Les Privat Machine Learning di Surabaya

Bisa, dan peserta dengan latar seperti itu cukup banyak. Delapan sampai sepuluh sesi pertama dipakai untuk Python dasar dan cara membaca data tabel, jadi kamu menulis kode sambil melihat hasilnya pada data nyata. Yang benar-benar dibutuhkan di awal cuma kebiasaan memakai komputer sehari-hari dan kesediaan latihan sekitar tiga jam per pekan di luar sesi. Materi matematikanya disisipkan saat topiknya muncul, sehingga kamu memahaminya sambil memakainya.

Tidak. Yang dipakai sehari-hari di tingkat pemula ada tiga: aljabar linear secukupnya berupa vektor, matriks, dan perkalian titik; statistika dasar berupa rata-rata, sebaran, korelasi, dan distribusi; serta sedikit gagasan kalkulus untuk memahami cara model memperbaiki dirinya. Tutor memeriksa ketiganya di sesi asesmen lalu menambal bagian yang bolong lewat latihan pendek. Banyak peserta merasa matematikanya justru lebih mudah dicerna ketika dipakai menjelaskan kode yang barusan mereka tulis.

Mulai Rp158.800 per sesi 60 menit untuk kelas daring satu tutor satu peserta. Angkanya bergerak mengikuti empat hal: durasi sesi, jenjang materi, mode belajar, dan jumlah sesi per bulan. Sesi 90 menit yang banyak dipilih peserta menaikkan tarif sekitar 40 persen, sementara tutor yang datang ke rumah menambahkan komponen perjalanan. Belajar di co-learning space Edubia menambah Rp15.000 per sesi. Batas atas rentangnya ada di sekitar Rp277.800 per sesi untuk kelas 90 menit tingkat profesional.

Dengan ritme dua sesi per pekan ditambah latihan mandiri, peserta yang mulai dari nol biasanya menyelesaikan model pertamanya yang jalan utuh di sekitar pekan kelima sampai ketujuh. Model itu masih sederhana: satu regresi atau satu klasifikasi di atas data yang kamu bersihkan sendiri. Kemampuan menilai apakah model itu layak dipercaya datang belakangan, sekitar pekan kesembilan, ketika validasi silang dan metrik evaluasi sudah dibahas. Kecepatannya sendiri ditentukan jam latihan di luar sesi.

Python menjadi bahasa utamanya, dengan pandas untuk olah data, scikit-learn untuk pemodelan, dan matplotlib untuk grafik. Alasannya praktis: sebagian besar lowongan bidang data menyebut Python, dan ekosistem pustakanya menyambung sampai tahap penyajian model. R dibahas sepintas kalau kamu berasal dari rumpun statistika atau sedang mengerjakan tugas akhir yang dosennya memakai R. Untuk jaringan saraf, PyTorch diperkenalkan sesudah dasar-dasarnya kokoh.

Cukup untuk hampir seluruh materi. Data latihan yang dipakai berukuran puluhan sampai ratusan ribu baris, dan ukuran itu masih nyaman diproses pandas di RAM 8 GB. Saat masuk jaringan saraf atau data gambar, komputasinya dipindahkan ke notebook awan gratis yang meminjamkan akselerator, sehingga kamu tak perlu membeli perangkat baru. Yang lebih terasa justru sisa ruang penyimpanan dan kebiasaan menutup aplikasi lain selagi model dilatih.

Bisa. Sesi daring memakai panggilan video dengan berbagi layar dua arah, jadi tutor melihat kode yang sedang kamu ketik dan bisa langsung menunjuk baris yang bermasalah. Peserta dari Waru, Gedangan, Sedati, dan Sukodono banyak yang memilih jalur ini untuk sesi malam, lalu menyisipkan satu pertemuan tatap muka per bulan khusus membahas proyek besar. Ringkasan tiap sesi daring ditulis sebagai catatan supaya bagian yang cepat berlalu bisa kamu ulang.

Dua-duanya tersedia. Tutor bisa datang ke alamatmu di 31 kecamatan Kota Surabaya, dari Sukolilo dan Mulyorejo di timur sampai Benowo dan Pakal di barat, serta ke 18 kecamatan Kabupaten Sidoarjo. Pilihan kedua, kalian bertemu di co-learning space Edubia dengan tambahan Rp15.000 per sesi, dan opsi ini sering dipilih peserta yang kosnya sempit atau yang butuh sambungan internet stabil. Mode belajarnya boleh berganti dari bulan ke bulan mengikuti kesibukanmu.

Rangkaian intinya menuntaskan model klasik yang banyak dipakai di dunia kerja: regresi, pohon keputusan, random forest, dan gradient boosting. Alasannya sederhana, sebagian besar persoalan data tabular di perusahaan diselesaikan model semacam itu dengan hasil yang lebih mudah dijelaskan kepada pengambil keputusan. Jaringan saraf diperkenalkan di tahap lanjutan lewat PyTorch, biasanya sesudah kamu terbiasa dengan validasi silang. Kalau sasaranmu memang data gambar atau teks, rutenya disesuaikan sejak sesi asesmen.

Membantu, dengan catatan tutor menemani metodenya dan kamu yang menulis. Bagian yang biasanya menyita waktu mahasiswa tingkat akhir ada di penyiapan data dan pemilihan metrik evaluasi, dan keduanya bisa dibedah sesi per sesi. Peserta dari kampus di Sukolilo, Mulyorejo, Gunung Anyar, dan Gayungan memakai jalur ini untuk menyusun bab metodologi sekaligus berlatih mempertahankan pilihan modelnya saat sidang. Analisis milik peserta tetap dikerjakan peserta; tutor mengoreksi, menantang asumsi, dan menunjukkan cara memeriksa kebocoran data.

Bisa. Jadwal disusun per pekan bersama tutor, dan layanan berjalan tujuh hari sepekan dari pagi 07.00 hingga malam 21.00 WIB. Peserta bersif berubah biasanya menyiapkan dua slot cadangan: satu di malam hari kerja, satu di akhir pekan pagi. Perubahan jadwal dikabarkan lebih awal ke tutor supaya slotnya bisa digeser. Yang perlu dijaga tetap jumlah sesi per bulan, sebab ritme belajar bidang ini rontok ketika jarak antar sesi melebar sampai dua pekan.

Sebagian besar latihan memakai data publik yang memang lazim dipakai belajar, mulai dari data harga properti, data pelanggan telekomunikasi, sampai data cuaca dan transaksi ritel. Data kantormu boleh dipakai selama kamu punya izin dan kolom yang mengidentifikasi orang sudah dihapus atau disamarkan lebih dulu. Latihan dengan data internal justru berharga, sebab data seperti itu biasanya berantakan dan menyiapkannya melatih hal yang tak pernah muncul di berkas contoh yang sudah rapi.

Tiga hal yang bisa ditunjukkan ke orang lain: repositori berisi kode rapi yang bisa dijalankan ulang, tiga proyek yang ditulis lengkap dengan alasan tiap keputusan, dan catatan sesi yang memuat penjelasan tiap topik dengan bahasamu sendiri. Ditambah satu keterampilan yang sering diremehkan, yaitu menerangkan cara kerja modelmu dalam lima menit kepada pendengar tanpa latar teknis, karena wawancara kerja dan presentasi internal hampir selalu menuntut hal itu.

Kabari koordinator Edubia dan tutornya diganti tanpa biaya tambahan, biasanya dalam hitungan hari. Ketidakcocokan di bidang ini kerap lahir dari perbedaan tempo: ada peserta yang ingin memahami matematika di balik model lebih dulu, ada yang ingin kodenya jalan dulu baru mundur ke teorinya. Sesi asesmen awal dipakai membaca kecenderungan itu, dan catatan belajarmu ikut berpindah ke tutor baru sehingga kamu tak mengulang penjelasan dari nol.

Jawaban jujurnya bergantung pada titik mulai dan jam latihanmu, dan Edubia tidak menjanjikan angka gaji maupun tenggat diterima kerja. Yang realistis: peserta yang menuntaskan rangkaian ini punya portofolio dan kemampuan teknis yang memadai untuk melamar posisi analis data atau analis bisnis, dan posisi itulah pintu masuk yang umum di Surabaya. Posisi machine learning engineer biasanya menuntut pengalaman menjalankan model di lingkungan nyata, kemampuan SQL yang kuat, dan rekam jejak proyek yang sudah berjalan.