Data Science dalam Satu Minggu

Menguasai Dasar-dasar Data Science dengan Cepat & Efisien dalam satu minggu! Kursus Dirancang untuk Orang Sibuk

4.80 (74 reviews)

Udemy

platform

Bahasa Indonesia

language

Data Science

What you will learn

Melakukan analisis statistik pada jenis data yang anda akan temukan di dunia nyata

Memahami strategi dan tools untuk melakukan rekayasa fitur (feature engineering)

Menerapkan One-Hot Encoding dan normalisasi data

Memahami perbedaan antara normalisasi dan standardisasi data

Menangani data yang hilang (missing value) menggunakan Pandas

Mengubah tipe data pada Pandas DataFrame

Mendefinisikan fungsi dan menerapkannya pada kolom di Pandas DataFrame

Menerapkan berbagai operasi dan pemfilteran pada Pandas DataFrame

Menghitung dan menampilkan peta panas (heatmap) dari matriks korelasi

Melakukan visualisasi data menggunakan Seaborn dan Matplotlib

Membuat plot garis tunggal, diagram lingkaran, dan beberapa subplot menggunakan Matplotlib

Membuat pairplot, countplot, dan peta panas (heatmap) dari matriks korelasi menggunakan Seaborn

Membuat distribusi plot (distplot), histogram dan grafik sebar (scatter plot)

Memahami dasar-dasar regresi dalam Machine Learning

Memelajari cara mengoptimalkan parameter model menggunakan metode Jumlah Kuadrat Terkecil (least sum of squares)

Melakukan pemisahan data latih dan uji menggunakan SKLearn

Membuat visualisasi data dan melakukan analisis data eksploratif

Membangun, melatih, dan menguji model regresi pertama-mu di Scikit-Learn

Mengukur kinerja model regresi Machine Learning yang telah dilatih

Memahami teori dan intuisi di balik algoritma boosting

Melatih algoritma XG-boost di Scikit-Learn dalam konteks pemodelan regresi

Melatih beberapa model klasifikasi Machine Learning seperti Logistic Regression, Support Vector Machine, K-Nearest Neighbors, dan Random Forest Classifier

Mengukur performa model yang telah dilatih menggunakan berbagai Key Performance Indicators (KPI) seperti akurasi, presisi, recall, skor F1, AUC, dan ROC.

Melakukan perbandingan kinerja model klasifikasi menggunakan berbagai KPI.

Menerapkan AutoGluon untuk menyelesaikan masalah jenis regresi dan klasifikasi

Menggunakan AutoGluon untuk membangun model AI/ML hanya dengan beberapa baris kode

Menampilkan plot performa berbagai model di papan peringkat model

Mengoptimalkan hyperparameter model regresi dan klasifikasi menggunakan SK-Learn

Pelajari perbedaan antara berbagai strategi pengoptimalan hyperparameter seperti grid search, random search, dan Bayesian optimization.

Melakukan pengoptimalan hyperparameter menggunakan Scikit-Learn.

Memahami bias-variance trade-off serta regularisasi L1 dan L2

Course Gallery

Data Science dalam Satu Minggu – Screenshot 1 — Screenshot 1 – Data Science dalam Satu Minggu

Data Science dalam Satu Minggu – Screenshot 2 — Screenshot 2 – Data Science dalam Satu Minggu

Data Science dalam Satu Minggu – Screenshot 3 — Screenshot 3 – Data Science dalam Satu Minggu

Data Science dalam Satu Minggu – Screenshot 4 — Screenshot 4 – Data Science dalam Satu Minggu

Loading charts...

Data Science dalam Satu Minggu

What you will learn

Melakukan analisis statistik pada jenis data yang anda akan temukan di dunia nyata

Memahami strategi dan tools untuk melakukan rekayasa fitur (feature engineering)

Menerapkan One-Hot Encoding dan normalisasi data

Memahami perbedaan antara normalisasi dan standardisasi data

Menangani data yang hilang (missing value) menggunakan Pandas

Mengubah tipe data pada Pandas DataFrame

Mendefinisikan fungsi dan menerapkannya pada kolom di Pandas DataFrame

Menerapkan berbagai operasi dan pemfilteran pada Pandas DataFrame

Menghitung dan menampilkan peta panas (heatmap) dari matriks korelasi

Melakukan visualisasi data menggunakan Seaborn dan Matplotlib

Membuat plot garis tunggal, diagram lingkaran, dan beberapa subplot menggunakan Matplotlib

Membuat pairplot, countplot, dan peta panas (heatmap) dari matriks korelasi menggunakan Seaborn

Membuat distribusi plot (distplot), histogram dan grafik sebar (scatter plot)

Memahami dasar-dasar regresi dalam Machine Learning

Memelajari cara mengoptimalkan parameter model menggunakan metode Jumlah Kuadrat Terkecil (least sum of squares)

Melakukan pemisahan data latih dan uji menggunakan SKLearn

Membuat visualisasi data dan melakukan analisis data eksploratif

Membangun, melatih, dan menguji model regresi pertama-mu di Scikit-Learn

Mengukur kinerja model regresi Machine Learning yang telah dilatih

Memahami teori dan intuisi di balik algoritma boosting

Melatih algoritma XG-boost di Scikit-Learn dalam konteks pemodelan regresi

Melatih beberapa model klasifikasi Machine Learning seperti Logistic Regression, Support Vector Machine, K-Nearest Neighbors, dan Random Forest Classifier

Mengukur performa model yang telah dilatih menggunakan berbagai Key Performance Indicators (KPI) seperti akurasi, presisi, recall, skor F1, AUC, dan ROC.

Melakukan perbandingan kinerja model klasifikasi menggunakan berbagai KPI.

Menerapkan AutoGluon untuk menyelesaikan masalah jenis regresi dan klasifikasi

Menggunakan AutoGluon untuk membangun model AI/ML hanya dengan beberapa baris kode

Menampilkan plot performa berbagai model di papan peringkat model

Mengoptimalkan hyperparameter model regresi dan klasifikasi menggunakan SK-Learn

Pelajari perbedaan antara berbagai strategi pengoptimalan hyperparameter seperti grid search, random search, dan Bayesian optimization.

Melakukan pengoptimalan hyperparameter menggunakan Scikit-Learn.

Memahami bias-variance trade-off serta regularisasi L1 dan L2

Course Gallery

Related Topics