Path Snapshot
Duration: 8 weeks
Approach: Action learning with mentor checkpoints.
Konsultasi PathAI • Basic
Artificial Intelligence
Program Artificial Intelligence dirancang dengan pendekatan roadmap, coaching, dan implementasi proyek nyata agar peserta bisa belajar terarah.
Roadmap Belajar Artificial Intelligence – 8 Minggu
Week 1 — Introduction to Artificial Intelligence
Tujuan: Memahami konsep dasar AI dan ekosistemnya.
Introduction to Artificial Intelligence
Mengenal definisi AI, ruang lingkup, dan peranannya di era digital.
History and Evolution of AI
Memahami perjalanan perkembangan AI dari masa ke masa.
Types of AI (Narrow AI, General AI, Super AI)
Membedakan kategori AI berdasarkan tingkat kecerdasan dan cakupannya.
AI vs Machine Learning vs Deep Learning
Menjelaskan hubungan dan perbedaan antara AI, ML, dan Deep Learning.
Applications of AI in Real World
Mengeksplorasi implementasi AI di industri, pendidikan, kesehatan, dan bisnis.
AI Development Tools and Ecosystem
Mengenal tools, library, dan ekosistem pengembangan AI modern.
Weekly Review and Concept Mapping
Review konsep minggu pertama dan membuat peta konsep AI.
Week 2 — Python for AI
Tujuan: Menguasai Python sebagai bahasa utama AI.
Python Programming Fundamentals
Memahami dasar pemrograman Python untuk kebutuhan AI.
Python Data Structures (List, Dictionary, Tuple, Set)
Menggunakan struktur data Python untuk pemrosesan data.
Functions and Modules in Python
Menulis fungsi modular dan reusable.
NumPy for Numerical Computing
Menggunakan NumPy untuk komputasi numerik.
Pandas for Data Analysis
Mengolah data tabular dengan Pandas.
Data Visualization with Matplotlib
Membuat visualisasi data dasar untuk analisis.
Weekly Coding Practice
Latihan coding mingguan untuk memperkuat fondasi Python AI.
Week 3 — Mathematics for AI
Tujuan: Memahami matematika dasar yang digunakan dalam AI.
Linear Algebra Basics
Mempelajari aljabar linear sebagai fondasi model AI.
Vectors and Matrices
Memahami representasi data dalam bentuk vektor dan matriks.
Matrix Operations for Machine Learning
Menerapkan operasi matriks dalam konteks machine learning.
Probability Theory Basics
Mengenal teori probabilitas untuk analisis ketidakpastian.
Statistics for Data Analysis
Memahami statistik dasar untuk interpretasi data.
Data Distributions
Mempelajari distribusi data dan dampaknya ke model.
Weekly Math Practice
Latihan matematika mingguan untuk penguatan konsep.
Week 4 — Machine Learning Fundamentals
Tujuan: Memahami konsep dasar machine learning.
Introduction to Machine Learning
Memahami alur kerja machine learning dari data ke model.
Supervised Learning Concepts
Mengenal pembelajaran terarah untuk prediksi berbasis label.
Unsupervised Learning Concepts
Mengenal pembelajaran tanpa label untuk menemukan pola data.
Model Training and Testing
Melatih model dan menguji performanya secara benar.
Model Evaluation Metrics
Mengukur kualitas model dengan metrik evaluasi utama.
Bias and Variance
Memahami tradeoff bias-variance dalam generalisasi model.
Weekly ML Practice
Praktik mingguan untuk menguatkan konsep ML fundamental.
Week 5 — Machine Learning Algorithms
Tujuan: Mempelajari algoritma machine learning utama.
Linear Regression
Membangun model prediksi nilai kontinu.
Logistic Regression
Membangun model klasifikasi biner sebagai baseline.
Decision Trees
Menggunakan model pohon keputusan yang mudah dipahami.
Random Forest
Meningkatkan akurasi dengan ensemble tree-based model.
Support Vector Machine
Mengenal SVM untuk klasifikasi berbasis margin.
K-Means Clustering
Melakukan clustering data tanpa label.
Weekly ML Implementation
Implementasi mingguan algoritma ML pada studi kasus.
Week 6 — Deep Learning
Tujuan: Memahami neural networks dan deep learning.
Neural Network Fundamentals
Mempelajari komponen dasar jaringan saraf tiruan.
Activation Functions
Memahami peran fungsi aktivasi pada learning non-linear.
Loss Functions
Memilih fungsi loss sesuai jenis tugas model.
Gradient Descent Optimization
Mengoptimasi parameter model menggunakan gradient descent.
Backpropagation
Memahami alur update bobot pada neural network.
Introduction to Deep Learning Frameworks (PyTorch / TensorFlow)
Mengenal framework utama untuk membangun model deep learning.
Weekly Deep Learning Practice
Praktik mingguan untuk memperkuat pemahaman deep learning.
Week 7 — Modern AI Applications
Tujuan: Memahami teknologi AI modern.
Computer Vision Fundamentals
Mengenal konsep dasar AI untuk pemrosesan gambar.
Convolutional Neural Networks (CNN)
Memahami CNN sebagai arsitektur utama computer vision.
Natural Language Processing (NLP)
Mengenal pemrosesan bahasa alami untuk data teks.
Recurrent Neural Networks (RNN / LSTM)
Mempelajari model sekuens untuk data berurutan.
Transformer Architecture
Memahami arsitektur transformer modern.
Introduction to Large Language Models
Mengenal konsep dan aplikasi model bahasa besar.
Weekly Application Practice
Praktik mingguan implementasi AI modern.
Week 8 — AI Projects & Deployment
Tujuan: Membangun proyek AI sederhana.
AI Project Planning
Merancang proyek AI dari tujuan, scope, dan deliverables.
Dataset Preparation
Menyiapkan dataset untuk proses training yang optimal.
Model Training and Evaluation
Melatih model dan mengevaluasi performa secara sistematis.
Building an AI Application
Mengubah model menjadi aplikasi AI sederhana yang dapat digunakan.
Creating AI APIs with FastAPI
Menyediakan model melalui API berbasis FastAPI.
Deploying AI Models
Menerapkan model ke environment deployment.
Final AI Project Presentation
Mempresentasikan final project AI sebagai portofolio.