Rencana Pembelajaran

KS141322 SISTEM CERDAS

(Simplified Version)

Garis Besar Kuliah

1. Konsep-konsep agen berintelegensia dan pembelajaran

2. Model linear dan neural network
3. Karakterisasi fitur pembelajaran dan perancangan eksperimen
4. Unsupervised learning
5. Probabilistic learning
6. SVM
Referensi
1. Stuart Russell, Peter Norvig. 2009. Artificial Intelligence: A Modern Approach (3rd Edition)
– Kode: AIMA
2. Peter Flach. 2012. Machine Learning: The Art and Science of Algorithms that Make Sense
of Data. – Kode: Flach
3. Tom M. Mitchell. 1986. Machine learning: An artificial intelligence approach. – Kode:
Mitchell ML
4. Andrew Ng. 2015. Coursera Machine Learning. (MOOC)
5. Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani. 2013. An introduction
to statistical learning. – Kode: ISLR
Agenda dan Topik dalam Pembelajaran
Pertemuan AGENDA / TOPIK REFERENSI KONSEP-KONSEP YANG PERLU DIPAHAMI
Ke - PEMBELAJARAN
1 Penjelasan Mata Kuliah, RP RP Plus demo
2 Konsep agen berintelegensia AIMA, ch. 1 & 2 1. Pengertian Artificial Intelligence (AI)
dan pembelajaran agen (AIMA ch. 1.1)
 Konsep rasionalitas
 Thinking v.s. acting, humanly v.s. rationally
 2. Kondisi saat ini dari AI
(AIMA ch. 1.3.8 dan 1.3.10)
 Penekanan pada pembuktian ilmiah
 Ketersediaan data dalam jumlah besar
3. Wawasan penerapan AI
(AIMA ch. 1.4)
4. Interaksi agen dan lingkungannya
(AIMA ch. 2.1)
5. Perilaku yang diharapkan dari agen
 Konsep ‘rasionalitas’
(AIMA ch. 2.3.1)
6. Struktur agen
 Program agen
(AIMA ch. 2.4.1)
 Proses pembelajaran agen
(AIMA ch. 2.4.6)
3 Komponen – komponen Flach ML, ch. 1 1. Task: permasalahan yang dapat diselesesaikan
pembelajaran mesin Flach ML, ch. 2 dengan pembelajaran mesin
Task pembelajaran mesin: (Flach, ch. 1.1)
binary classification  Pencarian struktur
 Evaluasi performa

4 Task pembelajaran mesin:
beyond binary
5 Model linear
2. Model: keluaran dari proses pembelajaran
mesin
(Flach, ch. 1.2)
 Model geometrik
 Model probabilistik
 Model logika
3. Karakterisasi data pembelajaran melalui fitur
(Flach, ch. 1.3)
 Pengertian fitur
 Konstruksi dan transformasi fitur
 Interaksi antar fitur
4. Klasifikasi
(Flach, ch. 2. 1)
 Pengertian
 Pengukuran performa klasifikasi
Flach ML, ch. 3 1. Klasifikasi multikelas
(Flach, ch. 3.1, pg. 81 – 86)
2. Pembelajaran unsupervised dan deskriptif
(Flach, ch. 3.3, pg. 95 – 99)
Flach ML, ch. 1. Metode least-squares
7.1 (Flach, ch. 7.1)
Materi pendukung:
 Kuliah Coursera Machine Learning, Linear
Regression
6 Intro to Artificial Neural Mitchell ML, ch. 1. Intro to ANN
Networks (ANN) and Linear 4.1–4.4 (Mitchell ML, ch.4.1, pg.81-82)
ANN 2. Representasi ANN
(Mitchell ML, ch.4.2, pg. 82)
3. Karakteristik task yang sesuai untuk ANN
(Mitchell ML, ch. 4.3, pg. 83 – 85)
4. Perceptron
(Mitchell ML, ch. 4.4, pg. 86–94)
Materi pendukung:
Kuliah Coursera Machine Learning, week #4
7 Multilayer Neural Networks Mitchell ML, ch. 1. Multilayer neural networks
dan algoritma 4.5 – 4.6 (Mitchell ML, ch. 4.5.1)
Backpropagation 2. Algoritma Backpropagation
(Mitchell ML, ch. 4.5.2)
3. Karakteristik algoritma Backpropagation
 Konvergensi dan local minima
(Mitchell ML, ch. 4.6.1)
 Kemampuan representasi dari jaringan
feedforward
(Mitchell ML, ch. 4.6.2)
  Generalisasi, overfitting, dan kriteria
pemberhentian algoritma
(Mitchell ML, ch.4.6.5)
Materi pendukung:
Kuliah Coursera Machine Learning, week #5
8 UTS
9 Karakterisasi fitur Flach ML, ch. 10 a.k.a Praktikum
pembelajaran & perancangan & 12
eksperimen pembelajaran
mesin
10 Idem 9
11 Unsupervised Learning /
Clustering
12 Probabilistic Learning (Bayes)
13 SVM ISLR, ch. 9
14 SVM ISLR, ch. 9
15 Presentasi FP
16 UAS

Rencana Penilaian
1. UTS 25% : Pada minggu ke-8 perkuliahan
2. UAS 25% : Pada minggu ke-16 perkuliahan
 3. Kuis 15% : dilaksanakan 2 kali, pada minggu ke-5 dan ke -13
4. Tugas 15% : PR menggunakan software
5. FP 20% : analisis kasus dengan Neural Network / SVM

Minggu

1 Penjelasan mata kuliah, RP, Pengantar Sistem Cerdas

2 Konsep agen berintelegensia dan pembelajaran agen

Model, fitur, supervised learning dan

3 Supervised and unsupervised learning concepts unsupervised learning

Model linear: contoh penggunaan data untuk membentuk model + Pengantar ANN
Linear ANN
(Obligatory in any machine learning
4  Penjelasan FP courses)

Kuis 1

5 Multilayer ANN + Backpropagation

Mengumpulkan Proposal FP

 Membuat apa, datanya dari mana

 Deskripsi, tujuan (2 halaman)

6 Backpropagation and Exercises

  Mengumpulkan skenario aplikasi penggunaan

7 Praktikum I: ANN dengan menggunakan Java

8 UTS

Pembahasan UTS

9 SVM

10 Praktikum II: SVM dengan menggunakan Java

11 Praktikum III: SVM (advanced)

12 Unsupervised learning: Clustering 1 (K-Means dan Hierarchical Clustering)

13 Kuis 2 dan Clustering 2 (DBScan)

14 Probabilistic Learning (Naive Bayes)

15 Presentasi FP

16 UAS