4,9/5 · 132 ulasan · Mahasiswa & Umum
Les Privat Machine Learning di Jogja
Les machine learning Jogja untuk mahasiswa dan pekerja: satu tutor satu peserta, dari dasar Python sampai proyek portofolio yang benar-benar selesai. Mulai Rp80.000 per jam.
- 4,9/5132 ulasan
- 11.000+tutor lolos kurasi
- 1-on-1privat seutuhnya
- Fleksibelrumah · kafe · kampus · online
- Garansibebas ganti tutor
- Assessmentkebutuhan diukur dulu
Satu tutor Machine Learning khusus untuk Anda di Jogja
Sesi machine learning bisa di kos, kampus, kafe, perpustakaan, atau online, mengikuti agenda Anda.
Kesan mereka selepas beberapa sesi
Implementasi kode di skripsi saya mandek berbulan-bulan. Tutor memandu dari pembersihan data sampai evaluasi model, dan sekarang berkasnya tersimpan rapi di repositori yang bisa saya tunjukkan saat melamar kerja.
Saya menulis kode setiap hari, tetapi rumus machine learning selalu saya hindari. Di sini urutannya dibalik: praktik dahulu, teorinya menyusul sambil berjalan. Sekarang saya berani menambahkan fitur berbasis model di aplikasi sendiri.
Peta materi
Sepuluh babak materi machine learning dan titik rawannya
Urutan di bawah dipakai sebagai kerangka les machine learning Jogja. Peserta yang sudah menguasai satu babak melewatinya setelah pemetaan awal, dan babak yang paling dekat dengan tenggat didahulukan.
Python untuk pekerjaan data
Sesi 1-3Tipe data, list, dictionary, fungsi, perulangan, membaca berkas CSV, serta menata notebook supaya urutan selnya terbaca jelas.
Titik rawan
Kode ditumpuk dalam satu sel raksasa dan dijalankan tak berurutan, sehingga hasilnya berubah setiap kali notebook dibuka ulang.
Cara kami mendampingi
Kebiasaan kecil ditanamkan sejak pertemuan pertama: satu sel satu maksud, nama variabel yang berbicara, dan menjalankan ulang notebook dari nol sebelum menyimpulkan apa pun.
pandas dan NumPy
Sesi 3-5Menyaring baris, memilih kolom, menggabungkan tabel, mengelompokkan dan meringkas, serta operasi vektor NumPy untuk perhitungan berskala.
Titik rawan
Perulangan Python dipakai untuk pekerjaan yang selesai dalam satu baris operasi vektor, dan indexing berantai memunculkan peringatan salinan yang telanjur diabaikan.
Cara kami mendampingi
Tugas yang sama dikerjakan dua kali: versi perulangan supaya logikanya terlihat, lalu versi vektor supaya peserta merasakan sendiri selisih kecepatan dan kerapiannya.
Statistika dan aljabar linear seperlunya
Menyertai semua sesiRata-rata, median, simpangan baku, distribusi, korelasi, vektor dan matriks sebagai bentuk data, serta gagasan bias dan varians.
Titik rawan
Korelasi dibaca sebagai sebab-akibat, dan uji statistik dipilih semata karena namanya sering muncul di jurnal yang kebetulan dibaca.
Cara kami mendampingi
Konsep dijelaskan dengan angka kecil yang bisa dihitung tangan lebih dahulu, baru dipindahkan ke data asli peserta supaya artinya terasa nyata.
Eksplorasi data dan visualisasi
Sesi 4-6Ringkasan statistik per kolom, bentuk sebaran, pencilan, hubungan antarvariabel, dan cara membaca grafik residu.
Titik rawan
Pencilan langsung dibuang tanpa ditanyakan asalnya, padahal sebagiannya justru kejadian paling penting bagi masalah yang sedang dikerjakan.
Cara kami mendampingi
Peserta diminta menulis satu kalimat temuan untuk tiap grafik, sehingga eksplorasi berhenti menjadi kegiatan menghias dan mulai menjadi alat memutuskan.
Praproses dan pipeline
Sesi 5-7Penanganan nilai hilang, pengkodean kategori, penskalaan, pemisahan data, dan merangkai seluruh langkah dalam pipeline scikit-learn.
Titik rawan
Penskalaan dihitung dari seluruh data sebelum dibagi, sehingga informasi bagian uji ikut masuk ke pelatihan dan skornya terlihat lebih bagus daripada kenyataan.
Cara kami mendampingi
Urutan aman dilatih sampai menjadi refleks: bagi dahulu, susun pipeline, baru latih. Tutor sengaja menunjukkan versi bocornya supaya selisih skornya terlihat dengan mata sendiri.
Regresi
Sesi 6-8Regresi linier, regresi teratur, pohon dan ensembel untuk target berupa angka, serta cara membaca koefisien dan pengaruh tiap fitur.
Titik rawan
R kuadrat dikejar tanpa pembanding, dan model dipakai memperkirakan nilai yang jauh di luar rentang data latihnya.
Cara kami mendampingi
Setiap model diadu dengan tebakan rata-rata, dan kesalahan dilaporkan dalam satuan aslinya supaya selisih seratus ribu rupiah terbaca sebagai seratus ribu rupiah.
Klasifikasi
Sesi 7-9Regresi logistik, k tetangga terdekat, pohon keputusan, random forest, dan gradient boosting, lengkap dengan pembacaan matriks kebingungan.
Titik rawan
Akurasi dipakai pada data yang sangat timpang, dan ambang 0,5 diperlakukan sebagai ketentuan baku padahal boleh digeser sesuai kebutuhan.
Cara kami mendampingi
Ambang disetel dari kurva presisi-recall dengan menimbang biaya tiap jenis kesalahan di kasus peserta sendiri, lalu keputusannya dicatat sebagai bagian laporan.
Validasi dan penyetelan
Sesi 8-10Pembagian latih-uji, validasi silang berlipat, pencarian kisi dan pencarian acak, serta pembagian berurutan khusus data deret waktu.
Titik rawan
Hyperparameter disetel berkali-kali memakai bagian uji, sehingga data yang seharusnya menjadi hakim berubah menjadi bahan latihan tambahan.
Cara kami mendampingi
Data dipecah tiga sejak awal, dan bagian terakhir dikunci sampai satu model final benar-benar dipilih.
Unsupervised learning
Sesi 10-12k-means, pengelompokan hierarkis, DBSCAN, reduksi dimensi dengan PCA, serta pengukuran mutu kelompok memakai skor siluet.
Titik rawan
Jumlah kelompok ditetapkan dari perasaan, data belum diskalakan padahal k-means bekerja dengan jarak, dan kelompok yang muncul langsung dianggap fakta.
Cara kami mendampingi
Beberapa nilai k diuji dan dibandingkan, lalu tiap kelompok wajib dijelaskan ulang dengan kalimat yang dimengerti pemilik masalahnya.
Proyek portofolio dan dokumentasi
Sesi 12 ke atasMerumuskan masalah, mengumpulkan data, membangun baseline, melakukan perbaikan berulang, menulis laporan, dan menyiapkan repositori.
Titik rawan
Notebook penuh kode tanpa satu pun kalimat penjelasan, sehingga pembaca luar tak pernah tahu keputusan apa yang diambil dan atas dasar apa.
Cara kami mendampingi
Tiap proyek ditutup dengan berkas README, catatan keputusan, dan satu halaman ringkasan yang bisa dibaca perekrut dalam dua menit.
Kesan peserta
Teori statistika saya sudah ada sejak kuliah, praktiknya belum. Sesi pertama langsung masuk pandas dan scikit-learn dengan data saya sendiri.
Yang dibawa pulang
Yang tersisa di tanganmu setelah les machine learning Jogja berakhir
Repositori berisi notebook yang rapi
Kode tersimpan bersama catatan keputusan dan daftar pustaka yang dipakai, sehingga bisa dijalankan ulang di komputer lain.
Satu proyek machine learning yang selesai
Lengkap dari perumusan masalah sampai laporan singkat, dengan metrik dan baseline yang bisa dipertanggungjawabkan di sidang atau rapat.
Kerangka pipeline siap pakai ulang
Susunan praproses dan validasi yang tinggal disesuaikan kolomnya untuk dataset berikutnya.
Catatan kemajuan tiap sesi
Ringkasan materi, tugas, dan target berikutnya tercatat rapi, jadi kemajuan bisa ditunjukkan kepada pembimbing atau atasan.
Daftar periksa kebocoran data
Pertanyaan singkat yang dijalankan sebelum menyimpulkan bahwa sebuah model memang layak dipercaya.
Kebiasaan membaca dokumentasi sendiri
Peserta terbiasa membuka dokumentasi scikit-learn dan pandas tanpa panik, sehingga pustaka baru berhenti terasa asing.
Bahasa untuk menjelaskan hasil model
Cara menerjemahkan metrik menjadi kalimat yang dimengerti dosen penguji, atasan, atau klien yang tak menulis kode.
Rencana belajar lanjutan
Daftar topik berikutnya beserta sumber yang sudah diperiksa tutor, disusun mengikuti tujuan peserta.
Kenali Tutornya
Tutor Machine Learning terverifikasi
Setiap tutor lolos seleksi, wawancara, dan uji materi sebelum mengajar di Jogja.
Nano S.
Informatika · UII
Jovi S.
Teknik Informatika · Universitas Katolik Soegijapranata
Kana S.
Informatika · Amikom
Mufi N.
Teknik Komputer · Amikom
Laju belajar
Dari nol sampai proyek machine learning pertama
Penanda sesi di bawah adalah rata-rata peserta les machine learning Jogja yang berlatih tiga sampai empat jam sepekan di luar kelas. Peserta dengan waktu lebih longgar biasanya bergerak lebih cepat.
- Sebelum sesi 1
Pemetaan titik mulai
Satu tugas data singkat dan percakapan tentang tujuan menentukan dari mana kelas dimulai, sehingga bagian yang sudah dikuasai tak diulang.
- Sesi 1-3
Fondasi Python untuk data
Notebook pertama peserta berisi pembacaan berkas, penyaringan baris, dan ringkasan sederhana dari datanya sendiri.
- Sesi 3-5
Data peserta masuk kelas
Dataset yang akan benar-benar dipakai dibedah bersama: tipe kolom diperbaiki, nilai kosong diputuskan perlakuannya, kategori disamakan penulisannya.
- Sesi 5-8
Model pertama dan pembandingnya
Regresi atau klasifikasi dijalankan lewat pipeline, lalu diadu dengan tebakan paling sederhana supaya angkanya punya arti.
- Sesi 8-10
Validasi dan perbaikan terarah
Validasi silang, penyetelan hyperparameter, dan pembacaan kesalahan model satu per satu untuk memilih perbaikan yang paling berdampak.
- Sesi 8-12
Proyek pertama tuntas
Satu proyek utuh selesai dari perumusan masalah sampai laporan, tersimpan di repositori yang bisa dibuka dan dijalankan orang lain.
- Setelah sesi 12
Memilih arah lanjutan
Peserta memilih kelanjutan: deret waktu, pengolahan teks, jaringan saraf, atau penerapan langsung di pekerjaan sehari-hari.
Yang jadi andalan
Alasan peserta memilih Machine Learning di Jogja
Alur kerja data yang dipakai di lapangan
Materi disusun mengikuti urutan kerja tim data sungguhan: merumuskan masalah, membereskan data, membangun model, mengukur hasil, lalu menyampaikannya kepada orang yang harus memutuskan.
Tutor praktisi data dan asisten dosen
Pengampu les machine learning Jogja dipilih dari orang yang pernah menuntaskan proyek data sungguhan dan terbiasa memecah konsep berat jadi contoh berangka kecil yang bisa dihitung tangan.
Catatan kemajuan tiap pertemuan
Setiap sesi meninggalkan ringkasan materi, tugas antar sesi, dan target berikutnya. Peserta atau atasannya bisa melihat laju kemajuan tanpa menebak.
Proyek dinilai dengan kriteria terbuka
Penilaian memakai daftar yang disepakati di awal: kejelasan masalah, dokumentasi, pemilihan metrik, keberadaan baseline, dan catatan perbaikan tiap putaran.
Kecepatan mengikuti pemahamanmu
Satu tutor mendampingi satu peserta, jadi pertanyaan sekecil apa pun bisa diajukan saat itu juga dan satu topik boleh diulang sampai benar-benar jelas.
Jam dan tempat yang menyesuaikan
Sesi les machine learning Jogja berjalan di kos, kantor, kampus, atau lewat kelas online, dengan jam yang dipilih peserta. Jadwal padat menjadi alasan paling sering peserta dewasa memilih format privat.
Les machine learning Jogja pas untukmu jika
Belajar machine learning sendirian sering berhenti sebelum model pertama jalan
Peserta yang datang ke sesi pertama biasanya membawa riwayat yang mirip: beberapa video pengantar machine learning sudah ditonton, satu notebook contoh sudah disalin utuh, dan satu berkas CSV masih tergeletak tanpa pernah dibuka sampai baris terakhir. Bahannya sudah menumpuk. Urutannya yang belum ketemu.
Penyebabnya jarang soal kemampuan. Machine learning menuntut empat lapisan sekaligus: Python yang cukup lancar, kebiasaan merapikan data, sedikit statistika, dan disiplin mengukur hasil. Kursus rekaman umumnya kuat di satu lapisan lalu menganggap tiga sisanya sudah dikuasai penonton. Begitu lapisan yang dilewati itu muncul di proyek sungguhan, kode berhenti dan tidak ada tempat bertanya.
Sesi les machine learning Jogja membenahi urutan itu. Tutor membaca kode yang benar-benar kamu tulis, menandai lapisan yang bolong, lalu menambalnya persis di tempat masalahnya muncul. Satu jam bersama orang yang pernah menyelesaikan proyek serupa memangkas berhari-hari yang biasanya habis untuk menebak.
Selengkapnya
Enam titik macet yang paling sering dibawa ke sesi pertama les machine learning Jogja
Kode jalan, hasilnya tidak dipahami
Model sudah mengeluarkan angka, lalu pertanyaan berikutnya membeku: angka itu bagus atau buruk dibandingkan apa?
Data mentah tak pernah serapi contoh
Kolom tanggal terbaca sebagai teks, kategori ditulis dengan tiga ejaan berbeda, dan sel kosong punya arti yang berbeda-beda.
Matematika terasa menghalangi di depan
Rumus di buku terlihat berat, padahal untuk memulai cukup paham vektor, rata-rata, sebaran, dan gagasan galat.
Proyek berhenti di tengah jalan
Notebook tumbuh tanpa arah sampai penulisnya sendiri lupa sel mana yang harus dijalankan lebih dahulu.
Latihan memakai data yang sudah bersih
Dataset contoh melompati pekerjaan pembersihan, padahal justru di situlah sebagian besar waktu proyek nyata terpakai.
Tak ada yang mengoreksi kesalahan halus
Kekeliruan seperti menghitung penskalaan sebelum data dibagi bisa bertahan berbulan-bulan tanpa satu orang pun menegur.
Machine learning itu apa, tanpa bungkus istilah?
Machine learning menyusun aturan program dari data. Kita menyiapkan contoh yang jawabannya sudah diketahui, mesin mencari pola yang menghubungkan masukan dengan jawaban itu, lalu pola tersebut dipakai pada data yang belum pernah dilihat. Ukuran keberhasilannya diambil dari data baru, sebab hasil di data latih selalu terlihat lebih manis daripada kenyataan.
Ada dua keluarga besar. Supervised learning bekerja saat tiap baris data punya label: harga sewa kamar, lulus atau tidak, jenis keluhan pelanggan. Unsupervised learning bekerja tanpa label, dan tugasnya mengelompokkan atau meringkas. Di dalam supervised masih terbagi lagi: regresi memperkirakan angka, klasifikasi memilih kelas.
Yang disebut model sebenarnya sebuah fungsi dengan sejumlah parameter. Proses belajar berarti mencari parameter yang mengecilkan selisih antara ramalan dan kenyataan pada contoh yang tersedia, sambil menjaga fungsi itu tetap masuk akal di luar contoh tersebut. Dari sinilah validasi, baseline, dan pemisahan data menjadi inti pelajaran, sementara pemilihan algoritme justru bagian yang paling cepat dikuasai.
Urutan yang kami pakai: Python dahulu, matematika secukupnya, model belakangan
Tiga sampai empat sesi pertama les machine learning Jogja hampir selalu habis untuk Python yang dipakai orang data: tipe data, list dan dictionary, fungsi, perulangan, membaca berkas, serta kebiasaan menamai variabel supaya notebook masih terbaca sepekan kemudian. Peserta yang sudah lancar Python melewati bagian ini dan langsung masuk pandas.
Matematika menyusul, porsinya diambil seperlunya. Untuk memulai, yang benar-benar terpakai adalah vektor dan matriks sebagai bentuk data, rata-rata dan simpangan untuk memahami sebaran, korelasi untuk membaca hubungan antarkolom, serta gagasan bias dan varians yang menjelaskan mengapa model bisa terlalu patuh pada data latih. Kalkulus masuk belakangan, itu pun hanya bagi peserta yang memang menuju penelitian.
Model datang paling akhir dan justru bagian tercepat. Memanggil regresi logistik di scikit-learn selesai dalam tiga baris; memutuskan apakah angkanya layak dipercaya menuntut seluruh pelajaran sebelumnya.
Pokok bahasannya
Perkakas yang benar-benar dipakai di sesi les machine learning Jogja
Python dan Jupyter
Notebook dipakai untuk menjelajah data, dan sejak awal peserta dibiasakan memindahkan kode yang sudah stabil ke berkas terpisah.
pandas
Membaca, menyaring, menggabungkan, dan meringkas tabel. Sebagian besar jam kelas pada tahap awal memang habis di sini.
NumPy
Operasi vektor dan matriks yang membuat perhitungan berjalan cepat tanpa perulangan bersusun.
scikit-learn
Pipeline, pembagian data, validasi silang, dan puluhan algoritme dengan antarmuka yang seragam.
Matplotlib dan seaborn
Grafik sebaran, korelasi, dan residu. Banyak kekeliruan data ketahuan hanya dari satu gambar sederhana.
Git dan Google Colab
Riwayat perubahan tersimpan rapi, dan peserta berlaptop ringan tetap bisa menjalankan latihan lewat peramban.
Sebagian besar waktu proyek machine learning habis di data, dan itu wajar
Peserta les machine learning Jogja sering terkejut saat tahu bahwa memanggil algoritme adalah bagian terpendek. Pekerjaan panjangnya ada di sebelumnya: menyamakan penulisan kategori, mengubah kolom tanggal menjadi tipe tanggal, memutuskan arti sel kosong, dan memeriksa baris ganda yang lahir karena satu kejadian tercatat dua kali.
Nilai hilang ditangani menurut sebabnya. Kolom penghasilan yang kosong karena responden menolak menjawab berbeda perlakuannya dari sensor yang mati selama dua jam. Mengisi keduanya dengan angka nol menghapus perbedaan itu, dan model belajar dari cerita yang salah.
Kategori diubah menjadi angka lewat one-hot atau pengkodean berjenjang, dan pilihannya bergantung pada apakah urutan kategorinya punya makna. Penskalaan dipakai untuk algoritme yang mengukur jarak. Seluruh langkah ini dirangkai dalam pipeline supaya urutannya sama persis saat model bertemu data baru, dan supaya angka dari bagian uji tak pernah bocor ke tahap pelatihan.
Memilih metrik machine learning: akurasi 97 persen yang menipu
Bayangkan data seribu transaksi dengan tiga puluh kasus penipuan. Model yang selalu menjawab aman langsung mencetak akurasi 97 persen dan tak menangkap satu pun kasus yang dicari. Angka itu mengesankan di laporan dan tak berguna sama sekali di lapangan.
Karena itu metrik dipilih dari biaya kesalahannya. Recall didahulukan saat melewatkan kasus positif berakibat mahal; presisi didahulukan saat tiap peringatan palsu memakan waktu orang; F1 dipakai ketika keduanya seimbang. Untuk data yang sangat timpang, kurva presisi-recall memberi gambaran yang lebih jujur daripada kurva ROC.
Pada masalah regresi, MAE mudah dijelaskan karena satuannya sama dengan target, sementara RMSE menghukum kesalahan besar dengan lebih keras. Apa pun metriknya, angkanya selalu ditempelkan pada baseline: rata-rata untuk regresi, kelas mayoritas untuk klasifikasi. Model yang kalah dari baseline adalah temuan yang sah dan wajib ditulis apa adanya.
Garis besarnya
Empat proyek yang sering dipilih peserta les machine learning Jogja
Prediksi harga sewa kamar kos di sekitar kampus Sleman
Data dikumpulkan sendiri dari iklan sewa lalu dibersihkan. Jarak ke kampus, jumlah kamar, dan fasilitas dipakai sebagai fitur regresi, dan hasilnya diadu dengan rata-rata harga per kelurahan.
Klasifikasi ulasan tempat makan berbahasa Indonesia
Teks ulasan diubah menjadi fitur dengan TF-IDF, dilabeli sendiri oleh peserta, lalu dilatih memakai regresi logistik. Kesalahan model dibaca satu per satu untuk menemukan kata yang menyesatkan.
Prakiraan kunjungan wisata bulanan di DIY
Data terbuka statistik pariwisata dipakai sebagai deret waktu. Peserta belajar membagi data secara berurutan, sebab mengacak baris pada deret waktu membocorkan masa depan ke masa lalu.
Pengelompokan pelanggan usaha kecil dari catatan penjualan
Transaksi diringkas per pelanggan, diskalakan, lalu dikelompokkan dengan k-means. Beberapa nilai k diuji, dan tiap kelompok dijelaskan ulang dengan bahasa pemilik usahanya.
Overfitting dan kebocoran data, dua kekeliruan termahal di machine learning
Overfitting terjadi saat model menghafal contoh latih sampai ke deraunya. Gejalanya khas: skor di data latih tinggi, skor di data uji jatuh. Obatnya berlapis, dari menyederhanakan model, menambah data, memakai regularisasi, sampai memangkas fitur yang cuma menambah kebisingan.
Kebocoran data lebih sulit dilihat karena hasilnya justru terlihat memuaskan. Tiga bentuk yang paling sering kami temukan: penskalaan dihitung dari seluruh data sebelum dibagi, kolom yang baru ada setelah kejadian dipakai sebagai fitur, dan penyetelan hyperparameter diulang berkali-kali di bagian uji sampai angkanya enak dipandang.
Pemeriksaannya dijadikan kebiasaan. Data dibagi lebih dahulu, seluruh transformasi masuk pipeline, validasi silang berjalan di dalam pipeline itu, dan satu bagian data disimpan tak tersentuh sampai akhir. Peserta juga dilatih bertanya untuk tiap kolom: pada saat prediksi nanti, apakah informasi ini memang sudah tersedia?
Skripsi berbasis machine learning: yang biasanya ditanya penguji
Mahasiswa tingkat akhir Informatika, Statistika, Sistem Informasi, dan Pendidikan Teknik Informatika di Jogja sering datang membawa bab metodologi yang sudah ditulis dan kode yang belum berjalan. Kampusnya berbeda-beda, pertanyaan sidangnya mirip.
Lima yang paling sering muncul: apa pembanding hasilmu, mengapa metode ini yang dipilih, berapa besar datanya, bagaimana pembagian datanya, dan apakah hasilnya bisa diulang orang lain. Pertanyaan terakhir dijawab dengan hal sederhana yang justru sering terlewat: menyetel random_state, mencatat versi pustaka, dan menyimpan daftar kebutuhan pustaka bersama notebook.
Pendampingan les machine learning Jogja menempel pada jadwal bimbingan kampus. Bila pembimbing meminta tambahan uji, sesi berikutnya dipakai untuk itu. Satu saran yang selalu kami ulang: berhenti mengganti metode di dua pekan terakhir, lalu pakai sisa waktu untuk memperbaiki analisis dan penulisan hasilnya.
Keunggulan
Tiga cara sesi les machine learning Jogja dipakai peserta di DIY
Mahasiswa tingkat akhir
Datang dengan topik yang sudah disetujui pembimbing dan implementasi yang mandek. Materi dipilih mundur dari tenggat sidang, dan setiap sesi menyisakan satu bagian bab yang bisa langsung dilaporkan.
Pekerja yang berpindah ke jalur data
Biasanya sudah akrab dengan spreadsheet dan laporan berkala. Sesi diarahkan ke Python, pipeline, dan portofolio, sebab yang dinilai perekrut adalah karya yang bisa dibuka dan diperiksa.
Pengajar dan tim kecil kantor
Dosen dan guru menyiapkan bahan ajar, sementara tim kantor membawa data internalnya sendiri. Format untuk beberapa orang sekaligus disusun terpisah dari kelas privat perorangan.
Deep learning dan model bahasa besar: kapan sebaiknya menunggu
Pertanyaan tentang jaringan saraf dan model bahasa besar muncul hampir di tiap sesi awal les machine learning Jogja. Jawaban jujurnya begini: untuk data berbentuk tabel, yang paling sering menang justru model klasik seperti regresi teratur dan gradient boosting. Keduanya cepat dilatih, mudah dijelaskan kepada penguji atau atasan, dan tidak menuntut kartu grafis.
Deep learning menjadi masuk akal ketika datanya besar dan berbentuk gambar, suara, atau teks panjang. Kebutuhannya ikut naik: contoh yang jauh lebih banyak, waktu pelatihan lebih lama, dan perangkat yang memadai. Peserta yang menuju ke sana kami arahkan setelah fondasi praproses dan evaluasi berdiri, sebab kekeliruan yang sama akan terulang di skala yang jauh lebih mahal.
Pemakaian model bahasa besar lewat antarmuka pemrograman juga dibahas, dan cara mengukurnya memakai disiplin yang sama: kumpulan uji yang tetap, kriteria penilaian yang ditulis lebih dahulu, serta satu pembanding sederhana sebagai pijakan.
Les machine learning Jogja sambil kuliah atau bekerja
Jam yang paling sering diambil peserta dewasa adalah malam hari dan akhir pekan. Tutor menyesuaikan tempatnya: kamar kos di sekitar Depok dan Condongcatur, kantor di kawasan Ring Road Jogja, ruang baca kampus, atau kedai kopi yang colokannya cukup. Peserta di Kulon Progo dan Gunungkidul umumnya memilih kelas online, dan untuk materi ini formatnya justru pas karena layar tutor dan layar peserta bisa dibaca bersamaan.
Di antara dua sesi, peserta menerima satu tugas kecil: menuntaskan satu notebook, membereskan satu kolom bermasalah, atau membandingkan dua model dengan metrik yang sudah disepakati. Beban tiga sampai empat jam sepekan sudah cukup menjaga laju, dan potongan pendek setiap hari bekerja lebih baik daripada satu malam yang ditumpuk.
Peserta yang jadwalnya berubah-ubah biasanya mengambil sesi lebih jarang di awal, lalu memadatkan ritmenya menjelang sidang atau presentasi kerja.
Jalur terkait
Lanjutan dan jalur lain di sekitar les machine learning Jogja
Urutannya
Dari pesan pertama sampai notebook machine learning pertamamu
Ceritakan tujuan dan tenggatmu
Sebutkan muaranya: sidang skripsi, pindah jalur karier, atau menaikkan kemampuan tim. Tenggat itulah yang menentukan urutan materi.
Pemetaan lewat satu tugas data kecil
Peserta mengerjakan satu tugas singkat memakai dataset contoh. Hasilnya menunjukkan lapisan mana yang perlu ditambal lebih dahulu.
Pencocokan tutor dan penguncian jam
Tim mencocokkan peserta dengan pengampu yang latar praktiknya paling dekat dengan bidangmu, lalu jam sesi dikunci bersama.
Sesi pertama: menyiapkan lingkungan kerja
Python, pustaka, dan repositori disiapkan sampai satu model dasar berhasil berjalan di perangkat peserta sendiri.
Peninjauan tiap empat sesi
Catatan kemajuan dibaca bersama, target berikutnya disetel ulang, dan pengampu bisa diganti bila gaya mengajarnya kurang cocok.
Jawaban buat yang masih menimbang les machine learning
Seberapa cepat kemajuan terasa di les machine learning Jogja?
Materinya bisa disesuaikan dengan skripsi atau tugas akhir saya?
Bagaimana proyek portofolio dinilai?
Apa prasyarat teknis untuk ikut les machine learning Jogja?
Bagaimana supaya materinya tidak menguap setelah program selesai?
Saya belum pernah menulis kode sama sekali. Masih realistis?
Matematika di machine learning seberat apa?
Berapa biayanya dan berapa sesi per bulan?
Tutor datang ke tempat saya atau kelasnya berjalan online?
Laptop saya spesifikasinya rendah. Apakah bermasalah?
Apakah deep learning dan model bahasa besar ikut dibahas?
Bisakah tutor diganti kalau gaya mengajarnya kurang cocok?
Bagaimana kerahasiaan data pekerjaan atau riset saya?
Apakah ada kelas machine learning untuk tim kantor?
Sekali cerita, kelas machine learning-mu langsung dirancang
Tim kami membalas cepat di WhatsApp. Tanyakan apa saja soal les machine learning dulu, keputusan belakangan.