Dokumen tersebut membahas perbedaan antara data science dan machine learning serta siklus hidup proyek data science. Data science berfokus pada pemahaman data untuk kebutuhan bisnis sedangkan machine learning berfokus pada cara mesin belajar dari data. Siklus hidup proyek data science meliputi pemahaman kebutuhan bisnis, akuisisi data, pra-pemrosesan data, pemodelan menggunakan machine learning, dan penyebarluasan model. Contoh kasus yang dijelaskan adalah sistem

1. BERKENALAN DENGAN
DATA SCIENCE DAN
MACHINE LEARNING
Ventje Jeremias Lewi Engel, M.T., CEH
https://ventjeengel.com/blog
@ventje_engel

2. Tuliskan Nama, Kota Domisili, dan
background IT atau Non-IT di Zoom
Chat

3. Ventje Jeremias Lewi Engel, M.T., CEH
Dosen Informatika ITHB
Peneliti Machine Learning
Aktivis Cybersecurity
Follow me for daily content of ML & AI
@ventje_engel
Who am I

4. Data Science vs Machine Learning
Data Science Life Cycle
Real Life Story in Data Project
OUTLINE

5. Banyak orang bingung perbedaan Data Science
vs Machine Learning

6. Dulu analisis data cukup menggunakan Excel,
SQL, dan tool Business Intelligence

7. Data Science bermula dari tingkat produksi dan
konsumsi data yang meningkat pesat

8. Data yang semistructured dan unstructured jauh
lebih banyak dibandingkan yang structured

9. Kita membutuhkan tools dan teknik yang lebih
advanced. Enter the Data Science.
Deep dives at granular level of
data
Understand complex behaviors
and trends
Smarter business decision

10. Netflix menganalisis pola dan kebiasaan
menonton setiap customernya
What drives user interest
What to recommend
How to get new
customers

11. P&G dan Unilever menganalisis pola belanja
customer berdasarkan waktu dan season
What future demand will
be
Who are the moving
targets

12. Di sisi lain, Machine Learning berkembang untuk
membuat mesin bisa belajar dari data
Awalnya adalah proses statistik
yang diotomatisasi

13. Machine Learning menemukan pola yang
sebelumya tidak bisa dilihat oleh ahli statistik
Efisiensi
Automation
Scaling
Akurasi &
sensitivitas

14. Data scientist akhirnya menggunakan ML di
dalam siklus hidup pekerjaan mereka

15. Data Science
Data science berfokus kepada pemahaman data
dari sisi internal maupun eksternal organisasi
Machine learning berfokus pada cara mesin
belajar dari data tanpa intervensi manusia
Machine Learning
Data science memerlukan keahlian banyak
bidang: statistik, IT, domain bisnis, dan presentasi
Machine learning memerlukan keahlian di bidang
statistik, kalkulus, dan pemrograman
Data science memiliki target untuk memberikan
rekomendasi bagi manajemen organisasi
Machine learning memiliki target untuk modeling,
automation, dan scaling
Data science sangat menekankan pada business
requirements & understanding
Machine learning sangat menekankan pada
peningkatan akurasi, sensitivitas, bias, & variance
Data Scientist: people person & open-minded Machine Learning Engineer: technical-oriented
VS

16. Data Science vs Machine Learning
Data Science Life Cycle
Real Life Story in Data Project
OUTLINE

17. 5STEPSTIPSORPOINTS
BUSINESS REQUIREMENTS
Memahami kebutuhan dan target bisnis dari organisasi.1
DATA ACQUISITION
Identifikasi sumber data yang akan dikoneksikan dan data apa saja yang
diperlukan. Memastikan format data yang bisa dikelola dengan mudah.
2
DATA PREPROCESSING
Menyiapkan data untuk analisis dengan data cleaning: duplikat,
missing, outliers. Dilanjutkan dengan eksplorasi data: viz dan non-viz.
3
MODELING
Di tahap ini Machine Learning digunakan.4
DEPLOYMENT
Model yang sudah siap dimasukkan ke server production. Memastikan
bisa diakses via web services dan aplikasi mobile. Bertanggung jawab
terhadap maintenance dan scaling.
5

18. CASESTUDY:E-COMMERCE

19. BUSINESS REQUIREMENTS
Sistem rekomendasi untuk
meningkatkan penjualan
Funnel dalam penjualan: viewing -
wishlist - add to cart - checkout -
payment - delivery
1

20. DATA ACQUISITION
Data apa saja: viewing history,
wishlist, Previous purchases, Pola
review dan rating customer, dan Info
detail termasuk info pembayaran
Sumber data?
Format yang didapat? Perlu
transformasi data? Disimpan di
mana?
2

21. DATA PREPROCESSING
Cleaning: duplikat, missing, outliers.
Fake data (profile & reviews)
Stage from funnel
Unnecessary data
Exploration & visualization
3

22. MODELING
4

23. DEPLOYMENT
Model storing
Web services, mobile apps
Integration with transaction
Load balancing
Scaling (load balancing)
5

24. Data Science vs Machine Learning
Data Science Life Cycle
Real Life Story in Data Project
OUTLINE

25. Jabar Command Center & Kemkominfo Telco
Operator Monitoring

26. Kemkominfo Telco Operator Monitoring

27. Data Acquisition & Preprocessing
PostgreSQL
MongoDB
Pentaho (ETL)
MongoDB Charts
Compass

28. Modeling
Python
NLTK & Scikit Learn
Naive Bayes Classifier
Ensemble Learning

29. Deployment
Dashboard
Tidak mungkin pakai Matplotlib dan
Seaborn
Plotly vs Bokeh
HTML & CSS
Firebase Cloud Messaging

30. Data really powers everything that we do.
Thank You