Course Basic Machine Learning

Course Description

This lecture discusses the basics of machine learning, namely software development techniques that can produce models to explain complex phenomena by observing a number of data. The methods taught are based on mathematical approaches to supervised learning, unsupervised learning, and reinforcement learning. These include perceptrons, support vector machines, hidden Markov models, expectation maximization, deep learning, and others

Program Objectives (PO)

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

Date 6 Februari 2025

Pertemuan 2
Dan menerapkan beberapa model pengembangan jaringan syaraf tiruan seperti Hebbian, Adeline, Delta Rule, LVQ, dan SOM
Date 13 Februari 2025

Pertemuan 3

Dan menerapkan beberapa model pengembangan jaringan syaraf tiruan seperti Multi Layer Perceptron, Backpropagation, Many Adeline, dan GLVQ

Date 20 Februari 2025

Pertemuan 4

Dan menerapkan beberapa model berbasis probabilitas seperti Expectation maximization (EM), Markov models, Hidden Markov Models (HMMs), dan Mixtures Model

Date 27 Februari 2025

Pertemuan 5
Dan menerapkan beberapa model Linear dan Non-linear Support vector machine (SVM)
Date 6 Maret 2025
Pertemuan 6
Dan menerapkan beberapa model optimization algorithm seperti Particle Swarm Optimization (PSO), Genetic Algorithm, dan Ant Colony
Date 13 Maret 2025
Pertemuan 7
Dan mengatasi data imbalance menggunakan teknik seperti SMOTE, Adasyn, dan weighted algorithm serta memahami evaluation measure
Date 20 Maret 2025
Pertemuan 8
Date 27 Maret 2025
Pertemuan 9
Date 3 April 2025
Pertemuan 10
Dan menerapkan model Ensemble Learning
Date 10 April 2025
Pertemuan 11
Dan menerapkan model Recurrent Neural Networks and online learning
Date 17 April 2025
Pertemuan 12
Merancang penyelesaian masalah menggunakan teknik pembelajaran mesin
Date 24 April 2025
Pertemuan 13
Merancang penyelesaian masalah menggunakan teknik pembelajaran mesin
Date 1 Mei 2025
Pertemuan 14
Masalah menggunakan teknik pembelajaran mesin
Date 8 Mei 2025
Pertemuan 15
Merancang penyelesaian masalah menggunakan teknik pembelajaran mesin
Date 15 Mei 2025
Pertemuan 16
Masalah menggunakan teknik pembelajaran mesin
Date 22 Mei 2025