Belajar Tensor Flow lewat praktik langsung, dibimbing instruktur via Zoom. Disusun untuk analis data, mahasiswa riset, dan tim bisnis. Kursus Tensor Flow ini tersedia juga sebagai training Tensor Flow maupun pelatihan Tensor Flow in-house untuk kebutuhan perusahaan.
Silabus
•Sesi 1 (1.5 jam): Pengenalan Tensor Flow: sejarah, kegunaan, dan ruang lingkup industri
•Sesi 2 (1.5 jam): Instalasi & konfigurasi awal Tensor Flow
•Sesi 3 (1.5 jam): Mengenal antarmuka (interface) dan navigasi dasar
•Sesi 4 (1.5 jam): Pengaturan preferensi & workspace yang efisien
•Sesi 5 (1.5 jam): Tools & menu utama: fungsi dan penggunaan dasar
•Sesi 6 (1.5 jam): Latihan dasar: membuat project pertama
•Sesi 7 (1.5 jam): Import & export file dasar di Tensor Flow
•Sesi 8 (1.5 jam): Teknik dasar penyimpanan & manajemen file project
•Sesi 9 (1.5 jam): Studi kasus sederhana: aplikasi Tensor Flow di dunia kerja
•Sesi 10 (1.5 jam): Review materi dasar & quiz pemahaman
Daftar Kursus Ini
Berikut adalah silabus untuk “Pengembangan Sistem Deteksi Intrusi Jaringan Menggunakan Algoritma Deep Learning pada Lingkungan Virtual”:
Sesi 1: Pendahuluan Intrusion Detection System (IDS)
Pengenalan IDS: Jenis dan fungsi.
Peran IDS dalam keamanan jaringan.
Studi kasus serangan jaringan.
Sesi 2: Konsep Dasar Deep Learning dan IDS
Pengantar Deep Learning.
Algoritma Deep Learning populer untuk IDS.
Perbandingan Machine Learning dan Deep Learning dalam IDS.
Sesi 3: Pengenalan Lingkungan Virtual untuk Pengujian IDS
Virtualisasi menggunakan VMware/VirtualBox.
Konfigurasi jaringan virtual untuk simulasi IDS.
Pengenalan alat-alat simulasi seperti Mininet.
Sesi 4: Instalasi dan Konfigurasi Platform Deep Learning
Instalasi Python, TensorFlow, dan Keras.
Setup Jupyter Notebook untuk eksperimen.
Instalasi pustaka tambahan (scikit-learn, numpy, pandas).
Sesi 5: Pengumpulan Dataset untuk Pelatihan IDS
Pengenalan dataset untuk IDS (NSL-KDD, CICIDS2017).
Proses pengumpulan dan preprocessing dataset.
Pembagian dataset menjadi data latih, validasi, dan uji.
Sesi 6: Pemrosesan Data dan Feature Engineering
Teknik preprocessing data (normalisasi, encoding).
Ekstraksi fitur dari dataset jaringan.
Analisis fitur penting untuk IDS.
Sesi 7: Pengantar Arsitektur Neural Network untuk IDS
Pengantar arsitektur neural network.
Arsitektur Convolutional Neural Network (CNN) untuk deteksi pola.
Arsitektur Recurrent Neural Network (RNN) untuk analisis temporal.
Sesi 8: Implementasi Model Neural Network Sederhana
Pertanyaan yang Sering Diajukan
Apakah kursus Tensor Flow ini cocok untuk pemula?▾
Materi disusun bertahap mulai dari konsep dasar, sehingga peserta tanpa pengalaman sebelumnya tetap bisa mengikuti dengan pendampingan instruktur.
Bagaimana metode belajarnya?▾
Kelas online live via Zoom dengan instruktur berpengalaman, praktik langsung, serta rekaman sesi yang bisa diputar ulang. Tersedia juga opsi in-house training untuk perusahaan.
Apakah ada project akhir yang bisa dijadikan portofolio?▾
Ya, setiap peserta menyelesaikan mini project end-to-end yang bisa langsung dijadikan portofolio atau bahan skripsi/tesis.
Apakah mendapat sertifikat setelah selesai?▾
Ya, peserta yang menyelesaikan program mendapatkan e-certificate resmi dari Cerdas Inovasi Digital.
Bagaimana cara mendaftar?▾
Klik tombol daftar pada halaman kursus ini atau hubungi admin kami untuk konsultasi jadwal dan paket yang sesuai kebutuhan Anda.
Sesi 13: Implementasi Autoencoder untuk Deteksi Anomali
Konsep Autoencoder untuk deteksi anomali.
Implementasi Autoencoder pada dataset IDS.
Evaluasi model Autoencoder.
Sesi 14: Pengujian dan Evaluasi Model pada Lingkungan Virtual
Persiapan lingkungan virtual untuk pengujian model.
Injeksi serangan jaringan pada lingkungan virtual.
Pengujian model dengan data real-time.
Sesi 15: Integrasi Model IDS dengan Sistem Monitoring Jaringan
Integrasi model deep learning dengan sistem monitoring (Snort/Bro).
Pengenalan dan konfigurasi sistem monitoring jaringan.
Menghubungkan model deep learning dengan sistem IDS.
Sesi 16: Deteksi Serangan Zero-Day Menggunakan Deep Learning
Konsep serangan Zero-Day.
Implementasi deteksi serangan Zero-Day menggunakan model.
Analisis hasil dan tantangan.
Sesi 17: Mengembangkan Dashboard untuk Visualisasi IDS
Desain dashboard untuk pemantauan IDS.
Implementasi menggunakan Plotly/Dash.
Integrasi hasil deteksi dengan dashboard.
Sesi 18: Menggunakan Transfer Learning untuk IDS
Konsep transfer learning dalam deep learning.
Implementasi transfer learning pada dataset IDS.
Evaluasi kinerja transfer learning.
Sesi 19: Implementasi Teknik Ensemble Learning untuk IDS
Konsep ensemble learning.
Menggabungkan beberapa model deep learning untuk deteksi.
Evaluasi kinerja ensemble model.
Sesi 20: Menggunakan Data Augmentation untuk IDS
Teknik augmentasi data untuk memperbaiki model.
Implementasi data augmentation pada dataset IDS.
Evaluasi dampak augmentasi data.
Sesi 21: Deteksi Intrusi pada Jaringan IoT
Tantangan deteksi intrusi pada jaringan IoT.
Implementasi model deep learning untuk jaringan IoT.
Studi kasus dan evaluasi.
Sesi 22: Deteksi Intrusi pada Jaringan Cloud
Arsitektur keamanan jaringan cloud.
Implementasi IDS pada lingkungan cloud.
Studi kasus dan pengujian.
Sesi 23: Mengatasi Imbalance Dataset dalam IDS
Teknik mengatasi masalah dataset tidak seimbang.
Implementasi SMOTE dan undersampling pada dataset IDS.
Evaluasi model pada data yang diseimbangkan.
Sesi 24: Pengenalan Model Generative Adversarial Network (GAN) untuk IDS
Konsep GAN untuk deteksi intrusi.
Implementasi GAN untuk menghasilkan data jaringan.
Evaluasi kinerja GAN untuk IDS.
Sesi 25: Implementasi Anomaly Detection Menggunakan GAN
Membangun model GAN untuk deteksi anomali.
Evaluasi hasil deteksi anomali.
Studi kasus pada serangan jaringan.
Sesi 26: Penanganan Data Streaming untuk IDS
Konsep data streaming dan big data.
Implementasi deteksi intrusi pada data streaming.
Integrasi dengan Apache Kafka/Spark.
Sesi 27: Pengembangan Sistem IDS Berbasis Cloud
Arsitektur IDS berbasis cloud.
Implementasi model IDS pada cloud (AWS/GCP).
Pengujian dan deployment.
Sesi 28: Integrasi IDS dengan Sistem Keamanan Lainnya
Integrasi IDS dengan SIEM (Security Information and Event Management).
Sinkronisasi log dan hasil deteksi.
Automasi respons terhadap ancaman.
Sesi 29: Evaluasi Akhir dan Penyesuaian Model
Evaluasi keseluruhan sistem IDS.
Analisis kelemahan model dan perbaikan.
Penyesuaian akhir parameter model.
Sesi 30: Presentasi dan Dokumentasi Akhir
Presentasi hasil pengembangan sistem IDS.
Penulisan dokumentasi teknis dan laporan akhir.
Diskusi dan feedback untuk pengembangan lebih lanjut.
Semoga silabus ini bermanfaat!
Metode Belajar di Cerdas Inovasi Digital
Kelas online live via Zoom bersama instruktur berpengalaman, praktik langsung dengan studi kasus nyata, dan rekaman sesi yang bisa diputar ulang. Tersedia juga paket in-house training untuk kebutuhan perusahaan di seluruh Indonesia.
Hubungi kami untuk konsultasi jadwal dan paket yang paling sesuai dengan kebutuhan Anda.
Kenapa Ambil Kursus Tensor Flow Ini
Kursus Tensor Flow ini dirancang untuk yang ingin belajar langsung praktik lewat sesi live bersama instruktur berpengalaman.