Data Mining: Menggali Pola Berguna dari Data

Setelah menyelesaikan kelas ini kamu bisa

• Merumuskan masalah kerja nyata menjadi tugas data mining yang spesifik (klasifikasi, prediksi nilai, pengelompokan, atau aturan asosiasi) lengkap dengan definisi target dan ukuran keberhasilannya
• Menerapkan alur kerja baku CRISP-DM secara berurutan dari pemahaman masalah, pemahaman data, penyiapan data, pemodelan, evaluasi, sampai penerapan
• Menganalisis mutu sekumpulan data — nilai hilang, pencilan, duplikat, ketidakkonsistenan kode — dan memilih penanganan yang dapat dipertanggungjawabkan alasannya
• Membangun sedikitnya tiga model dengan algoritme berbeda pada satu masalah yang sama, lalu membedakan kekuatan dan kelemahan masing-masing pada data tersebut
• Mengevaluasi kinerja model memakai metrik yang sesuai konteks keputusan, bukan akurasi semata, serta mendeteksi kebocoran data dan pemodelan berlebih
• Merumuskan rekomendasi tindakan berbasis temuan model sekaligus menilai risiko etis dan kepatuhan pelindungan data pribadi sebelum model dipakai

Isi kelas

1 Modul 1 — Apa yang Sebenarnya Dikerjakan Data Mining 7 unit · 113 menit · fondasi · gratis dicicipi 2 Mengenali Data Sebelum Menyentuhnya 7 unit · 117 menit · fondasi 3 Modul 3 — Menyiapkan Data dan Menghindari Kebocoran 7 unit · 107 menit · menengah 4 Model Pertama: Klasifikasi yang Bisa Dijelaskan 7 unit · 127 menit · menengah 5 Mengukur Kinerja Model dengan Jujur 7 unit · 137 menit · menengah 6 Menemukan Pola Tanpa Label: Pengelompokan dan Aturan Asosiasi 7 unit · 124 menit · lanjut 7 Menaikkan Mutu Model: Rekayasa Fitur, Ansambel, dan Penyetelan 7 unit · 140 menit · lanjut 8 Dari Model ke Keputusan: Penerapan, Pemantauan, dan Etika Data 7 unit · 140 menit · power