Sidia is a education Platform website.
Deskripsi Mata Kuliah
Mata kuliah Pembelajaran Mesin membahas prinsip dan algoritma pembelajaran mesin yang memungkinkan sistem belajar dari data dan meningkatkan kinerja secara otomatis. Materi inti mencakup supervised learning (regresi dan klasifikasi), unsupervised learning, reinforcement learning, kernel learning, support vector machine, dimensionality reduction, model evaluation, overfitting–underfitting, optimasi, dan ensemble methods. Kompetensi yang ditargetkan adalah kemampuan mahasiswa dalam memahami teori dasar machine learning, memilih algoritma yang sesuai dengan karakteristik data, mengimplementasikan model secara komputasional, serta mengevaluasi dan menginterpretasikan hasil pembelajaran mesin secara kritis.
CPMK
- Menjelaskan konsep, paradigma, dan prinsip dasar pembelajaran mesin serta kemampuan generalisasi model dalam pengembangan sistem kecerdasan artifisial.
- Menganalisis dan menyiapkan data menggunakan teknik representasi data, prapemrosesan, dan feature engineering untuk mendukung proses pembelajaran mesin.
- Mengimplementasikan teknik optimasi dan pembelajaran mesin tingkat lanjut untuk meningkatkan kemampuan pemodelan dan performa sistem.
- Mengevaluasi dan menginterpretasikan performa model pembelajaran mesin menggunakan metode validasi, metrik evaluasi, dan teknik pengendalian kompleksitas model.
- Merancang, mengimplementasikan, mengevaluasi, dan mengomunikasikan solusi berbasis pembelajaran mesin untuk menyelesaikan permasalahan nyata secara kritis, sistematis, dan bertanggung jawab.
Aktifitas Pembelajaran
-
Pertemuan 1 Paradigma pembelajaran mesin, jenis-jenis pembelajaran mesin, konsep ruang hipotesis, fungsi target, serta prinsip generalisasi model dalam pengembangan sistem kecerdasan artifisial. -
Pertemuan 2 Melakukan representasi dan prapemrosesan data. -
Pertemuan 3 -
Pertemuan 4 Membangun model klasifikasi dan menganalisis decision boundary. -
Pertemuan 5 Performa model menggunakan metrik yang sesuai. -
Pertemuan 6 Dan mengatasi overfitting maupun underfitting. -
Pertemuan 7 SVM dan memilih kernel yang sesuai. -
Pertemuan 8 Penguasaan materi pertemuan 1–7. -
Pertemuan 9 Dan menerapkan metode optimasi model. -
Pertemuan 10 Genetic Algorithm untuk optimasi Machine Learning. -
Pertemuan 11 -
Pertemuan 12 Dan menerapkan nerapkan metode ensemble learning -
Pertemuan 13 Merancang proyek machine learning. -
Pertemuan 14 Melakukan preprocessing data dan membangun baseline model. -
Pertemuan 15 Melakukan optimasi dan evaluasi model proyek. -
Pertemuan 16 Mempresentasikan hasil proyek machine learning secara ilmiah.
Pustaka
- Machine Learning: A Probabilistic Perspective, K. P. Murphy, Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
- Pattern Recognition and Machine Learning, C. M. Bishop, Pattern Recognition and Machine Learning. Springer, 2006.
- Elly Matul Imah, Riskyana D I Puspitasari, Violent crowd flow detection from surveillance cameras using deep transfer learning–gated recurrent unit, https://onlinelibrary.wiley.com/doi/10.4218/etrij.2023-0222
Dosen
Difficult Things About Education.
$75$10
More Similar Courses
Related Courses
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,
Dasar Kependidikan
Untuk membekali para calon guru dan atau guru dalam jabatan tentang konsep dasar pendidikan, hakikat manusia dan pengembangannya, landasan pendidikan, pendidikan sebagai sistem, sistem pendidikan
Teori Probabilitas
Mata kuliah Teori Probabilitas pada program studi S1 Sains Data membahas konsep dasar probabilitas, aksioma probabilitas, variabel random diskrit dan kontinu, teorema probabilitas dan probabilitas
Copyright © 2026 Sinau Digital UNESA All Rights Reserved