Berikut beberapa materi Coding dan Kecerdasan Artificial (KA)
1.Introduction to
Artificial Intelligence: AI Foundation Module
Daftar Isi
A. Pengenalan dan Sejarah AI (3)
B. Prinsip Dasar AI (5)
C. Apa Itu Artificial Intelligence (7)
D. Cakupan AI (9)
E. Aplikasi dari Data Science, Computer Vision, NLP, dan Reinforcement Learning
■ Aplikasi Data Science (11)
■ Aplikasi Computer Vision (12)
■ Aplikasi Natural Language Processing (14)
■ Aplikasi Reinforcement Learning (15)
F. Apa itu Machine Learning (20)
G. Mengapa Machine Learning (21)
H. Aplikasi Machine Learning (22)
I. AI Life Cycle (24)
■ Definisi Masalah (25)
■ Proses Pengumpulan Data (26)
■ Pembuatan Model AI (26)
■ Validasi dan Evaluasi Model (27)
■ Model Deployment (27)
■ Tahap Improvement (28)
J. Kesimpulan (29)
K. Tugas Individual (30)
2a. Python Foundation:
Basic understanding about Python
A. Pengenalan Python (3)
■ Apa Itu Python? (3)
■ Sejarah Python (4)
■ Aplikasi Python (5)
■ Perbandingan “Hello World” dalam 5 Bahasa Pemrograman (6)
B. Intermezzo : Python untuk Data Science dan Machine Learning (8)
C. Basic Python (9)
■ Aturan Penulisan pada Python (9)
■ Variabel Python (11)
■ Tipe Data Python (13)
■ Module & Package Python (16)
■ Arithmetic Operators Python (17)
D. Programming Control Flow (18)
■ Control Flow (18)
■ Flow Chart Diagram (18)
■ Python Programming 1 : Condition (19)
■ Python Programming 2 : Loop (23)
E. Membuat Fungsi (28)
■ Function pada Python (28)
■ Struktur Function pada Python (29)
■ Input pada Function (30)
■ Tipe Variabel (36)
F. Python Library (39)
■ Pengenalan Library (39)
■ Apa itu Numpy? (40)
■ Apa itu Pandas? (66)
G. Kesimpulan (86)
H. Tugas Individual (87)
2b. Hands-On Python
Foundation: Example of Python Programming
A. Pengenalan Python (3)
■ Google Colaboratory? (3)
■ Code Cell (3)
■ Grafik dan Gambar (6)
■ Text Cells (7)
B. Python Foundation (10)
■ Menjalankan Python dengan IDE (10)
■ Basic Python (11)
C. Data Type : Numerik (37)
D. Data Type : String (39)
E. Data Type : List (52)
F. Data Type : Tuple (58)
G. Data Type : Dictionary (62)
H. Function (66)
I. Membaca Input pada Python (72)
J. Numpy (73)
K. Pandas (84)
3. Data Science :
Introduction to Data Science
A. Pengenalan Data Science (3)
■ Apa itu Data Science (3)
■ Mengapa Data Science Dibutuhkan (5)
■ Ruang Lingkup Bidang Data (7)
■ Apa saja skill yang harus dimiliki oleh Data Scientist (11)
■ Apa itu Metodologi Data Science? (11)
■ Analisa dengan Pandas (15)
B. Data Preprocessing (33)
■ Apa itu Data Preprocessing? (33)
■ Label dan Feature (34)
■ Jenis - jenis Fitur (35)
■ Evaluasi Kualitas Data (36)
■ Normalization dan Standardization (40)
■ Feature Encoder (41)
■ Imbalance Data (45)
C. Data Visualization (46)
■ Apa itu Data Visualization? (46)
■ Matplotlib (51)
D. Data Storytelling (54)
■ Apa itu Data Storytelling? (54)
■ Apa itu Business Intelligence (55)
E. Data Modelling (56)
■ Apa itu Data Modelling? (56)
■ Feature Extraction (57)
■ Feature Extraction VS Feature Selection (57)
■ Feature Selection Method (58)
F. Kesimpulan (59)
G. Tugas Individual (60)
4a. Machine Learning :
Introduction to Big Data and Machine Learning
A. Data Sebagai Basis dari ML
■ Apa Itu Data? (3)
■ Apa Itu Big Data? (7)
■ AI dan Big Data (8)
B. Machine Learning (13)
■ Apa itu Machine Learning? (13)
■ Mengapa Machine Learning? (13)
■ Machine Learning VS Traditional Programming (14)
■ Tahapan Machine Learning (14)
■ Scikit-Learn (15)
■ Tipe - Tipe Machine Learning (16)
● Supervised Learning (16)
● Unsupervised Learning (17)
● Reinforcement Learning (17)
■ Deep Learning (18)
■ Kesimpulan (19)
■ Tugas Individual (20)
4b. Machine Learning :
Supervised Learning
A. Supervised Learning (4)
■ Teori (4)
■ Train Data dan Test Data (10)
■ Konsep Model (11)
■ Evaluasi Sebuah Model (14)
● Evaluasi untuk Regression (14)
○ Mean Absolute Error (MAE) (14)
○ Mean Squared Error (MSE) (16)
○ Root Mean Squared Error (RMSE) (17)
● Evaluasi untuk Classification (18)
○ True Positive, True Negative, False Positive, False Negative,
Confusion Matrix (18)
■ Model Supervised Learning (21)
● Linear Model (22)
○ Konsep (22)
○ Study Case : Prediksi Jumlah Kalori Dalam Fast Food (24)
● Logistic Regression (36)
○ Konsep (36)
○ Study Case : Prediksi Kemungkinan Membeli Seseorang
Berdasarkan Gender, Umur, dan Tingkat Penghasilan (42)
● K-Nearest Neighbor (47)
○ Konsep (47)
○ Study Case : Prediksi Kemungkinan Membeli Seseorang
Berdasarkan Gender, Umur, dan Tingkat Penghasilan (50)
● Support Vector Machine (59)
○ Konsep (59)
○ Study Case : Prediksi Kemungkinan Membeli Seseorang
Berdasarkan Gender, Umur, dan Tingkat Penghasilan (63)
○ Study Case : Prediksi Jumlah Kalori Dalam Fast Food (70)
● Decision Tree (72)
○ Konsep (72)
○ Study Case : Prediksi Jumlah Kalori Dalam Fast Food (80)
● Random Forest (85)
○ Konsep (85)
○ Study Case : Prediksi Kemungkinan Membeli Seseorang
Berdasarkan Gender, Umur, dan Tingkat Penghasilan (92)
● Boosting Method (98)
○ Konsep (98)
○ Adaboost Method (99)
○ Study Case : Prediksi Kemungkinan Membeli Seseorang
Berdasarkan Gender, Umur, dan Tingkat Penghasilan (105)
○ Gradient Boosting Method (109)
○ Study Case : Prediksi Kemungkinan Membeli Seseorang
Berdasarkan Gender, Umur, dan Tingkat Penghasilan (112)
■ Kesimpulan (115)
■ Tugas Individual (116)
4c. Machine Learning :
Unsupervised Learning
Konsep (3)
■ Teori (7)
■ K-Means Clustering (11)
● Teori (11)
● Study Case : Pengelompokan Kondisi Kesehatan Mental Mahasiswa
pada Sebuah Universitas (14)
■ Hierarchical Clustering (26)
● Teori (26)
● Study Case : Pengelompokan Kondisi Kesehatan Mental Mahasiswa
pada Sebuah Universitas (31)
■ DBSCAN (38)
● Teori (38)
● Study Case : Mencari Cluster Dengan Data Berbentuk Bulan (43)
■ Principal Component Analysis (PCA) (49)
● Teori (50)
● Study Case : Pengelompokan Kondisi Kesehatan Mental Mahasiswa
pada Sebuah Universitas (55)
■ Kesimpulan (61)
■ Tugas Individual (62)
4d. Machine Learning :
Reinforcement Learning
Konsep (3)
■ Teori (7)
■ K-Means Clustering (11)
● Teori (11)
● Study Case : Pengelompokan Kondisi Kesehatan Mental Mahasiswa
pada Sebuah Universitas (14)
■ Hierarchical Clustering (26)
● Teori (26)
● Study Case : Pengelompokan Kondisi Kesehatan Mental Mahasiswa
pada Sebuah Universitas (31)
■ DBSCAN (38)
● Teori (38)
● Study Case : Mencari Cluster Dengan Data Berbentuk Bulan (43)
■ Principal Component Analysis (PCA) (49)
● Teori (50)
● Study Case : Pengelompokan Kondisi Kesehatan Mental Mahasiswa
pada Sebuah Universitas (55)
■ Kesimpulan (61)
■ Tugas Individual (62)
4e.Deep Learning :
Introduction to Deep Learning
earning (3)
■ Teori (3)
■ Python Library - OpenAI Gym (8)
■ Model Reinforcement Learning (28)
● Classical Q-Learning (28)
○ Teori (29)
○ Study Case : Menggunakan Classical Q-Learning untuk
mengatur Agent bermain Frozen Lake. (34)
○ Study Case : Menggunakan Classical Q-Learning untuk
mengatur Agent bermain game Cart Pole. (43)
● Deep Q-Learning (55)
○ Teori (55)
○ Framework DQN (63)
○ Study Case : Menggunakan Deep Q-Learning untuk
mengatur Agent bermain game Cart Pole. (68)
■ Kesimpulan (80)
■ Tugas Individual (81)
5.Computer Vision :
A Guide to use Computer
Vision
A. Pengenalan Computer Vision (4)
B. Apa itu Gambar? (4)
C. Gambar Analog (5)
D. Gambar Digital (7)
■ Konsep (7)
■ Apa itu Pixel? (8)
■ Format Gambar Digital (9)
■ JPEG atau JPG (9)
■ PNG (10)
■ GIF (10)
■ TIFF (11)
■ EPS (11)
E. Computer Vision (14)
■ Image Processing (16)
F. Istilah pada Computer Vision (18)
■ Channel (18)
■ Kernel (19)
G. Permasalahan Utama Computer Vision (19)
H. OpenCV (24)
I. Scikit Image (25)
J. Fungsi Dasar OpenCV (26)
■ Membaca dan Menulis kembali Gambar (26)
■ Mengubah Warna pada Gambar (30)
■ Mengubah Ukuran Gambar (33)
■ Mengubah Lokasi Gambar (34)
■ Memutar Gambar (Rotasi) (35)
■ Image Thresholding (38)
■ Image Blurring dan Image Smoothing (42)
■ Image Enhancement (50)
K. Object Detection (60)
a. Template Matching (61)
b. Corner Detection (64)
c. Edge Detection (68)
d. Grid Detection (80)
e. Contour Detection (83)
f. Feature Matching (91)
g. Watershed Algorithm (103)
h. Face Detection (116)
L. Computer Vision dengan Deep Learning (130)
a. Convolutional Neural Network (CNN) (130)
i. Studi Kasus - Menggunakan ANN pada data MNIST (140)
ii. Studi Kasus - Menggunakan CNN pada data MNIST (153)
iii. Studi Kasus - Menggunakan CNN pada gambar RGB (164)
b. Generative Adversarial Network (GAN) (176)
i. Studi Kasus - Menggunakan GAN pada data MNIST (178)
c. Deep Convolutional Generative Adversarial Network (DCGAN) (187)
d. You Only Look Once (YOLO) (195)
i. Studi Kasus - Menggunakan YOLO dengan COCO (198)
M. Kesimpulan (206)
N. Tugas Individual (207)
6. NLP :
A Guide to use Natural Language Processing
A. Apa itu Natural Language? (4)
B. Apa itu Natural Language Processing? (5)
C. Aplikasi NLP (6)
D. Istilah dalam NLP (6)
E. Apa itu Spacy? (6)
F. Apa itu NLTK? (8)
G. Spacy VS NLTK (10)
H. Konsep dan Teori NLP (11)
a. Konsep dasar Spacy (11)
b. Konsep dasar Tokenization (14)
c. Konsep dasar Stemming (19)
d. Konsep dasar Lemmatization (22)
e. Konsep dasar Stop Words (24)
f. Konsep dasar Phrase Matching (26)
g. Konsep dasar Part-of-Speech Tagging (POS Tagging) (33)
h. Konsep dasar Named Entity Recognition (NER) (39)
i. Konsep dasar Sentence Segmentation (45)
I. Aplikasi NLP (46)
a. Text Classification (46)
i. Studi Kasus : Pengkategorian sebuah teks Apakah Teks tersebut adalah
Spam atau Bukan (49)
b. Sentiment Analysis (56)
i. Studi Kasus : Review Aplikasi Pokemon Go pada Google Play Store - Part 1 (60)
ii. Studi Kasus : Review Aplikasi Pokemon Go pada Google Play Store - Part 2 (68)
c. Topic Modeling (72)
i. Studi Kasus : Penggolongan Topik Untuk Data BBC News dengan Model
LDA (75)
ii. Studi Kasus : Penggolongan Topik Untuk Data BBC News dengan Model
NMF (82)
d. Naive Bayes Theorem (86)
i. Studi Kasus : Melakukan Klasifikasi Data Sentimen dengan Naive Bayes
(94)
J. Deep Learning untuk NLP (101)
a. Recurrent Neural Network (102)
b. Long Short-Term Memory (103)
c. Studi Kasus : Membuat Text Generator dengan Neural Networks dan LSTM (109)
K. Advance NLP : Transformers (142)
a. Model Encoder (BERT) (146)
i. Studi Kasus : BERT untuk Topic Modeling (147)
b. Model Decoder (GPT) (152)
i. Studi Kasus : GPT untuk Text Generation (154)
c. Model Encoder - Decoder : Sequence-to-Sequence (BART) (157)
i. Studi Kasus : BART untuk Text Summarization (158)
L. Intermezzo : Aplikasi dari NLP (161)
M. Kesimpulan (162)
N. Tugas Individu (163)
7.Introduction to Git & GitHub
A. Pengenalan Git dan GitHub (3)
■ Apa itu Git? (3)
■ Apa itu GitHub? (4)
■ Apa itu Version Control System? (5)
■ Bentuk Git Command (10)
■ Instalasi Git (11)
■ Membuat Profil GitHub (20)
■ Membuat Repository (24)
■ Alur Kerja Git (34)
■ Kolaborasi Antar Pengguna Git (51)
● Konsep Penggunaan git branch (51)
● Konsep Penggunaan git merge (57)
■ Membatalkan Perintah Pada Git (69)
● Konsep Penggunaan git checkout (69)
● Konsep Penggunaan git restore (75)
● Konsep Penggunaan git reset (78)
● Konsep penggunaan git revert (82)
■ Alur Kerja Pada Git dan GitHub (88)
● Penggunaan Satu Branch (88)
● Penggunaan Lebih Dari Satu Branch (90)
B. Kesimpulan (104)
C. Tugas Individu (105)
