Sidia is a education Platform website.
Deskripsi Mata Kuliah
Kuliah ini membahas dasar-dasar pemelajaran mesin (machine learning), yaitu teknik pengembangan perangkat lunak yang dapat menghasilkan model untuk menjelaskan suatu fenomena kompleks dengan cara mengamati sejumlah data. Metode-metode yang diajarkan berbasis pendekatan matematis pada supervised learning, unsupervised learning, dan reinforcement learning. Antara lain perceptron, support vector machines, hidden Markov models, expectation maximization, Deep learning, dan lain-lain
CPMK
- Memahami konsep dasar pemelajaran mesin dasar, konsep pembelajaran, dan memahami model jaringan syaraf tiruan seperti perceptron, serta loss function dalam suatu model
- Mampu memahami dan menerapkan beberapa model pengembangan jaringan syaraf tiruan seperti Hebbian, Adeline, Delta Rule, LVQ, dan SOM
- Mampu memahami dan menerapkan beberapa model pengembangan jaringan syaraf tiruan seperti Multi Layer Perceptron, Backpropagation, Many Adeline, dan GLVQ
- Mampu memahami dan menerapkan beberapa model berbasis probabilitas seperti Expectation maximization (EM), Markov models, Hidden Markov Models (HMMs), dan Mixtures Model
- Mampu memahami dan menerapkan beberapa model Linear dan Non-linear Support vector machine (SVM)
- Mampu memahami dan menerapkan beberapa model optimization algorithm seperti PSO, Genetic Algorithm, dan Ant Colony
- Mampu memahami dan mengatasi data imbalance menggunakan teknik seperti SMOTE, Adasyn, dan weighted algorithm serta memahami evaluation measure
- Ujian Tengah Semester (UTS)
- Mampu memahami dan menerapkan proses seleksi fitur dan ekstraksi fitur
- Mampu memahami dan menerapkan model Ensemble Learning
- Mampu memahami dan menerapkan model Recurrent Neural Networks and online learning
- Mahasiswa mampu merancang penyelesaian masalah menggunakan teknik pemelajaran mesin dasar
- Mahasiswa mampu menjelaskan hasil penyelesaian masalah menggunakan teknik pemelajaran mesin dasar
Aktifitas Pembelajaran
-
Pertemuan 1 Konsep dasar pembelajaran mesin dasar, konsep pembelajaran, dan memahami model jaringan syaraf tiruan seperti perceptron, serta loss function dalam suatu model -
Pertemuan 2 Dan menerapkan beberapa model pengembangan jaringan syaraf tiruan seperti Hebbian, Adeline, Delta Rule, LVQ, dan SOM -
Pertemuan 3 Dan menerapkan beberapa model pengembangan jaringan syaraf tiruan seperti Multi Layer Perceptron, Backpropagation, Many Adeline, dan GLVQ -
Pertemuan 4 Dan menerapkan beberapa model berbasis probabilitas seperti Expectation maximization (EM), Markov models, Hidden Markov Models (HMMs), dan Mixtures Model -
Pertemuan 5 Dan menerapkan beberapa model Linear dan Non-linear Support vector machine (SVM) -
Pertemuan 6 Dan menerapkan beberapa model optimization algorithm seperti Particle Swarm Optimization (PSO), Genetic Algorithm, dan Ant Colony -
Pertemuan 7 Dan mengatasi data imbalance menggunakan teknik seperti SMOTE, Adasyn, dan weighted algorithm serta memahami evaluation measure -
Pertemuan 8 -
Pertemuan 9 -
Pertemuan 10 Dan menerapkan model Ensemble Learning -
Pertemuan 11 Dan menerapkan model Recurrent Neural Networks and online learning -
Pertemuan 12 Merancang penyelesaian masalah menggunakan teknik pembelajaran mesin -
Pertemuan 13 Merancang penyelesaian masalah menggunakan teknik pembelajaran mesin -
Pertemuan 14 Masalah menggunakan teknik pembelajaran mesin -
Pertemuan 15 Merancang penyelesaian masalah menggunakan teknik pembelajaran mesin -
Pertemuan 16 Masalah menggunakan teknik pembelajaran mesin
Pustaka
- Stephen Marsland. Machine Learning: An Algorithmic Perspective. 2nd Ed. Chapman & Hall/CRC.2019
- Christoper M. Bishop, Pattern Recognition & Machine Learning, New Yourk, Springer. 2006
[1] Christoper M. Bishop, Pattern Recognition & Machine Learning, New Yourk, Springer. 2006
[2] Duda, Richard, Peter Hart, and David Stork. Pattern Classification. 2nd Ed. New York, NY: Wiley-Interscience, 2000
- Géron, A. Hands-on machine learning with Scikit-Learn, Keras and TensorFlow: concepts, tools, and techniques to build intelligent systems (2nd ed.).O’Reilly. 2019.
Dosen
Difficult Things About Education.
$75$10
More Similar Courses
Related Courses
Biokimia
Mata kuliah ini mencakup pembahasan senyawa organik seperti karbohidrat, protein, lipida dan asam nukleat dan proses metabolismenya (katabolisme dan anabolisma) senyawa organik tersebut pada tubuh
Keamanan dan Integritas Data
Mata kuliah ini mengajarkan tentang konsep dan prinsip keamanan dan privasi data relevan bagi konteks ilmuwan data dan sesuai lingkup area Data Privacy, Security, Integrity,
Teori Belajar
Mengkaji tentang teori-teori yang menjelaskan cara siswa belajar meliputi teori belajar perilaku (behaviourisme), teori belajar kognitif, teori pemrosesan informasi, teori belajar konstruktivisme, teori belajar sosial,
Copyright © 2025 Sinau Digital UNESA All Rights Reserved