Programming Fundamental

Modul ini dimulai dengan pengenalan akan Data Science. Lalu, kamu juga akan dikenalkan dengan Computer
dan Programming. Selanjutnya, kamu akan belajar dasar-dasar pemrograman dengan menggunakan bahasa
Python. Kamu akan dikenalkan dengan Variable, Data Types, Function, Conditional Statement, dan Looping
Statement yang perlu kamu ketahui sebelum mendalami ilmu Data Science.

Di modul ini, kamu juga akan mendapatkan materi suplemen yang bisa kamu pelajari sendiri di antaranya
Python Class & Object, Algorithm, Git, dan Github.

Data Analysis
Modul ini dimulai dengan pengenalan akan apa itu Database dan belajar SQL query yang diperlukan untuk
dapat mengakses database SQL. Setelah itu, kamu akan belajar melakukan persiapan dan analisis data dengan
menggunakan Library NumPy dan Pandas. Kemudian, kamu akan belajar tentang dasar-dasar ilmu statistik.
Lalu, kamu akan mempelajari cara memvisualisasikan data dengan baik, serta bagaimana caranya
mendapatkan insight dari visualisasi data tersebut. Terakhir, kamu akan dikenalkan dengan salah satu Business
Intelligence Tools yaitu Tableau, yang dapat digunakan untuk pembuatan visualisasi data dan Dashboard
dengan cepat dan efektif.

Di modul ini, kamu juga akan mendapatkan materi suplemen yang bisa kamu pelajari sendiri di antaranya
NoSQL.

Machine Learning
Modul ini dimulai dengan pengenalan akan Machine Learning, jenis-jenis dari Machine Learning, serta
beberapa contoh penggunaannya di berbagai industri.

Kamu akan belajar cara merancang dan membuat berbagai model Machine Learning yang dapat membantu
perusahaan dalam mendapatkan prediksi sehingga pengambilan keputusan bisnis menjadi lebih akurat. Materi-
materi yang akan kamu pelajari dalam modul ini di antaranya:

 Machine Learning Introduction

 Unsupervised Learning with K-Means, PCA, DBSCAN, and Agglomerative Clustering

 Supervised Learning Regression & Classification with Linear Regression, Logistic Regression,
KNN, and Decision Tree Algorithm

 Time Series Forecasting

 Generalization, Underfitting, Overfitting

 Text Mining (NLP)

 Data Preparation and Feature Engineering

 Recommendation System

 Model Performance, Evaluation Method and Hyperparameter Tuning

 Machine Learning for Business and Analytics

 Imbalance Classification

 Machine Learning Implementation

 Ensemble Method with Random Forest and Gradient Boosting