Machine Learning Operations (MLOps)
4.62 •

Machine Learning Engineer

Machine Learning Engineer

Learning Path

Machine Learning Operations (MLOps)

Topik:

AI Machine Learning +2 lainnya
Level: Mahir

Level: Mahir

Level: Mahir 45 Jam Belajar
3.288

Siswa Terdaftar

Pelajari proses pengembangan dan pengoperasian sistem machine learning dalam lingkup produksi dengan menerapkan berbagai prinsip MLOps.
Belajar Sekarang
Informasi kelas Lihat silabus
Learning Path Machine Learning Engineer

Kelas ini merupakan langkah ke-enam Anda untuk menjadi Machine Learning Engineer.

Langkah sebelumnya

Langkah 5
Machine Learning Terapan
40 Jam 4,87 Level Mahir
Apa yang akan Anda dapatkan

Sertifikat

Dapatkan sertifikat standar industri setelah menyelesaikan kelas ini.

Code Review

Kode yang Anda kerjakan akan di-review secara komprehensif oleh Reviewer.

Forum Diskusi

Diskusikan materi belajar dengan siswa lainnya.

Modul Tutorial

Materi bacaan elektronik disajikan dengan bahasa yang mudah dipahami.

Submission

Uji kemampuan teknis Anda dengan mengerjakan tugas submission.

Kuis

Kuis pilihan ganda membantu Anda memahami materi yang dipelajari.

Ujian

Validasi pengetahuan Anda dengan mengerjakan soal-soal ujian.
Level Mahir
Menguasai materi dan latihan tingkat lanjut. Kelas ini mensyaratkan sejumlah penguasaan landasan pengetahuan yang baik.
Lihat silabus

Deskripsi

MLOps merupakan sebuah best practice untuk melakukan standardisasi terhadap proses pengembangan sistem machine learning dan pengoperasiannya di sistem produksi. Pada lingkup industri, standaridisasi terhadap keseluruhan proses ini merupakan kunci utama dalam menghasilkan sistem machine learning yang bersifat reliable, scalable, adaptable, dan maintainable. Selain itu, penerapan MLOps dapat membantu kita dalam mencegah resiko munculnya technical debt dan memastikan akuntabilitas dari sistem yang dibuat.

  • Tingginya kebutuhan akan sistem machine learning yang bersifat reliable, scalable, adaptable, dan maintainable di industri. 
  • Prinsip MLOps merupakan bagian penting dalam pengembangan dan pengoperasian sistem machine learning di industri.
  • MLOps dapat membantu kita dalam membuat sistem machine learning yang reliable, scalable, adaptable, dan maintainable.
  • Pemahaman terhadap penerapan prinsip MLOps merupakan kompetensi utama untuk menjadi seorang Machine Learning Engineer yang andal.
  • Kebutuhan karir di bidang Machine Learning sangatlah tinggi karena jumlah praktisi yang masih sedikit sehingga peluangnya masih sangat besar.

Target dan Sasaran Siswa

  • Kelas ditujukan bagi Machine Learning Engineer yang ingin mempelajari tentang teknik pengembangan dan pengoperasian sistem machine learning di industri.
  • Kelas dapat diikuti oleh siswa yang melek IT sehingga wajib memiliki dan dapat mengoperasikan komputer dengan baik.
  • Kelas ini didesain untuk siswa yang sudah memiliki pengetahuan mendalam mengenai machine learning.
  • Siswa harus bisa belajar mandiri, berkomitmen, benar-benar punya rasa ingin tahu, dan tertarik pada subjek materi, karena sebaik apa pun materi kelas ini, tidak akan berguna tanpa keseriusan siswa untuk belajar, berlatih, dan mencoba.
  • Di akhir kelas, siswa dapat membuat sistem machine learning end-to-end yang bersifat reliable, scalable, adaptable, dan maintainable dengan menerapkan prinsip MLOps.
Selengkapnya
Sembunyikan

Learning Path

Kelas ini merupakan langkah ke-enam Anda untuk menjadi Machine Learning Engineer.

Langkah sebelumnya

Langkah 5
Machine Learning Terapan
40 Jam 4,87 Level Mahir

Peralatan Belajar

Spesifikasi minimal perangkat:

Prosesor

Intel Dual Core (Rekomendasi Core i3 ke atas)

Tools yang dibutuhkan untuk belajar:

Google Colaboratory

Lihat semua peralatan belajar

Lihat semua peralatan belajar

Peralatan Belajar

Spesifikasi minimal perangkat

Kelas ini membutuhkan spesifikasi perangkat seperti berikut:

RAM

4GB (Rekomendasi 8GB)

Layar

1366 x 768 (Rekomendasi Full HD 1920 x 1080)

Sistem Operasi

Windows, Linux, MacOS

Prosesor

Intel Dual Core (Rekomendasi Core i3 ke atas)

Tools

Kelas ini membutuhkan beberapa tools berikut:

Google Colaboratory

Teks Editor (Notepad++) atau IDE (PyCharm,dll)

Command Line (Terminal atau cmd)

Web Browser (Google Chrome atau Mozilla Firefox)

Metode Ajar

  • Online - Self-paced Learning
    • Total jam belajar : 45 jam
    • Rekomendasi waktu belajar : 10 jam per minggu (selesai dalam 32 hari)
    • Anda tentukan sendiri berapa lama waktu yang akan digunakan untuk belajar materi kelas ini selama masih aktif terdaftar pada kelas
  • Fasilitas Pengajaran
    • Materi bacaan elektronik : Materi akan disajikan dalam bentuk teks dan bacaan
    • Forum diskusi : Setiap kelas memiliki sebuah forum diskusi yang dapat Anda gunakan untuk bertanya dan berdiskusi
  • Evaluasi pembelajaran : 
    • Ujian akhir kelas
    • Submission.
  • Sertifikat kompetensi

Lihat semua metode ajar

Lihat semua metode ajar

Metode Ajar

  • Online - Self-paced Learning
    • Total jam belajar : 45 jam
    • Rekomendasi waktu belajar : 10 jam per minggu (selesai dalam 32 hari)
    • Anda tentukan sendiri berapa lama waktu yang akan digunakan untuk belajar materi kelas ini selama masih aktif terdaftar pada kelas
  • Fasilitas Pengajaran
    • Materi bacaan elektronik : Materi akan disajikan dalam bentuk teks dan bacaan
    • Forum diskusi : Setiap kelas memiliki sebuah forum diskusi yang dapat Anda gunakan untuk bertanya dan berdiskusi
  • Evaluasi pembelajaran : 
    • Ujian akhir kelas
    • Submission.
  • Sertifikat kompetensi

Kontributor

2

Curriculum Developer yang membangun kelas ini:

Rahmat Fajri

Rahmat Fajri

Data & Machine Learning Engineer

Mochamad Rafy Ardhanie

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Reviewer

7

Code Reviewer yang akan me-review tugas dan kode Anda:

Celvine Adi Putra
Yusuf Sugiono
Yusuf Sugiono

Yusuf Sugiono

Fullstack Developer di PT Prima Visi Globalindo

• Google Cloud Certified Associate Cloud Engineer

• Google Cloud Certified Cloud Digital Leader

• AWS Certified Cloud Practitioner

• Alumni Bangkit 2021 - Cloud Computing Learning Path

• Alumni SIB Dicoding Cycle 1 - Machine Learning & FrontEnd Learning Path


dos:6686df0f9e218fbb7a0a1eb49dea73d020230224162524.pngFeel free to connect with me on LinkedIn

Rifky Bujana Bisri
Ahmad Zein Al Wafi
Ahmad Zein Al Wafi

Ahmad Zein Al Wafi

Machine Learning Architect

Transforming data into AI solutions to drive business innovation

Rahmat Fajri

Lihat semua kontributor dan reviewer

Lihat semua kontributor dan reviewer

Kontributor & Reviewer

Kontributor kelas

Curriculum Developer yang membangun kelas ini:

Rahmat Fajri

Rahmat Fajri

Data & Machine Learning Engineer

Mochamad Rafy Ardhanie

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Tim Reviewer

Code Reviewer yang akan me-review tugas dan kode Anda:

Celvine Adi Putra
Yusuf Sugiono
Yusuf Sugiono

Yusuf Sugiono

Fullstack Developer di PT Prima Visi Globalindo

• Google Cloud Certified Associate Cloud Engineer

• Google Cloud Certified Cloud Digital Leader

• AWS Certified Cloud Practitioner

• Alumni Bangkit 2021 - Cloud Computing Learning Path

• Alumni SIB Dicoding Cycle 1 - Machine Learning & FrontEnd Learning Path


dos:6686df0f9e218fbb7a0a1eb49dea73d020230224162524.pngFeel free to connect with me on LinkedIn

Rifky Bujana Bisri
Ahmad Zein Al Wafi
Ahmad Zein Al Wafi

Ahmad Zein Al Wafi

Machine Learning Architect

Transforming data into AI solutions to drive business innovation

Rahmat Fajri
Maulana Muhammad
Maulana Muhammad

Maulana Muhammad

External Code Reviewer at Dicoding Indonesia

Machine Learning Enthusiast

I'm currently a retail business owner. In addition to managing my business, I also have a strong passion for machine learning, which I have been pursuing for the past two years.

Mochamad Rafy Ardhanie
Celvine Adi Putra

Celvine Adi Putra

Yusuf Sugiono

Yusuf Sugiono

Fullstack Developer di PT Prima Visi Globalindo

• Google Cloud Certified Associate Cloud Engineer

• Google Cloud Certified Cloud Digital Leader

• AWS Certified Cloud Practitioner

• Alumni Bangkit 2021 - Cloud Computing Learning Path

• Alumni SIB Dicoding Cycle 1 - Machine Learning & FrontEnd Learning Path


dos:6686df0f9e218fbb7a0a1eb49dea73d020230224162524.pngFeel free to connect with me on LinkedIn

Rifky Bujana Bisri

Rifky Bujana Bisri

Undergraduate Student at University of British Columbia

- Artificial Intelligence Enthusiast

- LinkedIn 

- Github

- Hugging Face

Ahmad Zein Al Wafi

Ahmad Zein Al Wafi

Machine Learning Architect

Transforming data into AI solutions to drive business innovation

Rahmat Fajri

Rahmat Fajri

Data & Machine Learning Engineer

TensorFlow Developer Certified

Maulana Muhammad

Maulana Muhammad

External Code Reviewer at Dicoding Indonesia

Machine Learning Enthusiast

I'm currently a retail business owner. In addition to managing my business, I also have a strong passion for machine learning, which I have been pursuing for the past two years.

Mochamad Rafy Ardhanie

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Testimoni Siswa

Ribuan siswa sukses belajar di Dicoding Academy. Apa kata mereka? Berikut adalah testimoni asli mereka.

Devi Mikhael Empi
Devi Mikhael Empi
Universitas Gunadarma
Memulai Dasar Pemrograman untuk Menjadi Pengembang Software
Puas sekali dan sangat mudah dipahami oleh pemula yang ingin mengembangkan perangkat lunak
Baca selengkapnya
Muhammad Naufal Farras
Muhammad Naufal Farras
Universitas Negeri Semarang
Memulai Dasar Pemrograman untuk Menjadi Pengembang Software
Materi yang disampaikan pada kelas ini sangat informatif dan membantu teman-teman yang saat ini dalam proses belajar dalam dunia pemrograman. Banyak disampaikan juga tips ketika kita telah mulai dalam bekerja, dan itu sangat membantu untuk kedepannya.
Baca selengkapnya

Lihat semua testimoni

Lihat semua testimoni
Silabus
Belajar Sekarang

Silabus

Materi yang akan Anda pelajari pada kelas ini.

  • Tantangan Pengoperasian Machine Learning dalam Sistem Produksi

    20 Menit

  • Definisi Machine Learning Operations (MLOps)

    25 Menit

  • Gambaran Life Cycle Pengembangan Sistem Machine Learning dalam Skala Industri

    25 Menit

  • Menentukan Cakupan Proyek Machine Learning

    25 Menit

  • Manajemen Data

    25 Menit

  • Pengembangan Model Machine Learning

    25 Menit

  • Deployment dan Monitoring Sistem Machine Learning

    25 Menit

  • Pengenalan Machine Learning Pipeline

    20 Menit

  • Rangkuman Pengenalan Machine Learning Operations

    15 Menit

  • Kuis Pengenalan Machine Learning Operations

    5 Menit

  • Pengenalan Proses Pengolahan Data dalam Machine Learning Pipeline

    20 Menit

  • Data Ingestion

    20 Menit

  • Data Validation

    25 Menit

  • Data Preprocessing

    25 Menit

  • Pengenalan Tools Pengolahan Data dalam Machine Learning Pipeline

    30 Menit

  • Pengenalan MetadataStore

    20 Menit

  • Latihan Pembuatan Komponen Pengolahan Data dalam Machine Learning Pipeline

    60 Menit

  • Pengenalan Tools Lanjutan dalam Pengolahan Data

    30 Menit

  • Rangkuman Pengolahan Data dalam Machine Learning Pipeline

    15 Menit

  • Kuis Pengolahan Data dalam Machine Learning Pipeline

    5 Menit

  • Pengenalan Proses Pengembangan dan Validasi Model Machine Learning

    20 Menit

  • Pengembangan Model

    25 Menit

  • Analisis dan Validasi Model

    25 Menit

  • Menginterpretasi Model

    25 Menit

  • Pengenalan Tools Pengembangan dan Validasi Model dalam Machine Learning Pipeline

    30 Menit

  • Latihan Pembuatan Komponen Pengembangan dan Validasi Model dalam Machine Learning Pipeline

    60 Menit

  • Pengenalan Tools Lanjutan dalam Pengembangan dan Validasi Model

    25 Menit

  • Rangkuman Pengembangan dan Validasi Model Machine Learning

    15 Menit

  • Kuis Pengembangan dan Validasi Model Machine Learning

    5 Menit

  • Pengenalan Model Deployment

    30 Menit

  • Manajemen Model dan Data Version

    20 Menit

  • Pengenalan Model Serving

    30 Menit

  • Monitoring & Feedback Loop

    30 Menit

  • Latihan Membuat Model Serving Menggunakan Flask

    45 Menit

  • Latihan Penggunaan TensorFlow Serving

    45 Menit

  • Latihan Model Deployment

    40 Menit

  • Rangkuman Penerapan Model Machine Learning dalam Sistem Produksi

    15 Menit

  • Kuis Penerapan Model Machine Learning dalam Sistem Produksi

    5 Menit

  • Proyek Pengembangan Machine Learning Pipeline

    400 Menit

  • Pengenalan Python Clean Code

    20 Menit

  • Style Guide

    30 Menit

  • Modular Code

    25 Menit

  • Refactoring Code

    30 Menit

  • Documentation

    25 Menit

  • Pengenalan Linter dan Code Formatter

    20 Menit

  • Latihan Refactoring Code

    50 Menit

  • Rangkuman Python Clean Code

    15 Menit

  • Kuis Python Clean Code

    5 Menit

  • Tahap Penentuan Cakupan Proyek

    20 Menit

  • Pembuatan Pipeline Component

    60 Menit

  • Menjalankan Pipeline Component Menggunakan Pipeline Orchestrator

    50 Menit

  • Menjalankan Model Machine Learning di Heroku

    50 Menit

  • Monitoring Model Machine Learning

    50 Menit

  • Rangkuman Latihan Pertama Pengembangan dan Pengoperasian Sistem Machine Learning

    15 Menit

  • Kuis Latihan Pertama Pengembangan dan Pengoperasian Sistem Machine Learning

    5 Menit

  • Pengenalan Google Cloud Platform

    35 Menit

  • Pengenalan Vertex AI

    25 Menit

  • Latihan Penggunaan AutoML-Training Model

    60 Menit

  • Latihan Penggunaan Custom-Training Model

    50 Menit

  • Latihan Membuat dan Menjalankan end-to-end Machine Learning Pipeline Menggunakan Vertex AI Pipeline

    55 Menit

  • Rangkuman Latihan Kedua Pengembangan dan Pengoperasian Sistem Machine Learning

    15 Menit

  • Kuis Latihan Kedua Pengembangan dan Pengoperasian Sistem Machine Learning

    5 Menit

  • Rangkuman Kelas

    28 Menit

  • Ujian Akhir Kelas

    60 Menit

  • Proyek Pengembangan dan Pengoperasian Sistem Machine Learning

    480 Menit

Dicoding Logo

Dicoding Space
Jl. Batik Kumeli No.50, Sukaluyu,
Kec. Cibeunying Kaler, Kota Bandung
Jawa Barat 40123

Penghargaan

Asean Business Award 2019

Decode Ideas
Discover Potential

Tentang Kami
Blog
Reward
Showcase
Dicoding Elite
Hubungi Kami
FAQ