Course Descriptions

Mata kuliah Machine Learning adalah matakuliah pilihan dengan bobot 3 sks dengan bentuk     2 sks teori dan 1 sks praktik ini secara umum bertujuan agar mahasiswa mampu mengimplementasikan model Machine Learning dalam sebuah kasus untuk menyelesaikan sebuah masalah. Secara khusus, setelah menempuh mata kuliah ini, mahasiswa diharapkan mampu untuk memahami ide dasar, intuisi, konsep, algoritma dan teknik untuk membuat komputer menjadi lebih cerdas melalui proses learning from data. Materi yang disampaikan meliputi supervised learning, unsupervised learning, reinforcement learning, dan ensemble methods.. Luaran mata kuliah berupa hasil analisis, pemodelan data dan implementasi / deploy model yang sudah teruji dalam sebuah aplikasi cerdas melalui proses learning from data untuk menyelesaikan masalah.

Learning Outcomes

S.3. Berkontribusi  dalam  peningkatan  mutu  kehidupan  bermasyarakat,  berbangsa,  bernegara,  dan  kemajuan  peradaban berdasarkan Pancasila

S.6. Bekerja sama dan memiliki kepekaan sosial serta kepedulian terhadap masyarakat dan lingkungan

S.9. Menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya secara mandiri

P.22. Menguasai konsep-konsep bahasa pemrograman, mengidentifikasi model-model bahasa pemrograman, serta membandingkan berbagai solusi P.31. Menguasai metode analisis Data untuk Solusi Artificial Intelligence (AI)

 

KU.1. Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks pengembangan atau implementasi ilmu pengetahuan dan teknologi yang memperhatikan dan menerapkan nilai humaniora yang sesuai dengan bidang keahliannya

KU.5.   Mampu mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang keahliannya, berdasarkan hasil analisis informasi dan data.

KK.15. Mampu mengaplikasikan pengetahuan dasar ilmiah dan mekanisme kerja komputer sehingga mampu memecahkan masalah melalui pembuatan model solusi sistem berbasis komputer

KK.17.  Mampu membangun aplikasi perangkat lunak dalam berbagai area yang berkaitan dengan bidang robotik, pengenalan suara, kecerdasan buatan dan bahasa natural.

KK21. Mampu melakukan analisis, memilah, merekontruksi dan mengintegrasikan Data untuk solusi Artificial Intelligence (AI)

References

1. C. Bishop, Pattern Recognition and Machine Learning, Springer-Verlag, 2006
2. I. H. Witten, E. Frank, M. A. Hall, Data Mining: Practical Machine Learning Tools and Techniques, Elsevier Inc., 2011
3. R. Herbrich, T. Graepel, and K. Obermayer. Large margin rank boundaries for ordinal regression. In Advances in Large Margin Classifiers, pages 115- 132. MIT Press, Cambridge, MA, 2000
4. M. W. Berry, M. Browne, A. N. Langville, V. P. Pauca, R. J. Plemmons. Algorithms and applications for approximate nonnegative matrix factorization. Computational Statistics & Data Analysis, 52: 155-173, 2007
5. Simon Haykin, “Neural Networks And Learning Machines 3rd Edition”, Pearson India, 2018

Boschetti, Alberto, and Luca Massaron, “Python Data Science Essentials: A practitioner’s guide covering essential data science

Details ...

Course Descriptions

Mata kuliah Machine Learning adalah matakuliah pilihan dengan bobot 3 sks dengan bentuk     2 sks teori dan 1 sks praktik ini secara umum bertujuan agar mahasiswa mampu mengimplementasikan model Machine Learning dalam sebuah kasus untuk menyelesaikan sebuah masalah. Secara khusus, setelah menempuh mata kuliah ini, mahasiswa diharapkan mampu untuk memahami ide dasar, intuisi, konsep, algoritma dan teknik untuk membuat komputer menjadi lebih cerdas melalui proses learning from data. Materi yang disampaikan meliputi supervised learning, unsupervised learning, reinforcement learning, dan ensemble methods.. Luaran mata kuliah berupa hasil analisis, pemodelan data dan implementasi / deploy model yang sudah teruji dalam sebuah aplikasi cerdas melalui proses learning from data untuk menyelesaikan masalah.

Learning Outcomes

S.3. Berkontribusi  dalam  peningkatan  mutu  kehidupan  bermasyarakat,  berbangsa,  bernegara,  dan  kemajuan  peradaban berdasarkan Pancasila

S.6. Bekerja sama dan memiliki kepekaan sosial serta kepedulian terhadap masyarakat dan lingkungan

S.9. Menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya secara mandiri

P.22. Menguasai konsep-konsep bahasa pemrograman, mengidentifikasi model-model bahasa pemrograman, serta membandingkan berbagai solusi P.31. Menguasai metode analisis Data untuk Solusi Artificial Intelligence (AI)

 

KU.1. Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks pengembangan atau implementasi ilmu pengetahuan dan teknologi yang memperhatikan dan menerapkan nilai humaniora yang sesuai dengan bidang keahliannya

KU.5.   Mampu mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang keahliannya, berdasarkan hasil analisis informasi dan data.

KK.15. Mampu mengaplikasikan pengetahuan dasar ilmiah dan mekanisme kerja komputer sehingga mampu memecahkan masalah melalui pembuatan model solusi sistem berbasis komputer

KK.17.  Mampu membangun aplikasi perangkat lunak dalam berbagai area yang berkaitan dengan bidang robotik, pengenalan suara, kecerdasan buatan dan bahasa natural.

KK21. Mampu melakukan analisis, memilah, merekontruksi dan mengintegrasikan Data untuk solusi Artificial Intelligence (AI)

References

1. C. Bishop, Pattern Recognition and Machine Learning, Springer-Verlag, 2006
2. I. H. Witten, E. Frank, M. A. Hall, Data Mining: Practical Machine Learning Tools and Techniques, Elsevier Inc., 2011
3. R. Herbrich, T. Graepel, and K. Obermayer. Large margin rank boundaries for ordinal regression. In Advances in Large Margin Classifiers, pages 115- 132. MIT Press, Cambridge, MA, 2000
4. M. W. Berry, M. Browne, A. N. Langville, V. P. Pauca, R. J. Plemmons. Algorithms and applications for approximate nonnegative matrix factorization. Computational Statistics & Data Analysis, 52: 155-173, 2007
5. Simon Haykin, “Neural Networks And Learning Machines 3rd Edition”, Pearson India, 2018

Boschetti, Alberto, and Luca Massaron, “Python Data Science Essentials: A practitioner’s guide covering essential data science

Details ...

Course Descriptions

Mata kuliah Machine Learning adalah matakuliah pilihan dengan bobot 3 sks dengan bentuk     2 sks teori dan 1 sks praktik ini secara umum bertujuan agar mahasiswa mampu mengimplementasikan model Machine Learning dalam sebuah kasus untuk menyelesaikan sebuah masalah. Secara khusus, setelah menempuh mata kuliah ini, mahasiswa diharapkan mampu untuk memahami ide dasar, intuisi, konsep, algoritma dan teknik untuk membuat komputer menjadi lebih cerdas melalui proses learning from data. Materi yang disampaikan meliputi supervised learning, unsupervised learning, reinforcement learning, dan ensemble methods.. Luaran mata kuliah berupa hasil analisis, pemodelan data dan implementasi / deploy model yang sudah teruji dalam sebuah aplikasi cerdas melalui proses learning from data untuk menyelesaikan masalah.

Learning Outcomes

S.3. Berkontribusi  dalam  peningkatan  mutu  kehidupan  bermasyarakat,  berbangsa,  bernegara,  dan  kemajuan  peradaban berdasarkan Pancasila

S.6. Bekerja sama dan memiliki kepekaan sosial serta kepedulian terhadap masyarakat dan lingkungan

S.9. Menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya secara mandiri

P.22. Menguasai konsep-konsep bahasa pemrograman, mengidentifikasi model-model bahasa pemrograman, serta membandingkan berbagai solusi P.31. Menguasai metode analisis Data untuk Solusi Artificial Intelligence (AI)

 

KU.1. Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks pengembangan atau implementasi ilmu pengetahuan dan teknologi yang memperhatikan dan menerapkan nilai humaniora yang sesuai dengan bidang keahliannya

KU.5.   Mampu mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang keahliannya, berdasarkan hasil analisis informasi dan data.

KK.15. Mampu mengaplikasikan pengetahuan dasar ilmiah dan mekanisme kerja komputer sehingga mampu memecahkan masalah melalui pembuatan model solusi sistem berbasis komputer

KK.17.  Mampu membangun aplikasi perangkat lunak dalam berbagai area yang berkaitan dengan bidang robotik, pengenalan suara, kecerdasan buatan dan bahasa natural.

KK21. Mampu melakukan analisis, memilah, merekontruksi dan mengintegrasikan Data untuk solusi Artificial Intelligence (AI)

References

1. C. Bishop, Pattern Recognition and Machine Learning, Springer-Verlag, 2006
2. I. H. Witten, E. Frank, M. A. Hall, Data Mining: Practical Machine Learning Tools and Techniques, Elsevier Inc., 2011
3. R. Herbrich, T. Graepel, and K. Obermayer. Large margin rank boundaries for ordinal regression. In Advances in Large Margin Classifiers, pages 115- 132. MIT Press, Cambridge, MA, 2000
4. M. W. Berry, M. Browne, A. N. Langville, V. P. Pauca, R. J. Plemmons. Algorithms and applications for approximate nonnegative matrix factorization. Computational Statistics & Data Analysis, 52: 155-173, 2007
5. Simon Haykin, “Neural Networks And Learning Machines 3rd Edition”, Pearson India, 2018

Boschetti, Alberto, and Luca Massaron, “Python Data Science Essentials: A practitioner’s guide covering essential data science

Details ...

Course Descriptions

Mata kuliah Machine Learning adalah matakuliah pilihan dengan bobot 3 sks dengan bentuk     2 sks teori dan 1 sks praktik ini secara umum bertujuan agar mahasiswa mampu mengimplementasikan model Machine Learning dalam sebuah kasus untuk menyelesaikan sebuah masalah. Secara khusus, setelah menempuh mata kuliah ini, mahasiswa diharapkan mampu untuk memahami ide dasar, intuisi, konsep, algoritma dan teknik untuk membuat komputer menjadi lebih cerdas melalui proses learning from data. Materi yang disampaikan meliputi supervised learning, unsupervised learning, reinforcement learning, dan ensemble methods.. Luaran mata kuliah berupa hasil analisis, pemodelan data dan implementasi / deploy model yang sudah teruji dalam sebuah aplikasi cerdas melalui proses learning from data untuk menyelesaikan masalah.

Learning Outcomes

S.3. Berkontribusi  dalam  peningkatan  mutu  kehidupan  bermasyarakat,  berbangsa,  bernegara,  dan  kemajuan  peradaban berdasarkan Pancasila

S.6. Bekerja sama dan memiliki kepekaan sosial serta kepedulian terhadap masyarakat dan lingkungan

S.9. Menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya secara mandiri

P.22. Menguasai konsep-konsep bahasa pemrograman, mengidentifikasi model-model bahasa pemrograman, serta membandingkan berbagai solusi P.31. Menguasai metode analisis Data untuk Solusi Artificial Intelligence (AI)

 

KU.1. Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks pengembangan atau implementasi ilmu pengetahuan dan teknologi yang memperhatikan dan menerapkan nilai humaniora yang sesuai dengan bidang keahliannya

KU.5.   Mampu mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang keahliannya, berdasarkan hasil analisis informasi dan data.

KK.15. Mampu mengaplikasikan pengetahuan dasar ilmiah dan mekanisme kerja komputer sehingga mampu memecahkan masalah melalui pembuatan model solusi sistem berbasis komputer

KK.17.  Mampu membangun aplikasi perangkat lunak dalam berbagai area yang berkaitan dengan bidang robotik, pengenalan suara, kecerdasan buatan dan bahasa natural.

KK21. Mampu melakukan analisis, memilah, merekontruksi dan mengintegrasikan Data untuk solusi Artificial Intelligence (AI)

References

1. C. Bishop, Pattern Recognition and Machine Learning, Springer-Verlag, 2006
2. I. H. Witten, E. Frank, M. A. Hall, Data Mining: Practical Machine Learning Tools and Techniques, Elsevier Inc., 2011
3. R. Herbrich, T. Graepel, and K. Obermayer. Large margin rank boundaries for ordinal regression. In Advances in Large Margin Classifiers, pages 115- 132. MIT Press, Cambridge, MA, 2000
4. M. W. Berry, M. Browne, A. N. Langville, V. P. Pauca, R. J. Plemmons. Algorithms and applications for approximate nonnegative matrix factorization. Computational Statistics & Data Analysis, 52: 155-173, 2007
5. Simon Haykin, “Neural Networks And Learning Machines 3rd Edition”, Pearson India, 2018

Boschetti, Alberto, and Luca Massaron, “Python Data Science Essentials: A practitioner’s guide covering essential data science

Details ...

Course Descriptions

Mata kuliah Machine Learning adalah matakuliah pilihan dengan bobot 3 sks dengan bentuk     2 sks teori dan 1 sks praktik ini secara umum bertujuan agar mahasiswa mampu mengimplementasikan model Machine Learning dalam sebuah kasus untuk menyelesaikan sebuah masalah. Secara khusus, setelah menempuh mata kuliah ini, mahasiswa diharapkan mampu untuk memahami ide dasar, intuisi, konsep, algoritma dan teknik untuk membuat komputer menjadi lebih cerdas melalui proses learning from data. Materi yang disampaikan meliputi supervised learning, unsupervised learning, reinforcement learning, dan ensemble methods.. Luaran mata kuliah berupa hasil analisis, pemodelan data dan implementasi / deploy model yang sudah teruji dalam sebuah aplikasi cerdas melalui proses learning from data untuk menyelesaikan masalah.

Learning Outcomes

S.3. Berkontribusi  dalam  peningkatan  mutu  kehidupan  bermasyarakat,  berbangsa,  bernegara,  dan  kemajuan  peradaban berdasarkan Pancasila

S.6. Bekerja sama dan memiliki kepekaan sosial serta kepedulian terhadap masyarakat dan lingkungan

S.9. Menunjukkan sikap bertanggungjawab atas pekerjaan di bidang keahliannya secara mandiri

P.22. Menguasai konsep-konsep bahasa pemrograman, mengidentifikasi model-model bahasa pemrograman, serta membandingkan berbagai solusi P.31. Menguasai metode analisis Data untuk Solusi Artificial Intelligence (AI)

 

KU.1. Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif dalam konteks pengembangan atau implementasi ilmu pengetahuan dan teknologi yang memperhatikan dan menerapkan nilai humaniora yang sesuai dengan bidang keahliannya

KU.5.   Mampu mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang keahliannya, berdasarkan hasil analisis informasi dan data.

KK.15. Mampu mengaplikasikan pengetahuan dasar ilmiah dan mekanisme kerja komputer sehingga mampu memecahkan masalah melalui pembuatan model solusi sistem berbasis komputer

KK.17.  Mampu membangun aplikasi perangkat lunak dalam berbagai area yang berkaitan dengan bidang robotik, pengenalan suara, kecerdasan buatan dan bahasa natural.

KK21. Mampu melakukan analisis, memilah, merekontruksi dan mengintegrasikan Data untuk solusi Artificial Intelligence (AI)

References

1. C. Bishop, Pattern Recognition and Machine Learning, Springer-Verlag, 2006
2. I. H. Witten, E. Frank, M. A. Hall, Data Mining: Practical Machine Learning Tools and Techniques, Elsevier Inc., 2011
3. R. Herbrich, T. Graepel, and K. Obermayer. Large margin rank boundaries for ordinal regression. In Advances in Large Margin Classifiers, pages 115- 132. MIT Press, Cambridge, MA, 2000
4. M. W. Berry, M. Browne, A. N. Langville, V. P. Pauca, R. J. Plemmons. Algorithms and applications for approximate nonnegative matrix factorization. Computational Statistics & Data Analysis, 52: 155-173, 2007
5. Simon Haykin, “Neural Networks And Learning Machines 3rd Edition”, Pearson India, 2018

Boschetti, Alberto, and Luca Massaron, “Python Data Science Essentials: A practitioner’s guide covering essential data science

Details ...