Modul 5 — Makna dalam Ruang Vektor: Word Embedding

• Membedakan cara representasi berbasis hitungan dan embedding terlatih menangkap hubungan antar kata, lalu merumuskan konsekuensinya terhadap jumlah contoh berlabel yang dibutuhkan sebuah pengklasifikasi.
• Menerapkan berkas embedding pralatih berbahasa Indonesia untuk pencarian dokumen serupa dan perluasan kata kunci pada mesin pencari internal, sampai menghasilkan angka mutu pencarian sebelum dan sesudah perubahan.
• Mengevaluasi keterbatasan embedding statis pada kata bermakna ganda seperti 'bisa' dan 'kali' serta bias sosial yang terbawa dari data latih, lalu merumuskan langkah mitigasi yang sepadan dengan sumber daya tim.