit-learn. Tiap penjelasan ditulis sesingkat mungkin lalu diberi satu contoh pemakaian, supaya istilahnya menempel pada kejadian nyata.

Machine learning

Cara membuat komputer menemukan pola dari contoh data, lalu memakai pola itu untuk menebak kasus baru tanpa aturan yang ditulis satu per satu. Contoh: menebak pelanggan yang akan berhenti berlangganan dari riwayat transaksinya.

Supervised learning

Pembelajaran dari data yang sudah memuat jawaban benar. Bentuknya dua: klasifikasi untuk menebak kategori, seperti lolos atau tidak lolos, dan regresi untuk menebak angka, seperti jumlah penjualan bulan depan.

Fitur dan target

Fitur adalah kolom masukan yang dibaca model, misalnya usia akun dan frekuensi belanja. Target adalah kolom yang ingin ditebak. Salah menaruh kolom ke dalam fitur bisa membuka pintu kebocoran data.

scikit-learn

Pustaka Python sumber terbuka untuk machine learning klasik. Semua modelnya memakai pola yang sama, fit untuk melatih dan predict untuk menebak, sehingga mengganti algoritma cukup dengan mengubah satu baris.

DataFrame

Tabel di pandas yang tersusun dari baris dan kolom, mirip lembar kerja spreadsheet. Anda memakainya untuk memfilter, menggabungkan, dan meringkas data sebelum diserahkan ke model.

EDA

Exploratory data analysis, pemeriksaan awal data lewat ringkasan statistik dan grafik. Dari sini Anda tahu kolom yang banyak kosong, nilai yang janggal, dan kelas yang jumlahnya timpang.

Train-test split

Pemisahan sebagian data sebagai ujian akhir yang tidak disentuh selama pelatihan dan tuning. Test set yang terlalu sering diintip lama-lama ikut membentuk model, dan skornya kehilangan makna.

Cross-validation

Validasi silang. Data latih dibagi menjadi beberapa lipatan, model dilatih berulang dengan lipatan uji yang bergantian, lalu skornya dirata-rata. Sebaran skor antarlipatan menunjukkan seberapa stabil model Anda.

Hiperparameter

Setelan model yang ditentukan sebelum pelatihan, misalnya kedalaman maksimum pohon keputusan. Nilai terbaiknya dicari lewat tuning di dalam validasi silang, dengan test set tetap tersimpan.

Bias-variance trade-off

Tarik-menarik antara model yang terlalu sederhana sehingga meleset terus (underfitting) dan model yang terlalu rumit sehingga menghafal data latih (overfitting). Learning curve membantu Anda melihat model berada di sisi mana.

Data leakage

Kebocoran data, yaitu informasi yang tidak akan tersedia saat model dipakai ikut masuk ke pelatihan. Skornya tampak tinggi, lalu runtuh di data baru. Contoh: menskalakan seluruh data sebelum dipisah.

Accuracy

Proporsi tebakan benar dari seluruh tebakan. Mudah dipahami, tetapi menyesatkan saat kelas timpang: bila hampir semua transaksi normal, model yang selalu menebak normal pun terlihat sangat akurat.

Precision dan recall

Precision menjawab: dari semua tebakan positif, berapa yang benar. Recall menjawab: dari semua kasus positif, berapa yang tertangkap. Menaikkan yang satu biasanya menurunkan yang lain, jadi pilihannya mengikuti harga kesalahan.

ROC-AUC

Ukuran seberapa baik model menaruh kasus positif di atas kasus negatif pada semua ambang keputusan. Nilai 0,5 setara tebakan acak dan 1 berarti urutan sempurna. Pada kelas yang sangat timpang, kurva precision-recall sering lebih jujur.

MSE

Mean squared error, rata-rata kuadrat selisih antara prediksi dan nilai sebenarnya pada regresi. Kesalahan besar dihukum lebih berat. Akarnya, RMSE, kembali ke satuan target sehingga lebih mudah dijelaskan.

Bukti yang Bisa Dibuka

Bukti Kerja yang Tersisa Setelah Angkatan Selesai

Hasil bootcamp machine learning ini kami ukur dari hal yang bisa dibuka dan diperiksa orang lain: notebook, pipeline, dan laporan. Angka di bawah dihitung dari isi halaman ini sendiri. Kami tidak memajang angka akurasi model peserta, jumlah lulusan, atau angka penempatan kerja, karena angka seperti itu tidak bisa Anda periksa dari sini.

5 tahap materi yang ditempuh Dari lingkungan kerja sampai audit kebocoran data
6 teknik validasi yang meninggalkan jejak Baseline, pipeline, validasi silang, tuning, metrik, audit
4 jenjang untuk menakar posisi Anda Dari pemula terarah sampai siap portfolio
1 laporan evaluasi model Metrik pilihan, alasannya, dan batas pemakaian
Keunggulan

Alasan Mengambil Pengantar Machine Learning di Cyberskill

Alasan Cyberskill unggul untuk pelatihan IT dan digital di Indonesia dibanding kelas rekaman massal, bootcamp generik, atau tutorial YouTube gratis.

Keunggulan 1

Trainer Hadir Saat Tangan Anda di Keyboard

Bagian tersulit machine learning muncul ketika kode Anda sendiri berjalan dan hasilnya janggal. Di bootcamp ini trainer mendampingi langsung saat Anda praktik, jadi pertanyaan seperti mengapa skor uji jatuh jauh di bawah skor latih bisa dibahas di tempat.

Keunggulan 2

Dikurasi Khusus untuk Materi Evaluasi Model

Kami memilihkan instruktur yang dikurasi khusus untuk topik machine learning dan evaluasi model. Anda tidak perlu mencari atau menilai pengajar sendiri, dan pembahasan tetap berpusat pada scikit-learn serta praktik validasi yang diajarkan di kelima tahap.

Keunggulan 3

Folder Kasus Simulasi ala Tim Data

Latihan memakai folder kerja tim simulatif berisi kasus nyata, lengkap dengan data yang masih perlu dibersihkan. Anda terbiasa menghadapi kolom berantakan dan nilai yang hilang, kondisi yang jarang muncul di dataset contoh yang sudah dirapikan.

Keunggulan 4

Materi PDF per Topik dan Template Laporan

Setiap topik punya materi PDF yang bisa Anda buka ulang. Template proposal, slide, dan laporan membantu menyajikan hasil model dengan struktur yang rapi, sehingga waktu Anda lebih banyak dipakai untuk berpikir tentang data.

Keunggulan 5

Keterbatasan Model Ditulis Terang

Setiap proyek ditutup dengan bagian keterbatasan: data mana yang tipis, kelompok mana yang sering salah ditebak, dan kapan model sebaiknya tidak dipakai. Kebiasaan ini membuat laporan Anda lebih dipercaya pembacanya.

Keunggulan 6

Lanjutan Tersedia di Lima Modalitas

Cohort ini satu dari lima format Cyberskill. Empat sisanya ialah les privat dengan instruktur yang berkunjung ke lokasi Anda, les privat lewat video call, kelas untuk kelompok kecil, dan workshop yang menuntaskan satu topik. Bila setelah bootcamp Anda ingin mendalami data skripsi atau proyek kantor, jalur privat bisa disusun terpisah dengan jadwal yang lebih lentur.

FAQ

Yang Biasa Ditanyakan Sebelum Ikut Bootcamp Machine Learning

Matematika saya pas-pasan. Apakah itu menghalangi saya belajar machine learning?
Tidak menghalangi. Bekal yang dipakai di bootcamp ini setara matematika sekolah menengah: rata-rata, persentase, membaca grafik, dan logika dasar. Rumus di balik algoritma dijelaskan lewat intuisi dan gambar, sementara perhitungannya dikerjakan scikit-learn. Kalkulus dan aljabar linear tingkat lanjut berada di luar cakupan pengantar ini. Yang lebih menentukan adalah ketelitian membaca angka yang keluar dari model, dan kebiasaan itu dilatih di setiap tahap.
Seberapa jauh kemampuan Python yang perlu saya bawa?
Idealnya Anda sudah pernah menulis variabel, perulangan, kondisi, dan fungsi, di Python atau bahasa lain. Tahap kedua mengulas sintaks Python esensial untuk analisis data dari awal, seperti list, dictionary, dan fungsi, tetapi tempo cohort cukup cepat sehingga pengalaman menulis kode sebelumnya sangat membantu. Bila Anda belum pernah menulis kode sama sekali, sampaikan saat konsultasi. Tim akan menyarankan kelas Python dasar lebih dulu supaya bootcamp ini terasa ringan.
Apakah saya perlu laptop dengan GPU atau spesifikasi tinggi?
Tidak perlu. Model yang dipakai di bootcamp ini, seperti regresi dan pohon keputusan di scikit-learn, berjalan di prosesor biasa, dan dataset latihannya berupa tabel berukuran wajar. Laptop dengan memori 8 GB sudah cukup. GPU baru relevan untuk deep learning pada gambar atau teks dalam jumlah besar, yang berada di luar cakupan kelas ini. Google Colab di peramban bisa menjadi cadangan bila instalasi di laptop Anda bermasalah.
Banyak kursus AI bersifat umum. Di mana posisi bootcamp ini?
Kursus AI yang luas biasanya memetakan banyak bidang sekaligus: AI generatif, chatbot, pengenalan gambar, dan pemakaian alat AI untuk kerja harian. Bootcamp ini sengaja sempit. Anda mendalami satu keterampilan, yaitu membuat model supervised learning dari data tabel lalu menilainya dengan metrik dan validasi yang tepat. Kalau ingin memahami peta AI secara umum, kursus yang luas lebih cocok. Kalau ingin bisa membangun dan menguji model sendiri, di sinilah tempatnya.
Kapan angkatan berikutnya dimulai, dan seperti apa jadwalnya?
Bootcamp berjalan online lewat Zoom per angkatan. Jumlah pertemuan, durasi tiap pertemuan, dan tanggal mulai angkatan terdekat disampaikan tim saat Anda berkonsultasi lewat WhatsApp, karena angka itu mengikuti kalender yang sedang berjalan. Di luar jam kelas, siapkan waktu latihan tetap untuk mengulang notebook dan mengerjakan proyek, sebab keterampilan validasi baru menempel setelah Anda menjalankannya sendiri beberapa kali.
Apakah setelah bootcamp saya siap bekerja sebagai data scientist?
Bootcamp ini sebuah pengantar, dan kami tidak menjanjikan pekerjaan. Posisi data scientist biasanya menuntut lebih banyak: SQL, statistik yang lebih dalam, pemahaman bidang usaha, dan pengalaman proyek berulang. Yang Anda bawa pulang adalah fondasi yang jujur: satu pipeline yang bisa dijalankan ulang dan satu laporan evaluasi yang menjelaskan kekuatan serta kelemahan model. Keduanya bisa menjadi titik awal portfolio atau bahan diskusi dengan atasan.
Bolehkah saya memakai data dari kantor atau skripsi saya sendiri?
Boleh, selama izin pemakaiannya jelas dan identitas pribadi sudah dihapus. Data sendiri membuat proyek terasa lebih bermakna, sekaligus membawa masalah nyata seperti kolom yang tidak konsisten. Kalau belum punya data yang layak, folder kasus simulasi dari bootcamp sudah cukup untuk menempuh kelima tahap. Diskusikan pilihan data Anda dengan trainer di awal supaya pertanyaan prediksinya realistis.
Kenapa model bisa tampak sangat akurat padahal sebenarnya keliru?
Ada tiga penyebab yang paling sering. Pertama, data leakage: informasi dari masa depan atau dari data uji ikut masuk ke pelatihan. Kedua, kelas yang timpang, sehingga model yang selalu menebak kelas terbanyak pun terlihat akurat. Ketiga, overfitting, ketika model menghafal data latih. Data yang jelek juga menghasilkan model yang jelek, dan model bisa mewarisi bias dari datanya. Tahap lima bootcamp ini berfokus memeriksa ketiga penyebab itu sebelum skor dilaporkan.
Anak saya masih SMA dan suka coding. Apakah bootcamp ini cocok untuknya?
Bisa cocok untuk remaja akhir yang sudah lancar menulis Python dasar dan nyaman dengan matematika SMA. Materinya memakai istilah statistik dan contoh data bisnis, jadi kesiapan membaca teks teknis ikut menentukan. Sebaiknya orang tua dan calon peserta berkonsultasi bersama lebih dulu; tim akan menanyakan pengalaman coding-nya. Untuk anak yang lebih muda atau yang baru mulai, kelas coding anak di Cyberskill lebih pas sebagai langkah pertama.
Menuju Angkatan Berikutnya

Dari Chat Pertama sampai Briefing Sebelum Kelas

Alurnya pendek dan jelas. Setiap langkah punya satu tujuan, dan Anda bisa berhenti kapan saja sebelum pembayaran tanpa kewajiban apa pun.

1

Konsultasi kesiapan

Kirim pesan WhatsApp dan ceritakan pengalaman coding serta tujuan Anda. Tim menilai apakah dasar Python Anda sudah cukup dan menyampaikan jadwal angkatan terdekat.

2

Isi formulir pendaftaran

Setelah cocok, Anda mengisi formulir pendaftaran Intro to Machine Learning Bootcamp lalu menunggu konfirmasi dari tim.

3

Konfirmasi dan pembayaran

Tim mengirim rincian biaya dan cara pembayaran. Pendaftaran Anda diproses setelah pembayaran diterima.

4

Jadwal dan briefing

Anda menerima jadwal dan briefing sebelum kelas dimulai. Pakai jeda ini untuk menyiapkan Python, Jupyter, dan akun GitHub sesuai daftar kesiapan di halaman ini.

Tanya Jadwal via WhatsApp
Selanjutnya

Program Terkait

Game Development With Unity For Beginner BootcampBangun game pertama di Unity dari scene, karakter, sampai build yang bisa dimainkan.RobotikaRakit dan program robot sederhana, dari sensor dan aktuator sampai perilaku otomatis.CybersecurityKenali ancaman umum dan praktik pengamanan dasar untuk akun, perangkat, dan data kerja.Crypto Dan Blockchain TechnologyPahami cara kerja blockchain, dompet digital, dan risiko yang perlu Anda ukur sendiri.Augmented Reality ArAugmented RealityBuat pengalaman augmented reality yang menempelkan objek digital ke dunia nyata.

Siap Melatih Model Pertama dan Mengujinya dengan Benar?

Ceritakan pengalaman coding dan data yang ingin Anda olah. Tim Cyberskill membantu menilai kesiapan Anda dan memberi tahu jadwal angkatan Intro to Machine Learning Bootcamp berikutnya.

Konsultasi Gratis via WhatsApp

Konsultasi tidak mengikat. Tanyakan dulu kesiapan Python Anda sebelum memutuskan.