Mata kuliah ini membekali mahasiswa tentang konsep dasar kecerdasan buatan dan komputasi lunak, beberapa tipe masukan data, pemrosesan dan transformasi data, vektor fitur dan rekayasa fitur, memahami secara komprehensif metode klasifikasi dengan pembelajaran terawasi dan tidak terawasi, dan metode optimasi dengan algoritma evolutionary, serta reduksi dimensi data. Mahasiswa juga mampu menerapkan metode-metode tersebut untuk studi kasus dalam bentuk tugas proyek, menganalisis dan mengevaluasi hasil penerapannya, serta menuangkan hasil pemodelan tersebut dalam suatu makalah. Mata kuliah ini akan membahas beberapa metode terkait penggunaannya masing-masing. Metode reduksi dimensi dan transformasi data yang dipelajari meliputi Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), dan Independent Component Analysis (ICA). Pembelajaran terawasi meliputi Multi-Layer Perceptron (MLP), RBF, ANFIS, Suppor Vector Machine (SVM) sedangkan pembelajaran tidak terawasi meliputi variasi metode clustering (K-Means, Hierarchical Clustering, DBSCAN). Kemudian, metode optimasi yang digunakan meliputi algoritma evolutionary seperti Genetic Algorithm (GA), Ant Colony (ACO), Particle Swarm Optimization (PSO), Artificial Bee Colony (ABC).
