-
Bagian 1: Pendahuluan
-
Contoh Praktis: Apa yang Akan Anda Pelajari dalam Kursus ini
-
Apa yang Dicakup Kursus
-
Unduh Semua Sumber
-
Bidang Ilmu Data – Berbagai Disiplin Ilmu Data
-
Ilmu Data dan Buzzwords Bisnis: Mengapa ada begitu banyak?
-
Analisis Bisnis, Analisis Data, dan Ilmu Data: Suatu Pengantar
-
Melanjutkan dengan BI, ML, dan AI
-
Rincian Infografis Ilmu Data kami
-
Bidang Ilmu Data – Menghubungkan Disiplin Ilmu Data
-
Menerapkan Data Tradisional, Big Data, BI, Ilmu Data Tradisional dan ML
-
Bidang Ilmu Data – Manfaat Setiap Disiplin
-
Alasan di balik Disiplin ini
-
Bidang Ilmu Data – Teknik Ilmu Data Populer
-
Teknik untuk Bekerja dengan Data Tradisional
-
Contoh Nyata dari Data Tradisional
-
Teknik untuk Bekerja dengan Big Data
-
Contoh Nyata dari Data Besar
-
Teknik Kecerdasan Bisnis (BI)
-
Contoh-contoh Nyata Kecerdasan Bisnis (BI)
-
Teknik untuk Bekerja dengan Metode Tradisional
-
Contoh Kehidupan Nyata dari Metode Tradisional
-
Teknik Machine Learning (ML)
-
Jenis Pembelajaran Mesin
-
Contoh Kehidupan Nyata dari Pembelajaran Mesin (ML)
-
Bidang Ilmu Data – Alat Ilmu Data Populer
-
Bahasa dan Perangkat Lunak Pemrograman yang Diperlukan Digunakan dalam Ilmu Data
-
Bidang Ilmu Data – Karier dalam Ilmu Data
-
Menemukan Pekerjaan – Apa yang Diharapkan dan Apa yang Harus Diperhatikan
-
Bidang Ilmu Data – Membongkar Kesalahpahaman Umum
-
Mengingkari Kesalahpahaman Umum
-
Bagian 2: Statistik
-
Populasi dan Sampel
-
Statistik – Statistik Deskriptif
-
Jenis Data
-
Tingkat Pengukuran
-
Variabel Kategorikal – Teknik Visualisasi
-
Latihan Variabel Kategorikal
-
Variabel Numerik – Tabel Distribusi Frekuensi
-
Latihan Variabel Numerik
-
Histogram
-
Latihan Histogram
-
Cross Tables dan Scatter Plot
-
Latihan Cross Tables dan Scatter Plot
-
Berarti, median dan mode
-
Berarti, Median dan Latihan Mode
-
Kecondongan
-
Latihan Skewness
-
Perbedaan
-
Latihan Varians
-
Standar Deviasi dan Koefisien Variasi
-
Standar deviasi
-
Standar Deviasi dan Koefisien Latihan Variasi
-
Kovarian
-
Latihan Kovarian
-
Koefisien Korelasi
-
Korelasi
-
Latihan Koefisien Korelasi
-
Statistik – Contoh Praktis: Statistik Deskriptif
-
Contoh Praktis: Statistik Deskriptif
-
Contoh Praktis: Latihan Statistik Deskriptif
-
Statistik – Fundamental Statistik Inferensial
-
Apa itu Distribusi
-
Distribusi Normal
-
Distribusi Normal Standar
-
Latihan Distribusi Normal Standar
-
Teorema Batas Pusat
-
Kesalahan standar
-
Estimator dan Estimasi
-
Statistik – Statistik Inferensial: Interval Keyakinan
-
Apa itu Interval Keyakinan?
-
Interval Keyakinan; Varians Populasi Yang Diketahui; skor-z
-
Interval Keyakinan; Varians Populasi Yang Diketahui; z-score; Olahraga
-
Klarifikasi Interval Keyakinan
-
T Distribution Pelajar
-
Interval Keyakinan; Varians Populasi Tidak Diketahui; t-score
-
Interval Keyakinan; Varians Populasi Tidak Diketahui; t-score; Olahraga
-
Margin of Error
-
Interval kepercayaan diri. Dua artinya. Sampel tergantung
-
Interval kepercayaan diri. Dua artinya. Sampel tergantung Latihan
-
Interval kepercayaan diri. Dua artinya. Sampel independen (Bagian 1)
-
Interval kepercayaan diri. Dua artinya. Sampel independen (Bagian 1) Latihan
-
Interval kepercayaan diri. Dua artinya. Sampel independen (Bagian 2)
-
Interval kepercayaan diri. Dua artinya. Sampel independen (Bagian 2) Latihan
-
Interval kepercayaan diri. Dua artinya. Sampel independen (Bagian 3)
-
Statistik – Contoh Praktis: Statistik Inferensial
-
Contoh Praktis: Statistik Inferensial
-
Contoh Praktis: Latihan Statistik Inferensial
-
Statistik – Pengujian Hipotesis
-
Null vs Hipotesis Alternatif
-
Bacaan Lebih Lanjut tentang Null dan Hipotesis Alternatif
-
Null vs Hipotesis Alternatif
-
Wilayah Penolakan dan Tingkat Signifikansi
-
Kesalahan Tipe I dan Kesalahan Tipe II
-
Tes untuk Mean. Varians Populasi Dikenal
-
Tes untuk Mean. Varians Populasi Yang Dikenal Berolahraga
-
Tes untuk Mean. Varians Populasi Tidak Diketahui
-
Tes untuk Mean. Varians Populasi Latihan Tidak Diketahui
-
Tes untuk Mean. Sampel tergantung
-
Tes untuk Mean. Latihan Sampel Dependen
-
Tes untuk mean. Sampel independen (Bagian 1)
-
Tes untuk mean. Sampel independen (Bagian 1). Olahraga
-
Tes untuk mean. Sampel independen (Bagian 2)
-
Tes untuk mean. Sampel independen (Bagian 2)
-
Tes untuk mean. Sampel independen (Bagian 2) Latihan
-
Statistik – Contoh Praktis: Pengujian Hipotesis
-
Contoh Praktis: Pengujian Hipotesis
-
Contoh Praktis: Latihan Pengujian Hipotesis
-
Bagian 3: Pengantar Python
-
Pengantar Pemrograman
-
Mengapa python
-
Kenapa Jupyter?
-
Menginstal Python dan Jupyter
-
Memahami Antarmuka Jupyter – Dasbor Notebook
-
Prasyarat untuk Pengkodean di Notebook Jupyter
-
Antarmuka Jupyter
-
Python – Variabel dan Tipe Data
-
Variabel
-
Angka dan Nilai Boolean dengan Python
-
String Python
-
Python – Sintaks Python Dasar
-
Menggunakan Operator Aritmatika dengan Python
-
Tanda Kesetaraan Ganda
-
Cara Menugaskan Kembali Nilai
-
Memahami Line Continuation
-
Elemen Pengindeksan
-
Penyusunan dengan Indentasi
-
Python – Operator Python Lainnya
-
Operator Perbandingan
-
Operator Logical dan Identity
-
Python – Pernyataan Bersyarat
-
Pernyataan IF
-
Pernyataan ELSE
-
Pernyataan ELIF
-
Catatan tentang Nilai Boolean
-
Python – Fungsi Python
-
Mendefinisikan suatu Fungsi dengan Python
-
Cara Membuat Fungsi dengan Parameter
-
Mendefinisikan suatu Fungsi dengan Python – Bagian II
-
Cara Menggunakan Fungsi dalam suatu Fungsi
-
Pernyataan dan Fungsi Bersyarat
-
Fungsi yang Mengandung Beberapa Argumen
-
Fungsi Bawaan dalam Python
-
Fungsi Python
-
Python – Urutan
-
Menggunakan Metode
-
Mengiris daftar
-
Tuples
-
Kamus
-
Python – Iterasi
-
Untuk Loops
-
Sementara Loops dan Incrementing
-
Daftar dengan rentang () Fungsi
-
Pernyataan Bersyarat dan Loop
-
Pernyataan Bersyarat, Fungsi, dan Putaran
-
Bagaimana Iterate atas Kamus
-
Python – Alat Python Tingkat Lanjut
-
Pemrograman berorientasi objek
-
Modul dan Paket
-
Apa itu Perpustakaan Standar?
-
Mengimpor Modul dengan Python
-
Bagian 4: Metode Statistik Lanjut dalam Python
-
Pengantar Analisis Regresi
-
Metode Statistik Lanjut – Regresi linier
-
Model Regresi Linier
-
Korelasi vs Regresi
-
Representasi Geometris dari Model Regresi Linier
-
Instalasi Paket Python
-
Regresi Pertama dengan Python
-
Regresi Pertama dalam Latihan Python
-
Menggunakan Seaborn untuk Grafik
-
Cara Menafsirkan Tabel Regresi
-
Dekomposisi Variabilitas
-
Apa itu OLS?
-
R-Squared
-
Metode Statistik Lanjut – Regresi Linier Berganda
-
Regresi Linier Berganda
-
Disesuaikan R-Squared
-
Latihan Regresi Linier Berganda
-
Uji Signifikansi Model (Uji-F)
-
Asumsi OLS
-
A1: Linearitas
-
A2: Tidak Ada Endogenitas
-
A3: Normalitas dan Homoscedasticity
-
A4: Tidak Ada Autokorelasi
-
A4: Tidak ada autokorelasi
-
A5: Tidak Ada Multikolinearitas
-
A5: Tidak Ada Multikolinearitas
-
Berurusan dengan Data Kategorikal – Variabel Dummy
-
Membuat Prediksi dengan Regresi Linier
-
Metode Statistik Lanjut – Regresi Logistik
-
Pengantar Regresi Logistik
-
Contoh Sederhana dengan Python
-
Fungsi Logistik vs. Logit
-
Membangun Regresi Logistik
-
Membangun Regresi Logistik – Latihan
-
Tip Penyandian yang Tidak Berharga
-
Memahami Tabel Regresi Logistik
-
Memahami Tabel Regresi Logistik – Latihan
-
Apa Arti Sebenarnya Peluang
-
Prediktor Biner dalam Regresi Logistik
-
Prediktor Biner dalam Regresi Logistik – Latihan
-
Menghitung Akurasi Model
-
Underfitting dan Overfitting
-
Menguji Model
-
Menguji Model – Latihan
-
Metode Statistik Lanjut – Analisis Cluster
-
Pengantar Analisis Cluster
-
Beberapa Contoh Cluster
-
Perbedaan antara Klasifikasi dan Klaster
-
Prasyarat Matematika
-
Metode Statistik Lanjut – K-Means Clustering
-
K-Means Clustering
-
Contoh Sederhana Pengelompokan
-
Contoh Sederhana dari Clustering – Latihan
-
Pengelompokan Data Kategorikal
-
Pengelompokan Data Kategorikal
-
Cara Memilih Jumlah Cluster
-
Cara Memilih Jumlah Cluster – Latihan
-
Pro dan Kontra dari K-Means Clustering
-
Untuk Membakukan atau Tidak Membakukan
-
Hubungan antara Clustering dan Regresi
-
Segmentasi Pasar dengan Analisis Cluster (Bagian 1)
-
Segmentasi Pasar dengan Analisis Cluster (Bagian 2)
-
Bagaimana Clustering Berguna?
-
LATIHAN: Segmentasi Spesies dengan Analisis Cluster (Bagian 1)
-
LATIHAN: Segmentasi Spesies dengan Analisis Cluster (Bagian 2)
-
Metode Statistik Lanjut – Jenis Klaster Lainnya
-
Jenis-jenis Clustering
-
Dendrogram
-
Heatmaps
-
Bagian 5: Matematika
-
Apa itu matriks?
-
Skalar dan Vektor
-
Aljabar dan Geometri Linier
-
Array dengan Python – Cara Nyaman Untuk Mewakili Matriks
-
Apa itu Tensor?
-
Penambahan dan Pengurangan Matriks
-
Kesalahan saat Menambahkan Matriks
-
Transpose suatu Matriks
-
Produk titik
-
Mengapa Aljabar Linier Berguna?
-
Bagian 6: Pembelajaran Mendalam
-
Apa yang Diharapkan dari Bagian ini?
-
Apa itu Pembelajaran Mesin
-
Deep Learning – Pengantar Neural Networks
-
Pengantar Jaringan Saraf Tiruan
-
Pelatihan Model
-
Jenis Pembelajaran Mesin
-
Model Linier (Versi Aljabar Linier)
-
Model Linier dengan Banyak Input
-
Model Linier dengan Banyak Input dan Banyak Output
-
Representasi Grafis dari Jaringan Saraf Tiruan Sederhana
-
Apa Fungsi Objektif?
-
Fungsi Tujuan Umum: Kehilangan L2-norm
-
Fungsi Sasaran Umum: Lintas Entropi
-
Algoritma Optimasi: Keturunan Gradien 1-Parameter
-
Algoritma Optimasi: Keturunan Gradien n-Parameter
-
Deep Learning – Cara Membangun Jaringan Syaraf Tiruan dari Awal dengan NumPy
-
Contoh NN Dasar (Bagian 1)
-
Contoh NN Dasar (Bagian 2)
-
Contoh NN Dasar (Bagian 3)
-
Contoh NN Dasar (Bagian 4)
-
Latihan Contoh NN Dasar
-
Deep Learning – TensorFlow: Pendahuluan
-
Cara Memasang TensorFlow
-
Catatan tentang Menginstal Paket di Anaconda
-
Garis Besar dan Logika TensorFlow
-
Pengantar Aktual untuk TensorFlow
-
Jenis Format File, Tensor pendukung
-
Contoh NN Dasar dengan TF: Input, Output, Target, Bobot, Bias
-
Contoh NN Dasar dengan TF: Fungsi Rugi dan Keturunan Gradien
-
Contoh NN Dasar dengan TF: Output Model
-
Contoh NN Dasar dengan Latihan TF
-
Deep Learning – Menggali Lebih Dalam ke dalam NNs: Memperkenalkan Deep Neural Networks
-
Apa itu Layer?
-
Apa itu Deep Net?
-
Menggali Deep Net
-
Non-Linearitas dan Tujuannya
-
Fungsi Aktivasi
-
Fungsi Aktivasi: Aktivasi Softmax
-
Backpropagation
-
Gambar backpropagation
-
Backpropagation – Mengintip Matematika Optimasi
-
Pembelajaran yang mendalam – Overfitting
-
Apa itu Overfitting?
-
Underfitting dan Overfitting untuk Klasifikasi
-
Apa itu Validasi?
-
Pelatihan, Validasi, dan Kumpulan Data Uji
-
Validasi Palang N-Lipat
-
Berhenti Awal atau Kapan Berhenti Pelatihan
-
Pembelajaran Jauh – Inisialisasi
-
Apa itu Inisialisasi?
-
Jenis Inisialisasi Sederhana
-
Metode Canggih – Inisialisasi Glorot (Xavier)
-
Deep Learning – Menggali Keturunan Gradien dan Jadwal Tingkat Belajar
-
Keturunan Gradien Stochastic
-
Masalah dengan Keturunan Gradien
-
Momentum
-
Jadwal Tingkat Belajar, atau Cara Memilih Tingkat Belajar yang Optimal
-
Jadwal Tingkat Belajar Divisualisasikan
-
Jadwal Tingkat Pembelajaran Adaptif (AdaGrad dan RMSprop)
-
Adam (Perkiraan Momen Adaptif)
-
Belajar Mendalam – Memproses Ulang
-
Pengantar Preprocessing
-
Jenis Preprocessing Dasar
-
Standardisasi
-
Data Kategorikal Pra-pemrosesan
-
Pengodean Biner dan One-Hot
-
Deep Learning – Klasifikasi pada Dataset MNIST
-
MNIST: Apa itu Dataset MNIST?
-
MNIST: Cara Menangani MNIST
-
MNIST: Paket yang Relevan
-
MNIST: Garis Besar Model
-
MNIST: Kerugian dan Algoritma Optimasi
-
Menghitung Akurasi Model
-
MNIST: Batching dan Stop Awal
-
MNIST: Belajar
-
MNIST: Hasil dan Pengujian
-
MNIST: Latihan
-
MNIST: Solusi
-
Pembelajaran Mendalam – Contoh Kasus Bisnis
-
Business Case: Berkenalan dengan dataset
-
Kasus Bisnis: Menjabarkan Solusi
-
Pentingnya Bekerja dengan Dataset Seimbang
-
Kasus Bisnis: Preprocessing
-
Kasus Bisnis: Latihan Pra-pemrosesan
-
Membuat Penyedia Data
-
Kasus Bisnis: Garis Besar Model
-
Kasus Bisnis: Optimasi
-
Kasus Bisnis: Interpretasi
-
Kasus Bisnis: Menguji Model
-
Kasus Bisnis: Komentar tentang Pekerjaan Rumah
-
Kasus Bisnis: Latihan Terakhir
-
Pembelajaran Jauh – Kesimpulan
-
Ringkasan tentang Apa yang Sudah Anda Pelajari
-
Apa yang lebih jauh di luar sana dalam hal Pembelajaran Mesin
-
Ikhtisar CNN
-
DeepMind dan Deep Learning
-
Gambaran Umum RNN
-
Tinjauan umum tentang Pendekatan non-NN
-
Unduh Semua Sumber
-
Integrasi Perangkat Lunak
-
Apa itu Data, Server, Klien, Permintaan, dan Tanggapan
-
Apa itu Konektivitas Data, API, dan Endpoint?
-
Melihat Lebih Dekat pada API
-
Komunikasi antara Produk Perangkat Lunak melalui File Teks
-
Integrasi Perangkat Lunak
-
Studi Kasus – Apa Selanjutnya dalam Kursus?
-
Game Plan untuk Latihan Bisnis Python, SQL, dan Tableau ini
-
Tugas Bisnis
-
Memperkenalkan Set Data
-
Studi Kasus – Memproses Ulang ‘Absensiee_ data’
-
Apa yang Diharapkan dari Bagian Berikut?
-
Mengimpor Data Absensi dengan Python
-
Memeriksa Konten Set Data
-
Pengantar Istilah dengan Banyak Makna
-
Apa itu Analisis Regresi – Penyegaran Cepat
-
Menggunakan Pendekatan Statistik menuju Solusi Latihan
-
Menjatuhkan Kolom dari DataFrame dengan Python
-
LATIHAN – Menjatuhkan Kolom dari DataFrame dengan Python
-
SOLUSI – Menjatuhkan Kolom dari DataFrame dengan Python
-
Menganalisis Alasan Tidak Ada
-
Memperoleh Dummies dari Fitur Tunggal
-
LATIHAN – Memperoleh Dummies dari Fitur Tunggal
-
SOLUSI – Mendapatkan Dummies dari Fitur Tunggal
-
Menjatuhkan Variabel Dummy dari Kumpulan Data
-
Lebih lanjut tentang Variabel Dummy: Perspektif Statistik
-
Mengklasifikasikan Berbagai Alasan untuk Absen
-
Menggunakan .concat () dalam Python
-
LATIHAN – Menggunakan .concat () dengan Python
-
SOLUSI – Menggunakan .concat () dengan Python
-
Menyusun Ulang Kolom dalam DataFrame Pandas dengan Python
-
LATIHAN – Menyusun Ulang Kolom dalam DataFrame Pandas dengan Python
-
SOLUSI – Menyusun Ulang Kolom dalam DataFrame Pandas dengan Python
-
Membuat Pos-pos Pemeriksaan saat Coding di Jupyter
-
LATIHAN – Membuat Pos-pos Pemeriksaan saat Pengodean di Jupyter
-
SOLUSI – Membuat Pos-pos Pemeriksaan saat Pengodean di Jupyter
-
Menganalisis Tanggal dari Set Data Awal
-
Mengekstraksi Nilai Bulan dari Kolom “Tanggal”
-
Mengekstrak Hari dalam Seminggu dari Kolom “Tanggal”
-
LATIHAN – Menghapus Kolom “Tanggal”
-
Menganalisa Beberapa Kolom “Langsung” untuk Latihan ini
-
Bekerja pada “Pendidikan”, “Anak-anak”, dan “Hewan Peliharaan”
-
Keterangan Akhir dari Bagian ini
-
Studi Kasus – Menerapkan Mesin Pembelajaran untuk Membuat ‘absenteeism_module’
-
Menjelajahi Masalah dengan Mindset Pembelajaran Mesin
-
Menciptakan Target untuk Regresi Logistik
-
Memilih Input untuk Regresi Logistik
-
Membakukan Data
-
Memisahkan Data untuk Pelatihan dan Pengujian
-
Menyesuaikan Model dan Menilai Akurasinya
-
Membuat Tabel Ringkasan dengan Koefisien dan Intersepsi
-
Menafsirkan Koefisien untuk Masalah Kita
-
Membakukan hanya Variabel Numerik (Membuat Scaler Kustom)
-
Menafsirkan Koefisien Regresi Logistik
-
Penghapusan Mundur atau Cara Menyederhanakan Model Anda
-
Menguji Model yang Kami Buat
-
Menyimpan Model dan Mempersiapkannya untuk Digunakan
-
ARTICLE – Catatan tentang ‘acar’
-
LATIHAN – Menyimpan Model (dan Scaler)
-
Mempersiapkan Penempatan Model melalui Modul
-
Studi Kasus – Memuat ‘absenteeism_module’
-
Apakah Anda yakin sudah siap?
-
Menyebarkan ‘absenteeism_module’ – Bagian I
-
Menyebarkan ‘absenteeism_module’ – Bagian II
-
Mengekspor Kumpulan Data yang Diperoleh sebagai * .csv
-
Studi Kasus – Menganalisa Output yang Diprediksi di Tableau
-
LATIHAN – Usia vs Peluang
-
Menganalisis Usia vs Probabilitas di Tableau
-
LATIHAN – Alasan vs Peluang
-
Menganalisis Alasan vs Probabilitas di Tableau
-
LATIHAN – Biaya Transportasi vs Peluang
-
Menganalisis Biaya Transportasi vs Probabilitas di Tableau
-
Selesai