Dokumen tersebut merupakan materi perkuliahan Machine Learning pada Program Studi Teknik Informatika di Institut Teknologi Sumatera. Materi yang disajikan pada minggu pertama meliputi kontrak perkuliahan, pendahuluan Machine Learning, tipe Machine Learning, desain sistem pembelajaran, dan isu-isu dalam Machine Learning. Dosen pengampu mata kuliah ini adalah Rahman Indra Kesuma dan Meida Cahyo Untoro.
Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1Bayu Aldi Yansyah
Artificial Intelligence Indonesia Academy adalah sebuah program mentoring non-profit untuk para pelajar/non-pelajar Indonesia tentang Machine Learning (ML) dan Natural Language Processing (NLP).
Pada program mentoring ini para peserta akan di bantu untuk mempelajari ML dan NLP dari awal hingga bisa menerapkan pengetahuan nya menjadi teknologi baru.
Di pertemuan yang pertama telah dibahas secara komprehensif konsep dasar dari Machine Learning dari sudut pandang praktisi.
Saat acara berlangsung, alokasi waktu terbanyak ada pada sesi diskusi, karena para peserta sangat antusias sekali untuk tau tentang Machine Learning.
https://artificialintelligence.id/ai-indonesia-academy-batch-1-3507d130e187
Data science adalah ilmu yang menggabungkan matematika, statistika, dan ilmu komputer untuk menganalisis data besar dengan algoritma tertentu untuk memperoleh pola data dan melakukan prediksi dengan akurat guna membantu pengambilan keputusan dan membangun sistem cerdas belajar mesin.
Webinar ini membahas pentingnya keterampilan berpikir komputasional dalam pendidikan dan bagaimana guru dapat mengajarkannya, termasuk mendefinisikan berpikir komputasional, hubungannya dengan ilmu komputer, dan contoh aktivitas sehari-hari yang melibatkan berpikir komputasional."
Pertemuan 1 - AI Indonesia Academy Surabaya Batch #1Bayu Aldi Yansyah
Artificial Intelligence Indonesia Academy adalah sebuah program mentoring non-profit untuk para pelajar/non-pelajar Indonesia tentang Machine Learning (ML) dan Natural Language Processing (NLP).
Pada program mentoring ini para peserta akan di bantu untuk mempelajari ML dan NLP dari awal hingga bisa menerapkan pengetahuan nya menjadi teknologi baru.
Di pertemuan yang pertama telah dibahas secara komprehensif konsep dasar dari Machine Learning dari sudut pandang praktisi.
Saat acara berlangsung, alokasi waktu terbanyak ada pada sesi diskusi, karena para peserta sangat antusias sekali untuk tau tentang Machine Learning.
https://artificialintelligence.id/ai-indonesia-academy-batch-1-3507d130e187
Data science adalah ilmu yang menggabungkan matematika, statistika, dan ilmu komputer untuk menganalisis data besar dengan algoritma tertentu untuk memperoleh pola data dan melakukan prediksi dengan akurat guna membantu pengambilan keputusan dan membangun sistem cerdas belajar mesin.
Webinar ini membahas pentingnya keterampilan berpikir komputasional dalam pendidikan dan bagaimana guru dapat mengajarkannya, termasuk mendefinisikan berpikir komputasional, hubungannya dengan ilmu komputer, dan contoh aktivitas sehari-hari yang melibatkan berpikir komputasional."
Penelitian di bidang ilmu komputer meliputi berbagai tema seperti pemrosesan teks, sistem informasi, temu kembali informasi, grafika komputer, pengolahan citra, dan teknik perangkat lunak. Penelitian dapat dilakukan dengan pendekatan kuantitatif maupun kualitatif dengan metode seperti survei, studi kasus, eksperimen, dan action research. Bidang-bidang utama ilmu komputer seperti sistem informasi, teknik perangkat lun
Seperti apa Berpikir Komputasional dalam praktiknya?
Apa yang dimaksud dengan algoritma dalam berpikir komputasional?
Apa teknologi pendidikan untuk pengembangan berpikir komputasional?
Bagaimana pendidik dapat mendukung pertumbuhan dalam berpikir komputasional?
Silabus mata kuliah perkuliahan model dan simulasi memberikan informasi tentang konsep dasar model dan simulasi, teknik simulasi bilangan random, sistem antrian, dan contoh-contoh aplikasi simulasi."
Dokumen tersebut membahas tentang pengertian kecerdasan buatan, sejarahnya, tujuan, dan perkembangannya hingga saat ini. Beberapa topik utama yang dibahas antara lain definisi kecerdasan buatan, kategori definisinya, basis pengetahuan dan motor inferensi sebagai dua bagian utama kecerdasan buatan, serta perkembangan kecerdasan buatan dari masa ke masa."
Isram Rasal memberikan seminar tentang penggunaan design pattern dalam penulisan ilmiah dan skripsi. Tujuannya adalah agar peserta memahami teori dan manfaat design pattern dalam pembuatan program untuk penelitian. Design pattern digunakan untuk menyelesaikan masalah umum dengan pola tertentu dalam membuat program.
Mata kuliah ini membahas tentang Interaksi Manusia dan Komputer, yang mencakup konsep dasar dan praktis tentang interaksi antara manusia dan komputer dalam membangun sistem. Mahasiswa akan mempelajari peran, teori, dan kerangka kerja Interaksi Manusia dan Komputer, serta bagaimana merancang antarmuka pengguna yang baik berdasarkan prinsip desain.
Dokumen tersebut membahas pengembangan kurikulum di Program Studi Teknik Informatika Institut Teknologi Bandung berdasarkan Kerangka Kualifikasi Nasional Indonesia (KKNI). Beberapa poin utama dalam dokumen ini adalah penjelasan mengenai pendekatan outcome-based education dalam penyusunan kurikulum, penetapan Program Educational Objectives, Student Outcomes, dan Learning Objectives untuk mata kuliah yang tercakup dalam berbagai bidang pengetahuan (knowledge areas) di Tek
Tulisan ini membahas strategi memasyarakatkan komputer di Indonesia dengan menggunakannya sebagai alat bantu pendidikan. Pengenalan komputer dilakukan secara bertahap mulai dari pengoperasian, aplikasi, hingga pembuatan program. Tujuannya adalah meningkatkan pemahaman dan mengurangi rasa takut terhadap komputer.
Modul Ajar Bahasa Inggris Kelas 10 Fase E Kurikulum MerdekaFathan Emran
Modul Ajar Bahasa Inggris Kelas 10 SMA/MA Fase E Kurikulum Merdeka - abdiera.com. Modul Ajar Bahasa Inggris Kelas 10 SMA/MA Fase E Kurikulum Merdeka. Modul Ajar Bahasa Inggris Kelas 10 SMA/MA Fase E Kurikulum Merdeka.
More Related Content
Similar to Minggu 1 - Pendahuluan dan Well Define Learning System (Compressed).pdf
Penelitian di bidang ilmu komputer meliputi berbagai tema seperti pemrosesan teks, sistem informasi, temu kembali informasi, grafika komputer, pengolahan citra, dan teknik perangkat lunak. Penelitian dapat dilakukan dengan pendekatan kuantitatif maupun kualitatif dengan metode seperti survei, studi kasus, eksperimen, dan action research. Bidang-bidang utama ilmu komputer seperti sistem informasi, teknik perangkat lun
Seperti apa Berpikir Komputasional dalam praktiknya?
Apa yang dimaksud dengan algoritma dalam berpikir komputasional?
Apa teknologi pendidikan untuk pengembangan berpikir komputasional?
Bagaimana pendidik dapat mendukung pertumbuhan dalam berpikir komputasional?
Silabus mata kuliah perkuliahan model dan simulasi memberikan informasi tentang konsep dasar model dan simulasi, teknik simulasi bilangan random, sistem antrian, dan contoh-contoh aplikasi simulasi."
Dokumen tersebut membahas tentang pengertian kecerdasan buatan, sejarahnya, tujuan, dan perkembangannya hingga saat ini. Beberapa topik utama yang dibahas antara lain definisi kecerdasan buatan, kategori definisinya, basis pengetahuan dan motor inferensi sebagai dua bagian utama kecerdasan buatan, serta perkembangan kecerdasan buatan dari masa ke masa."
Isram Rasal memberikan seminar tentang penggunaan design pattern dalam penulisan ilmiah dan skripsi. Tujuannya adalah agar peserta memahami teori dan manfaat design pattern dalam pembuatan program untuk penelitian. Design pattern digunakan untuk menyelesaikan masalah umum dengan pola tertentu dalam membuat program.
Mata kuliah ini membahas tentang Interaksi Manusia dan Komputer, yang mencakup konsep dasar dan praktis tentang interaksi antara manusia dan komputer dalam membangun sistem. Mahasiswa akan mempelajari peran, teori, dan kerangka kerja Interaksi Manusia dan Komputer, serta bagaimana merancang antarmuka pengguna yang baik berdasarkan prinsip desain.
Dokumen tersebut membahas pengembangan kurikulum di Program Studi Teknik Informatika Institut Teknologi Bandung berdasarkan Kerangka Kualifikasi Nasional Indonesia (KKNI). Beberapa poin utama dalam dokumen ini adalah penjelasan mengenai pendekatan outcome-based education dalam penyusunan kurikulum, penetapan Program Educational Objectives, Student Outcomes, dan Learning Objectives untuk mata kuliah yang tercakup dalam berbagai bidang pengetahuan (knowledge areas) di Tek
Tulisan ini membahas strategi memasyarakatkan komputer di Indonesia dengan menggunakannya sebagai alat bantu pendidikan. Pengenalan komputer dilakukan secara bertahap mulai dari pengoperasian, aplikasi, hingga pembuatan program. Tujuannya adalah meningkatkan pemahaman dan mengurangi rasa takut terhadap komputer.
Similar to Minggu 1 - Pendahuluan dan Well Define Learning System (Compressed).pdf (20)
Modul Ajar Bahasa Inggris Kelas 10 Fase E Kurikulum MerdekaFathan Emran
Modul Ajar Bahasa Inggris Kelas 10 SMA/MA Fase E Kurikulum Merdeka - abdiera.com. Modul Ajar Bahasa Inggris Kelas 10 SMA/MA Fase E Kurikulum Merdeka. Modul Ajar Bahasa Inggris Kelas 10 SMA/MA Fase E Kurikulum Merdeka.
PPT RENCANA AKSI 2 modul ajar matematika berdiferensiasi kelas 1Arumdwikinasih
Pembelajaran berdiferensiasi merupakan pembelajaran yang mengakomodasi dari semua perbedaan murid, terbuka untuk semua dan memberikan kebutuhan-kebutuhan yang dibutuhkan oleh setiap individu.kelas 1 ........
Universitas Negeri Jakarta banyak melahirkan tokoh pendidikan yang memiliki pengaruh didunia pendidikan. Beberapa diantaranya ada didalam file presentasi
Workshop "CSR & Community Development (ISO 26000)"_di BALI, 26-28 Juni 2024Kanaidi ken
Dlm wktu dekat, Pelatihan/WORKSHOP ”CSR/TJSL & Community Development (ISO 26000)” akn diselenggarakan di Swiss-BelHotel – BALI (26-28 Juni 2024)...
Dgn materi yg mupuni & Narasumber yg kompeten...akn banyak manfaat dan keuntungan yg didpt mengikuti Pelatihan menarik ini.
Boleh jga info ini👆 utk dishare_kan lgi kpda tmn2 lain/sanak keluarga yg sekiranya membutuhkan training tsb.
Smga Bermanfaat
Thanks Ken Kanaidi
Modul Ajar Bahasa Indonesia Kelas 7 Fase D Kurikulum Merdeka - [abdiera.com]Fathan Emran
Modul Ajar Bahasa Indonesia Kelas 7 SMP/MTs Fase D Kurikulum Merdeka - abdiera.com. Modul Ajar Bahasa Indonesia Kelas 7 SMP/MTs Fase D Kurikulum Merdeka. Modul Ajar Bahasa Indonesia Kelas 7 SMP/MTs Fase D Kurikulum Merdeka. Modul Ajar Bahasa Indonesia Kelas 7 SMP/MTs Fase D Kurikulum Merdeka. Modul Ajar Bahasa Indonesia Kelas 7 SMP/MTs Fase D Kurikulum Merdeka. Modul Ajar Bahasa Indonesia Kelas 7 SMP/MTs Fase D Kurikulum Merdeka.
2. Pokok Bahasan pada Minggu Pertama
• Kontrak Perkuliahan
• Pendahuluan Machine Learning
• Tipe Machine Learning
• Desain Sistem Pembelajaran
• Isu dalam Machine Learning
2
4. Luaran Mata Kuliah
• Mahasiswa mampu memahami konsep dasar matematika yang digunakan dalam algoritma
yang digunakan untuk menyelesaikan persoalan secara praktis.
• Mahasiswa mampu mengidentifikasi masalah dan memilih metode/algoritma yang tepat
serta praktis untuk menyelesaikan masalah.
• Mahasiswa mampu memahami ide dasar, intuisi, konsep, algoritma dan teknik untuk
membuat komputer menjadi lebih cerdas, melalui penekanan pada konsep pembelajaran
secara supervised dan unsupervised.
• Mahasiswa mampu menerapkan beragam teknik/algoritma dan tools untuk membantu
menyelesaikan beberapa permasalahan sederhana dengan pendekatan pembelajaran
mesin.
• Mahasiswa mampu menerapkan dan melakukan inovasi pada pengembangan sebuah
sistem Pembelajaran Mesin pada kasus tertentu.
4
5. Identitas Mata Kuliah
• Bobot Kredit : 3 SKS
• Mata Kuliah Prasyarat:
a. Inteligensi Buatan
• Peraturan perkuliahan daring
ü Perkuliahan : Hari Senin pukul 15.00 – 18.00 WIB (break/istirahat 30 menit);
ü Seluruh peserta perkuliahan Wajib Mengaktifkan Kamera;
ü Seluruh peserta dalam Posisi Duduk dan Berpakaian Rapih;
ü Terdapat Post-Test pada akhir pelaksanaan perkuliahan dan tidak ada pelaksanaan Post-Test
susulan;
ü Terdapat tugas mandiri, tugas kelompok, dan tugas besar mata kuliah;
ü UTS (Minggu 8) dan UAS (Minggu 16)
5
6. Penilaian Mata Kuliah
• Komponen: UAS, UTS, Kuis/Post-Test, Tugas & latihan, Ekplorasi
• Tugas (kelompok/individu)
• Implementasi algoritma (kelompok/individu)
• Eksperimen (kelompok/individu)
• Segala bentuk kecurangan akan mengakibatkan nilai E
• Susulan UTS atau UAS hanya untuk mahasiswa yang dirawat di rumah sakit atau
terkena musibah. Susulan hanya untuk UTS atau UAS (tidak keduanya)
6
7. Pokok Bahasan Perkuliahan
• Pendahuluan Machine Learning
• Well Define Learning System & Pembelajaran Konsep
• Overview Supervised dan Unsupervised Learning
• Deep Neural Network (CNN, RNN - LTSM)
• Support Vector Machine
• Clustering (Partitioning, Density, Hierarchical, Model and Grid Based)
• Isu pada Machine Learning
ü Imbalanced Dataset, Overfitting, Underfitting, dan Ensemble Classifier
• Eksperimen Machine Learning dan Transformasi Data
• Eksplorasi Supervised dan Unsupervised Learning di Python
• Eksplorasi Paper Machine Learning
7
8. Referensi
• Mitchell, T., Machine Learning, 1997, McGraw-Hill;
• Andrew Ng, Machine Learning Yearning, 2018, deeplearning.ai;
• R. Duda, P. Hart, and D. Stork, Pattern Classification, 2nd ed. John
Wiley & Sons, 2001;
• C. Bishop, Pattern Recognition and Machine Learning. Springer, 2006;
• Tim Dosen STEI ITB, Slide Perkuliahan Pembelajaran Mesin Lanjut, 2020;
• Digital library / http://scholar.google.com/;
8
9. Conventional-Based v.s. Machine Learning Based System
MACHINE
Traditional Programming
Input
Program
Output
MACHINE
Artificial Intelligence (Machine Learning)
Input
Program
Output
9
13. Machine Learning : Why ???
13
Face Recognition
Dalam sistem berbasis
pengetahuan, sebagai teknik
akuisisi pengetahuan otomatis
untuk menangani knowledge
acquisition bottleneck
https://www.igcseict.info/theory/7_2/expert/
Develop software applications that we
can’t program by hand (poorly understood
domains). Humans might not have the
knowledge to develop effective algorithms
Self Driving Car
14. Machine Learning : Why ??
14
Information overload (online data),
manual processing is nearly impossible
https://www.statista.com/chart/25443/estimated-amount-of-data-created-on-the-internet-in-one-minute/
Improve decisions using historical data
15. Machine Learning : Why ???
15
Kapan Machine Learning menjadi pilihan yang tepat untuk digunakan:
• Ketika tidak terdapatnya kepakaran (ex: navigating on Mars)
• Ketika manusia tidak dapat menjelaskan terkait kepakarannya (ex: speech recognition)
• Ketika model harus disesuaikan (ex: personalized medicine)
• Ketika model berdasarkan pada data yang berjumlah banyak (ex: genomics)
Konsep Learning tidaklah selalu berguna pada setiap masalah:
• Terdapat kasus yang tidak membutuhkan "Learning" seperti perhitungan gaji karyawan
18. Main Component of Machine Learning
18
Features
• Also known as parameters
or variables.
Data
• Want to detect spam? Get
samples of spam messages. Want
to forecast stocks? Find the price
history. Want to find out user
preferences? Parse their activities
on Facebook (no, Mark, stop
collecting it, enough!)
Algorithms
• Most obvious part. Any problem
can be solved differently.
26. Beberapa Pendekatan Learning
• Supervised (Inductive) Learning
Diberikan : Data Latih & Output yang Diharapkan (label)
• Unsupervised Learning
Diberikan : Data Latih (tanpa label)
• Semi-Supervised Learning
Diberikan : Data Latih & Sedikit Informasi Label
• Reinforcement Learning
Reward/Punishment dari Serangkaian Aksi
26
29. Machine Learning : Definition
• Arthur Samuel (1959): Machine Learning is the field of study that gives the
computer the ability to learn without being explicitly programmed.
• Tom Mitchell (1998): a computer program is said to learn from experience
E with respect to some class of tasks T and performance measure P, if its
performance at tasks in T, as measured by P, improves with experience E.
29
30. Machine Learning : Definition
Learning = Generalization
• H. Simon - "Learning denotes changes in the system that are adaptive in the
sense that they enable the system to do the task or task drawn from the sample
of population more efficiently and more effectively the next time."
The ability to perform a task in a situation which has never been encountered
before.
30
31. Machine Learning : Definition
Dapatkah komputer belajar seperti manusia?
• Kita belum tahu bagaimana membuat komputer belajar seperti manusia
(Mitchell, 1997) → berpikir dan mengerti
• Google’s DeepMind membuat program AI yang mampu belajar layaknya
manusia (The Guardian, 2017)
ü catastrophic forgetting → pekerjaan/aktifitas belajar secara sekuensial
• Bagaimanapun, beberapa algoritma pembelajaran efektif untuk tipe task
tertentu
31
33. Well Defined Learning
Membutuhkan beberapa hal, seperti
• Informasi pekerjaan yang ditentukan secara baik (T – Task)
• Matrik pengukuran kinerja (P – Performance Measure)
• Sumber untuk memperoleh pengalaman untuk belajar (E – Training
Experience)
33
34. Well Defined Learning – Contoh 1
A checkers learning problem:
• Task T: bermain checkers
• Performance measure P: persentase (seberapa sering) memenangkan
permainan melawan pemain lain
• Training experience E: latihan dengan bermain melawan dirinya sendiri
34
35. Well Defined Learning – Contoh 2
A handwriting recognition learning problem:
• Task T: mengenali dan mengklasifikasikan huruf tulisan tangan dalam gambar
• Performance measure P: persentase (seberapa banyak) kata yang
diklasifikasi dengan benar
• Training experience E: sekumpulan data huruf yang ditulis tangan dengan
informasi label klasifikasinya
35
36. Well Defined Learning – Contoh 3
A Robot driving learning problem:
• Task T: ……?
• Performance measure P: ……?
• Training experience E: ……?
36
37. Desain Sistem Pembelajaran untuk Suatu T
Beberapa hal yang perlu diperhatikan adalah
• Pemilihan training experience E
• Pemilihan secara tepat apa yang ingin dipelajari (fungsi target)
• Pemilihan bagaimana cara merepresentasikan fungsi target
• Pemilihan algoritma pembelajaran untuk menyimpulkan fungsi target dari pengalaman
(experience)
37
38. 1. Pemilihan Training Experience E
• Tipe training experience E yang tersedia berpengaruh signifikan terhadap
sukses atau gagalnya sistem pembelajaran.
• Atribut kunci:
ü Feedback: direct atau indirect. Pembelajaran dengan direct feedback
lebih mudah dilakukan daripada indirect feedback.
ü Tingkat kontrol sekuens dari training examples: teacher (annotator)
ü Tingkat representasi distribusi data saat kinerja sistem final P diukur.
38
39. 1. Pemilihan Training Experience E
• Training Experience: Feedback
39
Direct feedback
Contoh 1 : credit approval
• Credit applications and correct decision
(+ approve or - reject)
• <application data, decision>
Contoh 2: playing checkers
• Individual checkers board states and
correct move for each
• <board state, correct move>*
Indirect feedback
Contoh: playing checkers
Move sequences and final outcomes of
various games played
<move sequences, final outcome>*
43. 1. Pemilihan Training Experience E
Training Experience: Kontrol Sekuens
43
• Urutan bergantung pada annotator (teacher)
ü Teacher select informative board states and provide the correct move for
each.
• Urutan bergantung pada learner
ü Learner might itself propose board states that it finds particularly confusing
and ask the teacher for the correct move
• Complete control: playing against itself (urutan dan feedback)
ü Urutannya random atau berdasarkan heuristics
44. 1. Pemilihan Training Experience E
44
Training Experience: Representasi Distribusi
• Seberapa baik training data merepresentasikan distribusi data ketika
digunakan kinerja sistem P yang harus diukur
• Pembelajaran ideal dapat terjadi ketika distribusi data antara data
training dan testing data di dunia nyata adalah sama
• Data training merepresentasikan semua kasus yang mungkin: experience
against itself vs testing in world tournament
45. 2. Pemilihan Fungsi Target
45
• Tujuan: menentukan pengetahuan yang akan dipelajari dan bagaimana
digunakan task T ⇒ berupa fungsi target
• Contoh untuk playing checkers:
ü Task T: choose the best move for any given board state
v Input: board ∈ set of legal board states (B)
v Output: move ∈ set of legal moves (M)
ü Fungsi target ChooseMove: B → M (task klasifikasi)
ü Alternatif fungsi target board value V: B → Real (task regresi)
v ChooseMove = max (V(legal_successor_board_state))
46. 3. Pemilihan Representasi Fungsi Target
46
• Alternatif representasi: rules, neural network, fungsi linear atau polinomial
dari fitur board.
xl: the number of white pieces on the board
x2: the number of red pieces on the board
x3: the number of white kings on the board
x4: the number of red kings on the board
x5: the number of white pieces threatened by red (i.e., which can be captured on
red's next turn)
x6: the number of red pieces threatened by white
47. 3. Pemilihan Representasi Fungsi Target
47
Asumsi Fundamental dalam Pembelajaran Induktif
• Training examples of target function:
• Determine: hypothesis h in H such that h(x) = c(x) for all x in D.
• The inductive learning hypothesis
Any hypothesis found to approximate the target function well over a
sufficiently large set of training examples will also approximate the
target function well over other unobserved examples.
48. 4. Pemilihan Algoritma Pembelajaran
48
• The problem of learning a checkers strategy reduces to the
problem of learning values for the coefficients w0 through w6 in
the target function representation (linear function)
• Adjusting the weights: Least Minimum Squares
50. Isu dalam Machine Learning
50
• What algorithms can approximate function well and when?
• How much training data is sufficient?
• How does complexity of hypothesis representation impact accuracy?
• How does noisy data influence accuracy
• What are the theoretical limit of learnability?
• How can prior knowledge of learner can help?
• What clues can we get from biological learning system?