Data Science Intern

Pengenalan tools: Python, Jupyter Notebook, Git/GitHubSetup environment (Anaconda, VS Code, virtual env)Review statistika dasar (mean, median, distribusi, probabilitas)Pengenalan project & tim yang akan dihadapiExploratory Data Analysis (EDA) — mencari pola, korelasi, insight awalStudi kasus: EDA dataset riil perusahaan (kecil/sederhana)Query dasar–menengah (SELECT, JOIN, GROUP BY, subquery)Menghubungkan Python dengan database (SQLAlchemy/psycopg2)

Minggu 1: Statistika InferensialA/B testing, uji t, chi-square, ANOVARegresi linier sederhana sebagai jembatan ke MLMinggu 2: Probabilitas & Statistik TerapanBayesian thinking dasarSampling techniquesMinggu 3: Data Visualization & StorytellingPrinsip visualisasi data yang efektifTools: Plotly, dashboard dasar dengan Streamlit atau Tableau/Looker StudioMinggu 4: Business AcumenMenerjemahkan pertanyaan bisnis jadi pertanyaan dataMenyusun metrik (KPI, North Star Metric)

Minggu 1: Konsep ML & Supervised LearningRegresi linier & logistikTrain/test split, cross-validationEvaluasi model: accuracy, precision, recall, F1, ROC-AUC, RMSEMinggu 2: Model KlasikDecision Tree, Random Forest, KNNFeature engineering & feature selectionMinggu 3: Model Klasik LanjutanGradient Boosting (XGBoost/LightGBM)Hyperparameter tuning (GridSearch, RandomSearch)Minggu 4: Unsupervised LearningClustering (K-Means, Hierarchical)Dimensionality reduction (PCA)

Minggu 1: Pipeline & Workflow MLScikit-learn Pipeline, preprocessing terstandarMenangani imbalanced dataMinggu 2: Model Deployment DasarMenyimpan model (pickle/joblib)Membuat REST API sederhana dengan Flask/FastAPIMinggu 3: Version Control & KolaborasiGit workflow (branching, pull request, code review)Dasar MLOps: eksperimen tracking (MLflow dasar)Minggu 4: Pengantar Deep Learning (opsional/dasar)Neural network dasar dengan TensorFlow/PyTorchKapan pakai deep learning vs model klasik

Minggu 1–4: Proyek Riil bersama TimIntern ditempatkan pada proyek data science aktual milik perusahaanMentor menetapkan scope: mulai dari data understanding, EDA, modeling, hingga evaluasiWeekly check-in dengan mentor untuk review progres & code reviewDokumentasi proyek secara rapi (README, notebook, presentasi)Fokus: kolaborasi tim, komunikasi hasil ke non-teknis, menerima & mengimplementasikan feedback.

Bulan 6 — Penyempurnaan Proyek & Presentasi AkhirMinggu 1–2: Penyempurnaan ProyekOptimasi model/analisis dari proyek Bulan 5Testing tambahan, dokumentasi teknis lengkapMinggu 3: Persiapan PresentasiMenyusun laporan akhir & slide presentasiLatihan menyampaikan insight ke audiens teknis maupun non-teknisMinggu 4: Evaluasi Akhir & PresentasiPresentasi hasil proyek ke tim/stakeholderEvaluasi kinerja intern (feedback 360: mentor, tim, self-assessment)Diskusi rencana pengembangan karier selanjutnya