Jalur Belajar Data Scientist

Silabus
9 bulan
Setiap kursus berlangsung dua atau tiga minggu, dan
berdurasi sekitar 40 jam belajar.

Sesi Onboarding
1-2 jam
0 Apa yang Anda harapkan sebagai siswa TripleTen. Bagaimana sprint
terstruktur, siapa tim bimbingan kami, bagaimana cara menggunakan
Slack, di mana mencari informasi dan lain-lainnya.

1 Python Dasar
3 minggu,

Perkenalan Anda dengan dunia ilmu data! Konsep kunci dan sintaks 40 jam
dasar dalam Python. Loop, kondisi, dan fungsi. Library Pandas untuk
analisis data. Studi kasus analitis pertama Anda, diikuti dengan
proyek pertama Anda.

•
Bab 1. Variabel, Print, Tipe Data, dan Operasi Aritmetika

•
Bab 2. String

•
Bab 3. List (daftar)

•
Bab 4. Loop for

•
Bab 5. List Bersarang

•
Bab 6. Kondisi dan Loop

•
Bab 7. Membuat Fungsi

•
Bab 8. Dictionary

•
Bab 9. Library Pandas untuk Analisis Data

•
Bab 10. Pra-pemrosesan Data

•
Bab 11. Menganalisis Data dan Mempresentasikan Hasil

• Bab 12. Ikhtisar Singkat Jupyter Notebook

2 Pra-pemrosesan Data
+1 proyek untuk

Mengompensasi data yang kurang sempurna. Menangani nilai portofolio Anda

yang hilang dan nilai duplikat. Mengubah tipe data. Pemikiran 3 minggu, 40 jam
sistem untuk analis.

•
Bab 1. Pengantar Pra-pemrosesan Data

•
Bab 2. Menangani Nilai yang Hilang dan Nilai Duplikat

•
Bab 3. Mengubah Tipe Data

•
Bab 4. Mengategorikan Data

• Bab 5. Berpikir Sistematis dan Berpikir Kritis untuk Analis

3 Analisis Data Eksploratif (EDA)

Melakukan pemindaian awal untuk mendeteksi pola dalam +1 proyek untuk


data. Membuat grafik dasar dan menghasilkan hipotesis portofolio Anda

pertama Anda.
3 minggu, 40 jam
•
Bab  1. Grafik Pertama dan Kesimpulan

•
Bab  2. Irisan Data

•
Bab  3. Mengelola Beberapa Sumber Data

•
Bab  4. Hubungan antar Dataset

• Bab  5. Memvalidasi Hasil

4 Analisis Data Statistik

Teori probabilitas, distribusi yang paling umum, dan metode +1 proyek untuk

statistik dalam Python. *Sampling* dan signifikansi statistik. portofolio Anda

Mengidentifikasi dan menangani anomali.

3 minggu, 40 jam
•
Bab  1. Statistika Deskriptif

•
Bab  2. Teori Probabilitas

• Bab  3. Menguji Hipotesis

5 Proyek Terintegrasi 1

Mengidentifikasi pola untuk membantu Anda menentukan +1 proyek untuk


apakah permainan video tertentu akan sukses secara portofolio Anda

komersial atau tidak. 1 minggu, 20 jam

Istirahat -

1 minggu
6 Pengumpulan dan Penyimpan Data (SQL)
+1 proyek untuk

Memahami struktur basis data dan bagaimana cara menarik portofolio Anda

data dari basis data menggunakan kueri SQL. Menemukan 2 minggu, 40 jam
data secara daring.

•
Bab  1. Mengambil Data dari Sumber Daring

•
Bab  2. SQL sebagai Instrumen Pengolahan Data

•
Bab  3. Fitur Tingkat Lanjut SQL untuk Analisis

•
Bab  4. Hubungan Antara Tabel

•
Bab  5. Soft Skill

• Pelajaran Tambahan: PySpark


7 Pengantar Machine Learning

+1 proyek untuk

Menguasai dasar-dasar machine learning. Mempelajari cara portofolio Anda

kerja library Scikit Learn dan bagaimana menerapkannya 2 minggu, 40 jam

dalam proyek machine learning pertama Anda.

•
Bab  1. Melatih Model Pertama Anda

•
Bab  2. Kualitas Model

•
Bab  3. Pengembangan Model

• Bab  4. Beralih ke Regresi


8 Supervised Learning

Menyelam ke bidang yang paling diminati dalam machine +1 proyek untuk


learning. Mempelajari cara menyesuaikan model machine portofolio Anda

learning, mengembangkan metrik, dan bekerja dengan data 2 minggu, 40 jam

yang tidak seimbang.

•
Bab  1. Feature Preparation

•
Bab  2. Metrik Klasifikasi

•
Bab  3. Klasifikasi yang Tidak Seimbang

•
Bab  4. Metrik Regresi

• Bab  5. Soft Skill

9 Machine Learning dalam Bisnis

+1 proyek untuk

Menerapkan pengetahuan Anda pada tugas bisnis. portofolio Anda

Mempelajari metrik bisnis, A/B testing, teknik bootstrapping, 2 minggu, 40 jam

dan pelabelan data.

•
Bab  1. Metrik Bisnis

•
Bab  2. Mengimplementasikan Fungsionalitas Baru

•
Bab  3. Pengumpulan Data

• Bab  4. Soft Skill

10 Proyek Terintegrasi 2
+1 proyek untuk

Menyiapkan prototipe model machine learning untuk portofolio Anda

membantu sebuah perusahaan pertambangan 1 minggu, 20 jam

mengembangkan solusi yang efisien.

Istirahat -

1 minggu

11 Aljabar Linear
+1 proyek untuk

Meninjau lebih dalam sejumlah algoritme yang telah Anda portofolio Anda

pelajari dan memahami cara penerapannya. Konsep kunci 2 minggu, 40 jam

dalam aljabar linear: vektor, matriks, dan regresi linear.

•
Bab  1. Vektor dan Operasi Vektor

•
Bab  2. Jarak antar Vektor

•
Bab  3. Matriks dan Operasi Matriks

• Bab  4. Regresi Linear dari Dalam

12 Metode Numerik
+1 proyek untuk

Menganalisis sejumlah algoritme yang menggunakan metode portofolio Anda

numerik dan menerapkannya pada tugas praktis. Penurunan 2 minggu, 40 jam

gradien, peningkatan gradien, dan jaringan saraf.

•
Bab  1. Analisis Algoritme

•
Bab  2. Penurunan Gradien

•
Bab  3. Pelatihan Penurunan Gradien

•
Bab  4. Peningkatan Gradien

• Bab  5. Soft Skill

13 Deret Waktu
+1 proyek untuk

Mengeksplorasi deret waktu. Memahami tren, musiman portofolio Anda

(seasonality), dan penciptaan fitur.

2 minggu, 40 jam
•
Bab  1. Analisis Deret Waktu

• Bab  2. Peramalan Deret Waktu

14 Machine Learning untuk Teks

+1 proyek untuk

Menerapkan machine learning pada data teks. Menemukan portofolio Anda

cara mengubah teks menjadi angka dan cara menggunakan 2 minggu, 40 jam
bag-of-words (tas kata-kata), TF-IDF, serta embedding
(representasi kata) dan BERT.

•
Bab  1. Vektorisasi Teks

• Bab  2. Representasi Bahasa

15 Computer Vision
+1 proyek untuk

Cara menangani tugas visi komputer sederhana dengan portofolio Anda

menggunakan jaringan neural siap pakai dan library Keras. 2 minggu, 40 jam
Melihat sekilas pada deep learning.

•
Bab  1. Jaringan Terhubung Penuh

•
Bab  2. Jaringan Neural Konvolusional

• Bab  3. Soft Skill

16 Unsupervised Learning
2 minggu, 40 jam
Mencari tahu apa yang harus dilakukan jika Anda tidak
memiliki fitur target. Menangani tugas pengklasteran dan
mencari anomali.

•
Bab  1. Pengklasteran

• Bab  2. Mencari Anomali

17 Proyek Akhir
+1 proyek untuk

Menerapkan semua yang telah Anda pelajari dalam portofolio Anda

pelatihan dua minggu yang menyimulasikan pengalaman 2 minggu, 40 jam

kerja sebagai seorang ilmuwan data junior.
Program Keberhasilan Karier
Program Keberhasilan Karier meningkatkan kemampuan kerja lulusan
TripleTen. Dengan kata lain, program ini membantu siswa bertransformasi
dari seorang pembelajar menjadi seorang pekerja.

1 Komunitas Alumni Tidak ada batasan

waktu
Ruang untuk dukungan peer-to-peer dan jejaring profesional
yang produktif.
•
Komunikasi berkesinambungan dengan para lulusan lainnya

Kegiatan daring — webinar dari profesional industri, sesi

networking

• Peluang kerja dan proyek freelance dari alumni dan tutor

2 Kursus Persiapan Karier 4 minggu

Kursus tambahan gratis ini mempersiapkan para lulusan untuk
mencari pekerjaan. Kursus ini terdiri dari materi pelajaran, tugas-
tugas, dan umpan balik oleh spesialis HR.

Struktur kursus persiapan karier:

•
Strategi pencarian kerja pribadi

•
Pasar kerja di bidang TI dan digital

•
Wawancara - teori dan praktik

•
Keterampilan networking

•
Resume/CV

•
Surat motivasi

•
Portofolio

• Eksistensi daring — LinkedIn, dll.

3 Akselerator Karier 6 bulan atau

hingga Anda
Ini adalah aktivitas berbasis komunitas, di mana para lulusan:
mendapatkan
•

Secara aktif mencari pekerjaan dan senantiasa meningkatkan pekerjaan

diri melalui umpan balik yang disediakan oleh spesialis HR kami

Mempraktikkan wawancara teknis dan wawancara HR (simulasi

wawancara)

Membangun relasi secara aktif (dengan bantuan dari kami dan

oleh siswa sendiri)

•
Mendapatkan akses ke mitra TripleTen dan peluang kerja yang
tersedia