AI Engineer

Mempelajari konsep dasar Artificial Intelligence (AI) dan Machine Learning (ML), termasuk supervised dan unsupervised learning, serta penggunaan Python untuk pengembangan model ML. Materi mencakup penggunaan NumPy dan Pandas untuk pengolahan data, basic statistics, serta pengenalan alur kerja pengembangan AI/ML.

Mempelajari proses persiapan dan analisis data untuk pengembangan model ML, meliputi data collection, preprocessing, data cleaning, exploratory data analysis (EDA), penanganan missing values dan outliers, data transformation, feature selection, feature engineering, serta visualisasi data untuk memahami pola dan karakteristik dataset.

Mempelajari pengembangan dan evaluasi model Machine Learning menggunakan supervised dan unsupervised learning, meliputi training, validation, testing, pemilihan model, hyperparameter tuning, evaluation metrics, serta analisis overfitting dan underfitting. Materi juga mencakup penggunaan Scikit-learn, TensorFlow, atau PyTorch sesuai kebutuhan.

Mempelajari metode eksperimen dan perbandingan performa model ML melalui experiment tracking, interpretasi hasil model, analisis feature importance, serta penerapan Explainable AI (XAI) untuk memahami faktor yang memengaruhi prediksi model. Materi juga mencakup evaluasi dan dokumentasi hasil eksperimen sebagai dasar pemilihan model.

Mempelajari fundamental MLOps untuk mendukung pengelolaan dan deployment model ML, meliputi model versioning, reproducibility, containerization menggunakan Docker, model serving, deployment, serta penerapan dasar CI/CD untuk machine learning. Materi juga mencakup deployment ke AWS, Azure, atau GCP, monitoring model dasar, dan pengenalan Kubernetes untuk workload ML.

Mempelajari integrasi seluruh tahapan pengembangan AI/ML secara end-to-end, mulai dari problem definition, data preparation, model development, evaluasi, explainability, hingga deployment dan monitoring model. Materi juga mencakup dokumentasi eksperimen, penyusunan technical report, evaluasi hasil, dan rekomendasi perbaikan model.

Menggunakan Python, NumPy, dan Pandas untuk mengolah dan menganalisis dataset, menerapkan statistik dasar, serta membangun model Machine Learning sederhana menggunakan pendekatan supervised atau unsupervised learning berdasarkan studi kasus yang diberikan.

Melakukan pengumpulan dan pembersihan data, menangani missing values dan outliers, menerapkan data transformation dan feature engineering, serta melakukan EDA dan visualisasi untuk mengidentifikasi pola, memahami karakteristik dataset, dan menyiapkan data untuk pemodelan ML.

Mengembangkan dan melatih model ML menggunakan Scikit-learn, TensorFlow, atau PyTorch sesuai kebutuhan, menerapkan pembagian dataset untuk training, validation, dan testing, melakukan pemilihan model dan hyperparameter tuning, serta mengevaluasi performa menggunakan metrik yang sesuai dan menganalisis overfitting atau underfitting.

Melakukan eksperimen dan membandingkan performa beberapa model ML, mencatat konfigurasi dan hasil eksperimen, menganalisis feature importance dan hasil prediksi, serta menerapkan teknik XAI yang sesuai untuk menjelaskan perilaku model. Menyusun dokumentasi eksperimen dan rekomendasi model berdasarkan hasil evaluasi.

Mengemas model ML menggunakan Docker, membuat model serving agar dapat diakses melalui interface atau API, menerapkan versioning dan reproducibility dasar, serta mengimplementasikan pipeline deployment sederhana. Melakukan deployment ke cloud platform sesuai kebutuhan, mengonfigurasi monitoring dasar, dan mengeksplorasi penggunaan Kubernetes untuk menjalankan workload ML jika relevan.

Menerapkan seluruh kompetensi AI/ML dalam final project, mulai dari menentukan problem dan kebutuhan bisnis, menyiapkan serta menganalisis data, mengembangkan dan mengevaluasi model, melakukan eksperimen dan analisis explainability, hingga melakukan deployment dan monitoring dasar. Peserta juga menyusun dokumentasi eksperimen, technical report, rekomendasi perbaikan model, serta mempresentasikan hasil akhir proyek.