Membangun Sistem Machine Learning

Topik:

AI Machine Learning +1 lainnya

Level: Mahir 60 Jam Belajar

702

Siswa Terdaftar

Pelajari cara menerapkan model machine learning pada tahap produksi dengan membuat dan mengimplementasikan prinsip MLOps menggunakan MLflow.

Belajar Sekarang

Informasi kelas Lihat silabus

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.

Deskripsi

Berdasarkan laporan Gartner, lebih dari 85% model machine learning tidak pernah berhasil diimplementasikan dalam lingkungan produksi akibat berbagai tantangan operasional. Hal ini menunjukkan bahwa penguasaan MLOps semakin krusial bagi keberlangsungan proyek machine learning yang berkelanjutan. Melalui kelas ini, peserta akan mempelajari berbagai aspek penting mengenai deployment machine learning beserta metode monitoring untuk mengevaluasi performa model.

Mendalami alur lengkap pengembangan machine learning untuk meningkatkan kredibilitas profesional.
Memahami prinsip dan praktik MLOps sehingga mampu mengoptimalkan proses pengembangan model hingga lingkungan produksi.
Membekali diri dengan keterampilan menyiapkan infrastruktur CI untuk model machine learning.
Meningkatkan efisiensi dan keandalan model berkat penguasaan teknik monitoring dan alerting.
Memperluas peluang karier di bidang teknologi yang terus berkembang dan dibutuhkan banyak perusahaan.

Target dan Sasaran Siswa

Kelas ini ditujukan bagi calon Machine Learning Engineer yang ingin memperdalam kemampuan membangun model secara end-to-end.
Kelas ini dapat diikuti oleh siswa yang melek IT sehingga wajib memiliki dan dapat mengoperasikan komputer dengan baik.
Sebelum mengikuti kelas ini, siswa diharapkan memiliki pemahaman mengenai AI, Machine Learning dan Deep Learning.
Siswa harus belajar mandiri, berkomitmen, benar-benar memiliki rasa ingin tahu, dan tertarik pada subjek materi. Sebaik apa pun materi kelas ini tidak akan berguna tanpa keseriusan siswa untuk belajar, berlatih, dan mencoba.
Setelah menyelesaikan kelas ini, siswa mampu membangun sistem machine learning end-to-end menggunakan Python hingga menjaga performa model melalui re-training model berdasarkan metrik tertentu.

Selengkapnya

Sembunyikan

Peralatan Belajar

Spesifikasi minimal perangkat:

Prosesor

Core I3 ke atas

Tools yang dibutuhkan untuk belajar:

Visual Studio Code

Lihat semua peralatan belajar

Peralatan Belajar

Spesifikasi minimal perangkat

Kelas ini membutuhkan spesifikasi perangkat seperti berikut:

RAM

8GB (Rekomendasi 16GB)

Layar

Resolusi Layar 1366 x 768 (Rekomendasi FHD)

Sistem Operasi

Windows, Linux, MacOS

Prosesor

Core I3 ke atas

Tools

Kelas ini membutuhkan beberapa tools berikut:

Visual Studio Code

Docker Desktop

Metode Ajar

Online - Self-paced Learning
- Total jam belajar: 60 jam.
- Rekomendasi waktu belajar: 10 jam per minggu (selesai dalam 49 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 akhir membuat sistem machine learning dengan menerapkan prinsip MLOps level 1.
- Sertifikat kompetensi

Lihat semua metode ajar

Metode Ajar

Online - Self-paced Learning
- Total jam belajar: 60 jam.
- Rekomendasi waktu belajar: 10 jam per minggu (selesai dalam 49 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 akhir membuat sistem machine learning dengan menerapkan prinsip MLOps level 1.
- Sertifikat kompetensi

Kontributor

Curriculum Developer yang membangun kelas ini:

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Ridha Ginanjar

Curriculum Developer and Technical Instructor at Dicoding Indonesia

Reviewer

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

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Lihat semua kontributor dan reviewer

Kontributor & Reviewer

Kontributor kelas

Curriculum Developer yang membangun kelas ini:

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

Ridha Ginanjar

Curriculum Developer and Technical Instructor at Dicoding Indonesia

Tim Reviewer

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

Mochamad Rafy Ardhanie

Curriculum Developer at Dicoding Indonesia

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

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

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

Testimoni Siswa

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

Muhammad Naufal Farras

Universitas Negeri Semarang

Memulai Dasar Pemrograman untuk Menjadi Pengembang Software

Mohammad Chevalier Daniswara

Universitas Pembangunan Nasional Veteran Jawa Timur

Memulai Dasar Pemrograman untuk Menjadi Pengembang Software

Saya sangat senang mengikuti kelas Dasar Pemrograman di Dicoding. Materi yang diajarkan sangat informatif dan struktur pelajarannya sangat mudah dipahami. a. Saya merasa telah memperoleh pemahaman yang kuat tentang dasar Pemrograman berkat kursus ini. Terima kasih Dicoding!

Punya pertanyaan seputar kelas ini?

Berikut adalah beberapa pertanyaan yang paling sering ditanyakan.

Bagaimana cara memasukkan token Academy? Aturan membuat pertanyaan di forum diskusi kelas Bagaimana cara mencetak sertifikat kelulusan kelas?

Lihat semua FAQ

Silabus

Materi yang akan Anda pelajari pada kelas ini.

Persiapan Belajar

Modul ini mengenalkan sistem belajar di kelas secara umum dari mulai Persetujuan Hak Cipta, Prasyarat Kemampuan, Prasyarat Tools, Mekanisme Belajar, Forum Diskusi, Glosarium, hingga Daftar Referensi.

8 Artikel

77 menit

Persetujuan Hak Cipta
2 Menit
Pengenalan Kelas
10 Menit
Prasyarat Kemampuan
10 Menit
Prasyarat Tools
10 Menit
Mekanisme Belajar
10 Menit
Forum Diskusi

20 Menit
Glosarium

10 Menit
Daftar Referensi

5 Menit

Pengantar Machine Learning Operations (MLOps)

Pengantar Machine Learning Operations (MLOps): mengajari siswa untuk mengenal siklus pengembangan machine learning operations. (5 Jam 10 Menit)

6 Artikel
1 Ujian

310 menit

Pengenalan Machine Learning Operations

40 Menit
Permasalahan Umum ketika Membangun Sistem Machine Learning

40 Menit
Machine Learning Life Cycle

60 Menit
MLOps Maturity

90 Menit
Tools Penunjang MLOps

30 Menit
Rangkuman Pengantar Machine Learning Operations (MLOps)

30 Menit
Kuis Pengantar Machine Learning Operations (MLOps)

20 Menit

Membangun dan Mengelola Metadata dengan Tools Open-Source

Membangun dan Mengelola Metadata dengan Tools Open-Source: mengajari siswa cara mengolah version control dan metadata pada proses pembangunan model machine learning. (8 Jam 40 Menit))

11 Artikel
1 Ujian

520 menit

Pengenalan Version Control

20 Menit
Jenis-Jenis Version Control System

20 Menit
Tools yang Umum Digunakan

40 Menit
Dasar-Dasar Penggunaan Version Control

30 Menit
Pengenalan MLflow: Tracking dan Project

60 Menit
Pengenalan MLflow: Model dan Model Registry

60 Menit
Pengenalan MLflow: Pipelines dan Keypoints

60 Menit
Version Control dengan MLflow

30 Menit
Metadata dan Sekitarnya

30 Menit
Latihan: Membuat Version Control Menggunakan MLflow

120 Menit
Rangkuman Membangun dan Mengelola Metadata dengan Tools Open-Source

30 Menit
Kuis Membangun dan Mengelola Metadata dengan Tools Open-Source

20 Menit

Membangun Model Machine Learning yang Andal

Membangun Model Machine Learning yang Andal: mengajari siswa cara membangun model machine learning dan mengenalkan proses re-training model machine learning. (8 Jam 10 Menit)

10 Artikel
1 Ujian

500 menit

Pengantar Model Machine Learning

30 Menit
Seni Mengumpulkan Data

40 Menit
Evaluasi Kualitas Data dan Data Ethics

40 Menit
Preprocessing Data

40 Menit
Membangun Model Statis

120 Menit
Membangun Model Dinamis

30 Menit
Latihan Online Learning

60 Menit
Drift Detection: Pendekatan untuk Mendeteksi Perubahan Distribusi Data

30 Menit
Optimisasi Model dengan MLflow

60 Menit
Rangkuman Membangun Model Machine Learning yang Andal

30 Menit
Kuis Membangun Model Machine Learning yang Andal

20 Menit

Serving Model dengan Gaya

Serving Model dengan Gaya: mengajari berbagai macam cara melakukan serving model machine learning agar dapat digunakan oleh pengguna. (11 Jam 10 Menit)

13 Artikel
1 Ujian

660 menit

Pendahuluan Serving Model

10 Menit
Serving sebagai API

30 Menit
Latihan Prediksi Melalui run_id

40 Menit
Latihan Prediksi Menggunakan REST API

75 Menit
Dockerize Machine Learning Model

15 Menit
Arsitektur Docker

20 Menit
Instalasi Docker

40 Menit
Integrasi Docker dengan MLflow

90 Menit
Cinta Segitiga: MLflow, Docker, dan GitHub

30 Menit
Cinta Segitiga: Latihan Integrasi

80 Menit
Tantangan Serving

90 Menit
Mengatasi Permasalahan Serving

90 Menit
Rangkuman Serving Model dengan Gaya

30 Menit
Kuis Serving Model dengan Gaya

20 Menit

Monitoring dan Alerting Model Machine Learning

Monitoring dan Alerting Model Machine Learning: mengajari siswa untuk melakukan monitoring terhadap performa model machine learning pada tahap production (9 Jam 8 Menit)