Deskripsi Kelas
Mata kuliah Machine Learning adalah mata kuliah yang mempelajari konsep, teori, dan aplikasi pembelajaran mesin dalam menyelesaikan permasalahan komputasi yang kompleks. Mata kuliah ini membahas berbagai algoritma dasar dan lanjutan dalam machine learning, teknik pengumpulan dan pengolahan data, evaluasi model, serta implementasi solusi machine learning dalam berbagai domain aplikasi. Mahasiswa akan mempelajari pendekatan supervised learning, unsupervised learning, dan reinforcement learning, serta dibekali kemampuan praktis untuk membangun, melatih, dan mengevaluasi model machine learning menggunakan berbagai tools dan library seperti Python, scikit-learn, TensorFlow, dan PyTorch. Melalui kombinasi pembelajaran teori dan praktikum, mahasiswa diharapkan mampu mengembangkan solusi cerdas berbasis data untuk memecahkan permasalahan di dunia nyata.
Apa Saja yang Akan Dipelajari?
- Pertemuan 1: Pengantar Machine Learning (konsep dasar, jenis-jenis, aplikasi, workflow, tools & library)
- Pertemuan 2: Matematika dan Statistika untuk Machine Learning (aljabar linier, statistika dasar, probabilitas, optimisasi)
- Pertemuan 3: Pengumpulan dan Preprocessing Data (EDA, data cleaning, feature engineering, normalisasi, train-test split)
- Pertemuan 4: Algoritma Regresi (linear regression, polynomial regression, ridge & lasso regression, evaluasi model)
- Pertemuan 5: Algoritma Klasifikasi (1) (logistic regression, KNN, naive bayes, evaluasi model klasifikasi)
- Pertemuan 6: Algoritma Klasifikasi (2) (decision trees, SVM, multiclass classification, imbalanced data)
- Pertemuan 7: Algoritma Clustering (k-means, hierarchical clustering, DBSCAN, evaluasi model clustering)
- Pertemuan 8: UTS (Ujian Tengah Semester) - Materi Minggu 1-7
- Pertemuan 9: Dimensionality Reduction dan Feature Selection (PCA, t-SNE, feature selection methods)
- Pertemuan 10: Model Ensemble dan Model Selection (random forest, boosting, cross-validation, hyperparameter tuning)
- Pertemuan 11: Neural Networks Dasar (perceptron, multilayer perceptron, backpropagation, activation functions)
- Pertemuan 12: Deep Learning Dasar (CNN, RNN, transfer learning)
- Pertemuan 13: Reinforcement Learning (MDP, Q-learning, deep Q-networks)
- Pertemuan 14: Isu-isu Lanjutan (interpretable ML, explainable AI, fairness, privacy & security)
- Pertemuan 15: Implementasi Solusi ML untuk Masalah Dunia Nyata (studi kasus, ML pipeline, deployment, etika)
- Pertemuan 16: UAS (Ujian Akhir Semester) - Materi Minggu 9-15
