Home / Pemrograman / Kursus Data Science | Data Science Course 2019: Complete Data Science Bootcamp Ultimate Class
Biaya Kursus Komputer Jogja Multimedia

Kursus Data Science | Data Science Course 2019: Complete Data Science Bootcamp Ultimate Class

Pelatihan Ilmu Data Lengkap: Matematika, Statistik, Python, Statistik Lanjut dalam Python, Machine & Deep Learning

Apa yang anda pelajari :

  • Kursus ini menyediakan seluruh alat yang Anda butuhkan untuk menjadi ilmuwan data
  • Isi resume Anda dengan keterampilan sains data permintaan: Analisis statistik, pemrograman Python dengan NumPy, panda, matplotlib, dan Seaborn, Analisis statistik lanjutan, Tableau, Pembelajaran Mesin dengan model statistik dan scikit-learning, Pembelajaran mendalam dengan TensorFlow
  • Buat pewawancara terkesan dengan menunjukkan pemahaman tentang bidang sains data
  • Pelajari cara pra-proses data
  • Pahami matematika di balik Pembelajaran Mesin (suatu keharusan mutlak yang tidak diajarkan oleh kursus lain!)
  • Mulai koding dengan Python dan pelajari cara menggunakannya untuk analisis statistik
  • Lakukan regresi linier dan logistik dengan Python
  • Melakukan analisis cluster dan faktor
    Mampu membuat algoritma Machine Learning dengan Python, menggunakan NumPy, statsmodels, dan scikit-learn
  • Terapkan keahlian Anda ke kasus bisnis kehidupan nyata
  • Gunakan kerangka kerja Pembelajaran Mendalam yang canggih seperti Google TensorFlow
  • Kembangkan intuisi bisnis sembari mengkode dan menyelesaikan tugas dengan data besar
  • Buka kekuatan jaringan saraf yang dalam
  • Meningkatkan algoritma Pembelajaran Mesin dengan mempelajari underfitting, overfitting, pelatihan, validasi, validasi silang n-lipat, pengujian, dan bagaimana hyperparameter dapat meningkatkan kinerja
  • Panaskan Kepala Anda karena Anda akan bersemangat untuk menerapkan semua yang telah Anda pelajari di sini untuk semakin banyak situasi kehidupan nyata

Persyaratan :

  • Tidak diperlukan pengalaman sebelumnya. Kami akan mulai dari dasar
  • Anda harus memasang Anaconda. Kami akan menunjukkan kepada Anda bagaimana melakukan langkah demi langkah
  • Microsoft Excel 2003, 2010, 2013, 2016, atau 365

Deskripsi :

  • Masalah
  • Ilmuwan data adalah salah satu profesi paling cocok untuk berkembang pesat abad ini. Ini digital, berorientasi pada pemrograman, dan analitis. Oleh karena itu, tidak mengherankan bahwa permintaan untuk data ilmuwan telah melonjak di pasar kerja.
  • Namun, pasokan sangat terbatas. Sulit untuk memperoleh keterampilan yang diperlukan untuk dipekerjakan sebagai ilmuwan data.
  • Dan bagaimana Anda bisa melakukannya?
  • Universitas lambat dalam menciptakan program ilmu data khusus. (Belum lagi bahwa yang ada sangat mahal dan memakan waktu)
  • Sebagian besar kursus online fokus pada topik tertentu dan sulit untuk memahami bagaimana keterampilan yang mereka ajarkan sesuai dengan gambaran lengkap
  • Solusinya
  • Ilmu data adalah bidang multidisiplin. Ini mencakup berbagai topik.
  • Pemahaman tentang bidang ilmu data dan jenis analisis dilakukan
  • Matematika
  • Statistik
  • Python
  • Menerapkan teknik statistik canggih dalam Python
  • Visualisasi data
  • Pembelajaran mesin
  • Pembelajaran yang mendalam
  • Masing-masing topik ini dibangun dari yang sebelumnya. Dan Anda berisiko tersesat di sepanjang jalan jika Anda tidak memperoleh keterampilan ini dalam urutan yang benar. Sebagai contoh, seseorang akan berjuang dalam penerapan teknik Pembelajaran Mesin sebelum memahami Matematika yang mendasarinya. Atau, bisa sangat sulit untuk mempelajari analisis regresi dengan Python sebelum mengetahui apa itu regresi.
  • Jadi, dalam upaya untuk menciptakan pelatihan sains data yang paling efektif, efisien waktu, dan terstruktur yang tersedia secara online, kami menciptakan Data Science Course 2019.
  • Kami percaya ini adalah program pelatihan pertama yang memecahkan tantangan terbesar untuk memasuki bidang ilmu data – memiliki semua sumber daya yang diperlukan di satu tempat.
  • Selain itu, fokus kami adalah mengajarkan topik yang mengalir dengan lancar dan saling melengkapi. Kursus ini mengajarkan Anda segala yang perlu Anda ketahui untuk menjadi ilmuwan data dengan biaya yang lebih rendah dari program tradisional (belum lagi jumlah waktu yang akan Anda hemat).
  • Keterampilan
  •    1. Pengantar Ilmu Data dan Data
  • Data besar, intelijen bisnis, analitik bisnis, pembelajaran mesin, dan kecerdasan buatan. Kita tahu kata kunci ini milik bidang ilmu data tetapi apa artinya semua itu?
  • Mengapa mempelajarinya? Sebagai seorang ilmuwan data kandidat, Anda harus memahami seluk beluk masing-masing bidang ini dan mengenali pendekatan yang tepat untuk menyelesaikan masalah. Ini ‘Pengantar ilmu data dan data’ akan memberi Anda pandangan komprehensif pada semua kata kunci ini dan di mana mereka cocok di bidang ilmu data.
  •    2. Matematika
  • Mempelajari alat adalah langkah pertama untuk melakukan ilmu data. Pertama-tama Anda harus melihat gambaran besar untuk kemudian memeriksa bagian-bagiannya secara terperinci.
  • Kami melihat secara terperinci khususnya pada kalkulus dan aljabar linier karena mereka adalah data dasar yang diandalkan sains.
  • Mengapa mempelajarinya?
  • Kalkulus dan aljabar linier sangat penting untuk pemrograman dalam ilmu data. Jika Anda ingin memahami algoritma pembelajaran mesin tingkat lanjut, maka Anda perlu keterampilan ini sebagai senjata Anda.
  •    3. Statistik
  • Anda harus berpikir seperti seorang ilmuwan sebelum dapat menjadi seorang ilmuwan. Statistik melatih pikiran Anda untuk membingkai masalah sebagai hipotesis dan memberi Anda teknik untuk menguji hipotesis ini, seperti halnya seorang ilmuwan.
  • Mengapa mempelajarinya?
  • Kursus ini tidak hanya memberi Anda alat yang Anda butuhkan tetapi mengajarkan Anda cara menggunakannya. Statistik melatih Anda untuk berpikir seperti seorang ilmuwan.
  •    4. Python
  • Python adalah bahasa pemrograman yang relatif baru dan, tidak seperti R, itu adalah bahasa pemrograman untuk tujuan umum. Anda dapat melakukan apa saja dengan itu! Aplikasi web, permainan komputer, dan ilmu data adalah beberapa dari banyak kemampuannya. Itu sebabnya, dalam waktu singkat, telah berhasil mengganggu banyak disiplin ilmu. Perpustakaan yang sangat kuat telah dikembangkan untuk memungkinkan manipulasi data, transformasi, dan visualisasi. Di mana Python benar-benar bersinar, adalah ketika ia berurusan dengan mesin dan pembelajaran yang mendalam.
  • Mengapa mempelajarinya?
  • Ketika datang untuk mengembangkan, menerapkan, dan menyebarkan model pembelajaran mesin melalui kerangka kerja yang kuat seperti scikit-belajar, TensorFlow, dll, Python adalah harus memiliki bahasa pemrograman.
  •    5. Tableau
  • Ilmuwan data tidak hanya perlu berurusan dengan data dan memecahkan masalah yang didorong data. Mereka juga perlu meyakinkan eksekutif perusahaan tentang keputusan yang tepat untuk diambil. Para eksekutif ini mungkin tidak berpengalaman dalam ilmu data, sehingga ilmuwan data harus tetapi dapat menyajikan dan memvisualisasikan kisah data dengan cara yang akan mereka pahami. Di situlah Tableau masuk – dan kami akan membantu Anda menjadi pendongeng ahli menggunakan perangkat lunak visualisasi terkemuka dalam intelijen bisnis dan ilmu data.
  • Mengapa mempelajarinya?
  • Seorang ilmuwan data bergantung pada alat intelijen bisnis seperti Tableau untuk mengkomunikasikan hasil yang kompleks kepada pembuat keputusan non-teknis.
  •    6. Statistik Lanjutan
  • Regresi, pengelompokan, dan analisis faktor adalah semua disiplin ilmu yang ditemukan sebelum pembelajaran mesin. Namun, sekarang semua metode statistik ini dilakukan melalui pembelajaran mesin untuk memberikan prediksi dengan akurasi yang tak tertandingi. Bagian ini akan melihat teknik-teknik ini secara rinci.
  • Mengapa mempelajarinya?
  • Ilmu data adalah semua tentang pemodelan prediktif dan Anda dapat menjadi ahli dalam metode ini melalui bagian ‘statistik maju’ ini.
  •    7. Pembelajaran Mesin
  • Bagian terakhir dari program dan apa yang telah dipimpin oleh setiap bagian adalah pembelajaran yang mendalam. Mampu menggunakan mesin dan pembelajaran mendalam dalam pekerjaan mereka adalah apa yang sering memisahkan seorang ilmuwan data dari seorang analis data. Bagian ini mencakup semua teknik pembelajaran mesin umum dan metode pembelajaran mendalam dengan TensorFlow.
  • Mengapa mempelajarinya?
  • Pembelajaran mesin ada di mana-mana. Perusahaan seperti Facebook, Google, dan Amazon telah menggunakan mesin yang dapat belajar sendiri selama bertahun-tahun. Sekaranglah saatnya bagi Anda untuk mengendalikan mesin.
  • ***Apa yang anda dapatkan***
  • Program pelatihan sains data senilai $ 1.250
  • Semua pengetahuan untuk disewa sebagai ilmuwan data
  • Sertifikat penyelesaian
  • Akses ke pembaruan di masa mendatang
  • Selesaikan kasus bisnis nyata yang akan membuat Anda mendapatkan pekerjaan
  • Anda akan menjadi ilmuwan data dari awal
  • Tidak ada risiko untuk Anda. Isi kursusnya sangat bagus, dan ini tidak perlu dipikirkan oleh kami, karena kami yakin Anda akan menyukainya.

    Untuk siapa kursus ini:

  • Anda harus mengikuti kursus ini jika Anda ingin menjadi Ilmuwan Data atau jika Anda ingin belajar tentang bidang ini
  • Kursus ini untuk Anda jika Anda menginginkan karier yang hebat
  • Kursus ini juga ideal untuk pemula, karena dimulai dari dasar-dasar dan secara bertahap membangun keterampilan Anda

Kurikulum Kursus :

  • Bagian 1: Pendahuluan
  • Contoh Praktis: Apa yang Akan Anda Pelajari dalam Kursus ini
  • Apa yang Dicakup Kursus
  • Unduh Semua Sumber
  • Bidang Ilmu Data – Berbagai Disiplin Ilmu Data
  • Ilmu Data dan Buzzwords Bisnis: Mengapa ada begitu banyak?
  • Analisis Bisnis, Analisis Data, dan Ilmu Data: Suatu Pengantar
  • Melanjutkan dengan BI, ML, dan AI
  • Rincian Infografis Ilmu Data kami
  • Bidang Ilmu Data – Menghubungkan Disiplin Ilmu Data
  • Menerapkan Data Tradisional, Big Data, BI, Ilmu Data Tradisional dan ML
  • Bidang Ilmu Data – Manfaat Setiap Disiplin
  • Alasan di balik Disiplin ini
  • Bidang Ilmu Data – Teknik Ilmu Data Populer
  • Teknik untuk Bekerja dengan Data Tradisional
  • Contoh Nyata dari Data Tradisional
  • Teknik untuk Bekerja dengan Big Data
  • Contoh Nyata dari Data Besar
  • Teknik Kecerdasan Bisnis (BI)
  • Contoh-contoh Nyata Kecerdasan Bisnis (BI)
  • Teknik untuk Bekerja dengan Metode Tradisional
  • Contoh Kehidupan Nyata dari Metode Tradisional
  • Teknik Machine Learning (ML)
  • Jenis Pembelajaran Mesin
  • Contoh Kehidupan Nyata dari Pembelajaran Mesin (ML)
  • Bidang Ilmu Data – Alat Ilmu Data Populer
  • Bahasa dan Perangkat Lunak Pemrograman yang Diperlukan Digunakan dalam Ilmu Data
  • Bidang Ilmu Data – Karier dalam Ilmu Data
  • Menemukan Pekerjaan – Apa yang Diharapkan dan Apa yang Harus Diperhatikan
  • Bidang Ilmu Data – Membongkar Kesalahpahaman Umum
  • Mengingkari Kesalahpahaman Umum
  • Bagian 2: Statistik
  • Populasi dan Sampel
  • Statistik – Statistik Deskriptif
  • Jenis Data
  • Tingkat Pengukuran
  • Variabel Kategorikal – Teknik Visualisasi
  • Latihan Variabel Kategorikal
  • Variabel Numerik – Tabel Distribusi Frekuensi
  • Latihan Variabel Numerik
  • Histogram
  • Latihan Histogram
  • Cross Tables dan Scatter Plot
  • Latihan Cross Tables dan Scatter Plot
  • Berarti, median dan mode
  • Berarti, Median dan Latihan Mode
  • Kecondongan
  • Latihan Skewness
  • Perbedaan
  • Latihan Varians
  • Standar Deviasi dan Koefisien Variasi
  • Standar deviasi
  • Standar Deviasi dan Koefisien Latihan Variasi
  • Kovarian
  • Latihan Kovarian
  • Koefisien Korelasi
  • Korelasi
  • Latihan Koefisien Korelasi
  • Statistik – Contoh Praktis: Statistik Deskriptif
  • Contoh Praktis: Statistik Deskriptif
  • Contoh Praktis: Latihan Statistik Deskriptif
  • Statistik – Fundamental Statistik Inferensial
  • Apa itu Distribusi
  • Distribusi Normal
  • Distribusi Normal Standar
  • Latihan Distribusi Normal Standar
  • Teorema Batas Pusat
  • Kesalahan standar
  • Estimator dan Estimasi
  • Statistik – Statistik Inferensial: Interval Keyakinan
  • Apa itu Interval Keyakinan?
  • Interval Keyakinan; Varians Populasi Yang Diketahui; skor-z
  • Interval Keyakinan; Varians Populasi Yang Diketahui; z-score; Olahraga
  • Klarifikasi Interval Keyakinan
  • T Distribution Pelajar
  • Interval Keyakinan; Varians Populasi Tidak Diketahui; t-score
  • Interval Keyakinan; Varians Populasi Tidak Diketahui; t-score; Olahraga
  • Margin of Error
  • Interval kepercayaan diri. Dua artinya. Sampel tergantung
  • Interval kepercayaan diri. Dua artinya. Sampel tergantung Latihan
  • Interval kepercayaan diri. Dua artinya. Sampel independen (Bagian 1)
  • Interval kepercayaan diri. Dua artinya. Sampel independen (Bagian 1) Latihan
  • Interval kepercayaan diri. Dua artinya. Sampel independen (Bagian 2)
  • Interval kepercayaan diri. Dua artinya. Sampel independen (Bagian 2) Latihan
  • Interval kepercayaan diri. Dua artinya. Sampel independen (Bagian 3)
  • Statistik – Contoh Praktis: Statistik Inferensial
  • Contoh Praktis: Statistik Inferensial
  • Contoh Praktis: Latihan Statistik Inferensial
  • Statistik – Pengujian Hipotesis
  • Null vs Hipotesis Alternatif
  • Bacaan Lebih Lanjut tentang Null dan Hipotesis Alternatif
  • Null vs Hipotesis Alternatif
  • Wilayah Penolakan dan Tingkat Signifikansi
  • Kesalahan Tipe I dan Kesalahan Tipe II
  • Tes untuk Mean. Varians Populasi Dikenal
  • Tes untuk Mean. Varians Populasi Yang Dikenal Berolahraga
  • Tes untuk Mean. Varians Populasi Tidak Diketahui
  • Tes untuk Mean. Varians Populasi Latihan Tidak Diketahui
  • Tes untuk Mean. Sampel tergantung
  • Tes untuk Mean. Latihan Sampel Dependen
  • Tes untuk mean. Sampel independen (Bagian 1)
  • Tes untuk mean. Sampel independen (Bagian 1). Olahraga
  • Tes untuk mean. Sampel independen (Bagian 2)
  • Tes untuk mean. Sampel independen (Bagian 2)
  • Tes untuk mean. Sampel independen (Bagian 2) Latihan
  • Statistik – Contoh Praktis: Pengujian Hipotesis
  • Contoh Praktis: Pengujian Hipotesis
  • Contoh Praktis: Latihan Pengujian Hipotesis
  • Bagian 3: Pengantar Python
  • Pengantar Pemrograman
  • Mengapa python
  • Kenapa Jupyter?
  • Menginstal Python dan Jupyter
  • Memahami Antarmuka Jupyter – Dasbor Notebook
  • Prasyarat untuk Pengkodean di Notebook Jupyter
  • Antarmuka Jupyter
  • Python – Variabel dan Tipe Data
  • Variabel
  • Angka dan Nilai Boolean dengan Python
  • String Python
  • Python – Sintaks Python Dasar
  • Menggunakan Operator Aritmatika dengan Python
  • Tanda Kesetaraan Ganda
  • Cara Menugaskan Kembali Nilai
  • Memahami Line Continuation
  • Elemen Pengindeksan
  • Penyusunan dengan Indentasi
  • Python – Operator Python Lainnya
  • Operator Perbandingan
  • Operator Logical dan Identity
  • Python – Pernyataan Bersyarat
  • Pernyataan IF
  • Pernyataan ELSE
  • Pernyataan ELIF
  • Catatan tentang Nilai Boolean
  • Python – Fungsi Python
  • Mendefinisikan suatu Fungsi dengan Python
  • Cara Membuat Fungsi dengan Parameter
  • Mendefinisikan suatu Fungsi dengan Python – Bagian II
  • Cara Menggunakan Fungsi dalam suatu Fungsi
  • Pernyataan dan Fungsi Bersyarat
  • Fungsi yang Mengandung Beberapa Argumen
  • Fungsi Bawaan dalam Python
  • Fungsi Python
  • Python – Urutan
  • Menggunakan Metode
  • Mengiris daftar
  • Tuples
  • Kamus
  • Python – Iterasi
  • Untuk Loops
  • Sementara Loops dan Incrementing
  • Daftar dengan rentang () Fungsi
  • Pernyataan Bersyarat dan Loop
  • Pernyataan Bersyarat, Fungsi, dan Putaran
  • Bagaimana Iterate atas Kamus
  • Python – Alat Python Tingkat Lanjut
  • Pemrograman berorientasi objek
  • Modul dan Paket
  • Apa itu Perpustakaan Standar?
  • Mengimpor Modul dengan Python
  • Bagian 4: Metode Statistik Lanjut dalam Python
  • Pengantar Analisis Regresi
  • Metode Statistik Lanjut – Regresi linier
  • Model Regresi Linier
  • Korelasi vs Regresi
  • Representasi Geometris dari Model Regresi Linier
  • Instalasi Paket Python
  • Regresi Pertama dengan Python
  • Regresi Pertama dalam Latihan Python
  • Menggunakan Seaborn untuk Grafik
  • Cara Menafsirkan Tabel Regresi
  • Dekomposisi Variabilitas
  • Apa itu OLS?
  • R-Squared
  • Metode Statistik Lanjut – Regresi Linier Berganda
  • Regresi Linier Berganda
  • Disesuaikan R-Squared
  • Latihan Regresi Linier Berganda
  • Uji Signifikansi Model (Uji-F)
  • Asumsi OLS
  • A1: Linearitas
  • A2: Tidak Ada Endogenitas
  • A3: Normalitas dan Homoscedasticity
  • A4: Tidak Ada Autokorelasi
  • A4: Tidak ada autokorelasi
  • A5: Tidak Ada Multikolinearitas
  • A5: Tidak Ada Multikolinearitas
  • Berurusan dengan Data Kategorikal – Variabel Dummy
  • Membuat Prediksi dengan Regresi Linier
  • Metode Statistik Lanjut – Regresi Logistik
  • Pengantar Regresi Logistik
  • Contoh Sederhana dengan Python
  • Fungsi Logistik vs. Logit
  • Membangun Regresi Logistik
  • Membangun Regresi Logistik – Latihan
  • Tip Penyandian yang Tidak Berharga
  • Memahami Tabel Regresi Logistik
  • Memahami Tabel Regresi Logistik – Latihan
  • Apa Arti Sebenarnya Peluang
  • Prediktor Biner dalam Regresi Logistik
  • Prediktor Biner dalam Regresi Logistik – Latihan
  • Menghitung Akurasi Model
  • Underfitting dan Overfitting
  • Menguji Model
  • Menguji Model – Latihan
  • Metode Statistik Lanjut – Analisis Cluster
  • Pengantar Analisis Cluster
  • Beberapa Contoh Cluster
  • Perbedaan antara Klasifikasi dan Klaster
  • Prasyarat Matematika
  • Metode Statistik Lanjut – K-Means Clustering
  • K-Means Clustering
  • Contoh Sederhana Pengelompokan
  • Contoh Sederhana dari Clustering – Latihan
  • Pengelompokan Data Kategorikal
  • Pengelompokan Data Kategorikal
  • Cara Memilih Jumlah Cluster
  • Cara Memilih Jumlah Cluster – Latihan
  • Pro dan Kontra dari K-Means Clustering
  • Untuk Membakukan atau Tidak Membakukan
  • Hubungan antara Clustering dan Regresi
  • Segmentasi Pasar dengan Analisis Cluster (Bagian 1)
  • Segmentasi Pasar dengan Analisis Cluster (Bagian 2)
  • Bagaimana Clustering Berguna?
  • LATIHAN: Segmentasi Spesies dengan Analisis Cluster (Bagian 1)
  • LATIHAN: Segmentasi Spesies dengan Analisis Cluster (Bagian 2)
  • Metode Statistik Lanjut – Jenis Klaster Lainnya
  • Jenis-jenis Clustering
  • Dendrogram
  • Heatmaps
  • Bagian 5: Matematika
  • Apa itu matriks?
  • Skalar dan Vektor
  • Aljabar dan Geometri Linier
  • Array dengan Python – Cara Nyaman Untuk Mewakili Matriks
  • Apa itu Tensor?
  • Penambahan dan Pengurangan Matriks
  • Kesalahan saat Menambahkan Matriks
  • Transpose suatu Matriks
  • Produk titik
  • Mengapa Aljabar Linier Berguna?
  • Bagian 6: Pembelajaran Mendalam
  • Apa yang Diharapkan dari Bagian ini?
  • Apa itu Pembelajaran Mesin
  • Deep Learning – Pengantar Neural Networks
  • Pengantar Jaringan Saraf Tiruan
  • Pelatihan Model
  • Jenis Pembelajaran Mesin
  • Model Linier (Versi Aljabar Linier)
  • Model Linier dengan Banyak Input
  • Model Linier dengan Banyak Input dan Banyak Output
  • Representasi Grafis dari Jaringan Saraf Tiruan Sederhana
  • Apa Fungsi Objektif?
  • Fungsi Tujuan Umum: Kehilangan L2-norm
  • Fungsi Sasaran Umum: Lintas Entropi
  • Algoritma Optimasi: Keturunan Gradien 1-Parameter
  • Algoritma Optimasi: Keturunan Gradien n-Parameter
  • Deep Learning – Cara Membangun Jaringan Syaraf Tiruan dari Awal dengan NumPy
  • Contoh NN Dasar (Bagian 1)
  • Contoh NN Dasar (Bagian 2)
  • Contoh NN Dasar (Bagian 3)
  • Contoh NN Dasar (Bagian 4)
  • Latihan Contoh NN Dasar
  • Deep Learning – TensorFlow: Pendahuluan
  • Cara Memasang TensorFlow
  • Catatan tentang Menginstal Paket di Anaconda
  • Garis Besar dan Logika TensorFlow
  • Pengantar Aktual untuk TensorFlow
  • Jenis Format File, Tensor pendukung
  • Contoh NN Dasar dengan TF: Input, Output, Target, Bobot, Bias
  • Contoh NN Dasar dengan TF: Fungsi Rugi dan Keturunan Gradien
  • Contoh NN Dasar dengan TF: Output Model
  • Contoh NN Dasar dengan Latihan TF
  • Deep Learning – Menggali Lebih Dalam ke dalam NNs: Memperkenalkan Deep Neural Networks
  • Apa itu Layer?
  • Apa itu Deep Net?
  • Menggali Deep Net
  • Non-Linearitas dan Tujuannya
  • Fungsi Aktivasi
  • Fungsi Aktivasi: Aktivasi Softmax
  • Backpropagation
  • Gambar backpropagation
  • Backpropagation – Mengintip Matematika Optimasi
  • Pembelajaran yang mendalam – Overfitting
  • Apa itu Overfitting?
  • Underfitting dan Overfitting untuk Klasifikasi
  • Apa itu Validasi?
  • Pelatihan, Validasi, dan Kumpulan Data Uji
  • Validasi Palang N-Lipat
  • Berhenti Awal atau Kapan Berhenti Pelatihan
  • Pembelajaran Jauh – Inisialisasi
  • Apa itu Inisialisasi?
  • Jenis Inisialisasi Sederhana
  • Metode Canggih – Inisialisasi Glorot (Xavier)
  • Deep Learning – Menggali Keturunan Gradien dan Jadwal Tingkat Belajar
  • Keturunan Gradien Stochastic
  • Masalah dengan Keturunan Gradien
  • Momentum
  • Jadwal Tingkat Belajar, atau Cara Memilih Tingkat Belajar yang Optimal
  • Jadwal Tingkat Belajar Divisualisasikan
  • Jadwal Tingkat Pembelajaran Adaptif (AdaGrad dan RMSprop)
  • Adam (Perkiraan Momen Adaptif)
  • Belajar Mendalam – Memproses Ulang
  • Pengantar Preprocessing
  • Jenis Preprocessing Dasar
  • Standardisasi
  • Data Kategorikal Pra-pemrosesan
  • Pengodean Biner dan One-Hot
  • Deep Learning – Klasifikasi pada Dataset MNIST
  • MNIST: Apa itu Dataset MNIST?
  • MNIST: Cara Menangani MNIST
  • MNIST: Paket yang Relevan
  • MNIST: Garis Besar Model
  • MNIST: Kerugian dan Algoritma Optimasi
  • Menghitung Akurasi Model
  • MNIST: Batching dan Stop Awal
  • MNIST: Belajar
  • MNIST: Hasil dan Pengujian
  • MNIST: Latihan
  • MNIST: Solusi
  • Pembelajaran Mendalam – Contoh Kasus Bisnis
  • Business Case: Berkenalan dengan dataset
  • Kasus Bisnis: Menjabarkan Solusi
  • Pentingnya Bekerja dengan Dataset Seimbang
  • Kasus Bisnis: Preprocessing
  • Kasus Bisnis: Latihan Pra-pemrosesan
  • Membuat Penyedia Data
  • Kasus Bisnis: Garis Besar Model
  • Kasus Bisnis: Optimasi
  • Kasus Bisnis: Interpretasi
  • Kasus Bisnis: Menguji Model
  • Kasus Bisnis: Komentar tentang Pekerjaan Rumah
  • Kasus Bisnis: Latihan Terakhir
  • Pembelajaran Jauh – Kesimpulan
  • Ringkasan tentang Apa yang Sudah Anda Pelajari
  • Apa yang lebih jauh di luar sana dalam hal Pembelajaran Mesin
  • Ikhtisar CNN
  • DeepMind dan Deep Learning
  • Gambaran Umum RNN
  • Tinjauan umum tentang Pendekatan non-NN
  • Unduh Semua Sumber
  • Integrasi Perangkat Lunak
  • Apa itu Data, Server, Klien, Permintaan, dan Tanggapan
  • Apa itu Konektivitas Data, API, dan Endpoint?
  • Melihat Lebih Dekat pada API
  • Komunikasi antara Produk Perangkat Lunak melalui File Teks
  • Integrasi Perangkat Lunak
  • Studi Kasus – Apa Selanjutnya dalam Kursus?
  • Game Plan untuk Latihan Bisnis Python, SQL, dan Tableau ini
  • Tugas Bisnis
  • Memperkenalkan Set Data
  • Studi Kasus – Memproses Ulang ‘Absensiee_ data’
  • Apa yang Diharapkan dari Bagian Berikut?
  • Mengimpor Data Absensi dengan Python
  • Memeriksa Konten Set Data
  • Pengantar Istilah dengan Banyak Makna
  • Apa itu Analisis Regresi – Penyegaran Cepat
  • Menggunakan Pendekatan Statistik menuju Solusi Latihan
  • Menjatuhkan Kolom dari DataFrame dengan Python
  • LATIHAN – Menjatuhkan Kolom dari DataFrame dengan Python
  • SOLUSI – Menjatuhkan Kolom dari DataFrame dengan Python
  • Menganalisis Alasan Tidak Ada
  • Memperoleh Dummies dari Fitur Tunggal
  • LATIHAN – Memperoleh Dummies dari Fitur Tunggal
  • SOLUSI – Mendapatkan Dummies dari Fitur Tunggal
  • Menjatuhkan Variabel Dummy dari Kumpulan Data
  • Lebih lanjut tentang Variabel Dummy: Perspektif Statistik
  • Mengklasifikasikan Berbagai Alasan untuk Absen
  • Menggunakan .concat () dalam Python
  • LATIHAN – Menggunakan .concat () dengan Python
  • SOLUSI – Menggunakan .concat () dengan Python
  • Menyusun Ulang Kolom dalam DataFrame Pandas dengan Python
  • LATIHAN – Menyusun Ulang Kolom dalam DataFrame Pandas dengan Python
  • SOLUSI – Menyusun Ulang Kolom dalam DataFrame Pandas dengan Python
  • Membuat Pos-pos Pemeriksaan saat Coding di Jupyter
  • LATIHAN – Membuat Pos-pos Pemeriksaan saat Pengodean di Jupyter
  • SOLUSI – Membuat Pos-pos Pemeriksaan saat Pengodean di Jupyter
  • Menganalisis Tanggal dari Set Data Awal
  • Mengekstraksi Nilai Bulan dari Kolom “Tanggal”
  • Mengekstrak Hari dalam Seminggu dari Kolom “Tanggal”
  • LATIHAN – Menghapus Kolom “Tanggal”
  • Menganalisa Beberapa Kolom “Langsung” untuk Latihan ini
  • Bekerja pada “Pendidikan”, “Anak-anak”, dan “Hewan Peliharaan”
  • Keterangan Akhir dari Bagian ini
  • Studi Kasus – Menerapkan Mesin Pembelajaran untuk Membuat ‘absenteeism_module’
  • Menjelajahi Masalah dengan Mindset Pembelajaran Mesin
  • Menciptakan Target untuk Regresi Logistik
  • Memilih Input untuk Regresi Logistik
  • Membakukan Data
  • Memisahkan Data untuk Pelatihan dan Pengujian
  • Menyesuaikan Model dan Menilai Akurasinya
  • Membuat Tabel Ringkasan dengan Koefisien dan Intersepsi
  • Menafsirkan Koefisien untuk Masalah Kita
  • Membakukan hanya Variabel Numerik (Membuat Scaler Kustom)
  • Menafsirkan Koefisien Regresi Logistik
  • Penghapusan Mundur atau Cara Menyederhanakan Model Anda
  • Menguji Model yang Kami Buat
  • Menyimpan Model dan Mempersiapkannya untuk Digunakan
  • ARTICLE – Catatan tentang ‘acar’
  • LATIHAN – Menyimpan Model (dan Scaler)
  • Mempersiapkan Penempatan Model melalui Modul
  • Studi Kasus – Memuat ‘absenteeism_module’
  • Apakah Anda yakin sudah siap?
  • Menyebarkan ‘absenteeism_module’ – Bagian I
  • Menyebarkan ‘absenteeism_module’ – Bagian II
  • Mengekspor Kumpulan Data yang Diperoleh sebagai * .csv
  • Studi Kasus – Menganalisa Output yang Diprediksi di Tableau
  • LATIHAN – Usia vs Peluang
  • Menganalisis Usia vs Probabilitas di Tableau
  • LATIHAN – Alasan vs Peluang
  • Menganalisis Alasan vs Probabilitas di Tableau
  • LATIHAN – Biaya Transportasi vs Peluang
  • Menganalisis Biaya Transportasi vs Probabilitas di Tableau
  • Selesai
KURSUS KOMPUTER ONLINE DIMANAPUN ANDA BERADA

About Jogja Multimedia

Check Also

Kursus Deep Learning Dan NLP A-Z : Cara Membuat ChatBot

Pelajari Teori dan Cara menerapkan model Natural Language Processing di Tensorflow dan Python Apa yang …

Materi Kursus Machine Learning/Pembelajaran Mesin Menggunakan Python Dan Library Scipy, Numpy, Pandas, Matplotlib, ScikitLearn

Apakah Anda ingin melakukan pembelajaran mesin menggunakan Python, tetapi Anda kesulitan memulai?Dalam kursus ini, Anda …

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *