Machine Learning Terapan: Dari Data Mentah ke Model yang Dipakai

Setelah menyelesaikan kelas ini kamu bisa

• Merumuskan masalah kerja nyata menjadi tugas machine learning yang spesifik, lengkap dengan definisi target, satuan pengamatan, dan ukuran keberhasilan yang disepakati pemangku kepentingan
• Membedakan kapan sebuah masalah layak diselesaikan dengan machine learning dan kapan aturan sederhana atau statistik deskriptif sudah cukup, disertai alasan yang dapat dipertanggungjawabkan
• Menerapkan alur kerja lengkap — pemeriksaan data, pemisahan data, rekayasa fitur di dalam pipeline, pelatihan, dan penyetelan — pada dataset yang belum pernah dilihat sebelumnya
• Mengevaluasi kinerja model memakai metrik yang sesuai dengan keputusan yang akan diambil, bukan sekadar angka akurasi, serta menaksir ketidakpastiannya
• Menganalisis kesalahan model dan sumber biasnya, lalu merumuskan batas pemakaian yang aman beserta kelompok data yang tidak boleh dikenai model tersebut
• Merancang penyerahan model ke pemakaian nyata: penyimpanan artefak, layanan prediksi sederhana, pemantauan pergeseran data, dan dokumentasi model

Isi kelas

1 Kapan Sebuah Masalah Layak Diserahkan ke Machine Learning 7 unit · 124 menit · fondasi · gratis dicicipi 2 Data sebagai Bahan Baku: Memeriksa, Membersihkan, dan Memisahkan 7 unit · 112 menit · fondasi 3 Modul 3 — Model Pertama: Garis Dasar yang Jujur 7 unit · 115 menit · menengah 4 Modul 4 — Mengukur dengan Jujur: Memilih Metrik dan Ambang Keputusan 7 unit · 123 menit · menengah 5 Modul 5 — Rekayasa Fitur di Dalam Pipeline yang Anti-Bocor 7 unit · 135 menit · menengah 6 Model Pohon, Ensemble, dan Penyetelan yang Terkendali 7 unit · 145 menit · lanjut 7 Membedah Model: Penjelasan, Kesalahan Sistematis, dan Batas Pemakaian 7 unit · 130 menit · lanjut 8 Modul 8 — Menyerahkan Model ke Pemakaian Nyata dan Menjaganya Tetap Sehat 7 unit · 130 menit · power