📘 Deskripsi Kursus
Membangun model ML dengan scikit-learn: regresi, klasifikasi, clustering, evaluasi & tuning; menutup dengan mini-project end-to-end.
🎯 Tujuan Pembelajaran
- Memahami alur ML: prep data → train → evaluasi → iterasi.
- Menerapkan regresi & klasifikasi (logistic, tree/k-NN).
- Melakukan clustering (K-Means) & PCA (gambaran).
- Mengevaluasi model (RMSE, precision/recall, F1, ROC-AUC) & tuning dasar.
- Menyusun laporan bisnis dari hasil model.
🗂️ Struktur Kursus (8 Sesi – 3 Jam/Sesi)
| Sesi | Topik | Fokus Utama |
|---|---|---|
| 1 | Refresh Python & ML Workflow | Train/test split, pipeline sederhana |
| 2 | Data Prep utk ML | Encoding, scaling, feature engineering |
| 3 | Regresi | Linear/Polynomial regression + metrik regresi |
| 4 | Klasifikasi I | Logistic regression, evaluasi |
| 5 | Klasifikasi II | Tree/k-NN, perbandingan model |
| 6 | Evaluasi & Tuning | Overfitting, CV, hyperparameter dasar |
| 7 | Unsupervised | K-Means & PCA, interpretasi bisnis |
| 8 | Mini Project | End-to-end + presentasi |
🧪 Contoh Proyek/Latihan
- Prediksi churn pelanggan (klasifikasi).
- Perkiraan permintaan/penjualan (regresi).
- Segmentasi pelanggan (clustering).
- Deteksi transaksi anomali (baseline).
🛠 Tools & Software
Python 3.x, scikit-learn, Pandas, NumPy, Matplotlib/Seaborn, Jupyter/VS Code.
📚 Referensi
- scikit-learn User Guide
- Hands-On ML (A. Géron)
- Dokumentasi Pandas/NumPy
🧮 Skema Penilaian
| Komponen Penilaian | Bobot |
|---|---|
| Kehadiran | 20% |
| Tugas/latihan | 20% |
| Mini-project | 30% |
| Presentasi | 30% |
📌 Prasyarat
Selesai Modul 4.2.3 atau memiliki dasar Python & EDA.