Pengantar Mata Kuliah Kecerdasan Buatan.pdf
0 likes754 views
Modul Pengantar Mata Kuliah Kecerdasan Buatan.pdf
More Related Content
What's hot (18)
Similar to Pengantar Mata Kuliah Kecerdasan Buatan.pdf (20)
More from Sunu Wibirama (11)
Recently uploaded (20)
Pengantar Mata Kuliah Kecerdasan Buatan.pdf
- 1. Pengantar Mata Kuliah Penjelasan dan Rencana Pembelajaran Mata Kuliah Kecerdasan Buatan Dr. Sunu Wibirama Modul Kuliah Kecerdasan Buatan Kode mata kuliah: UGMx 001001132012 Versi modul: 31 Maret 2022 Copyright 息 2022 Dr. Sunu Wibirama - Dilarang menyebarluaskan, mengunggah ulang dalam jejaring publik, dan mengomersialkan modul mata kuliah ini tanpa izin tertulis dari instruktur dan Universitas Gadjah Mada
- 2. March 31, 2022 1 Pengantar Mata Kuliah Mata kuliah ini diselenggarakan secara daring dengan mengadopsi praktik yang di- lakukan oleh Stanford University melalui portal MOOC Coursera dengan Dr. Andrew Ng sebagai ketua tim pengembang mata kuliah. Mata kuliah Kecerdasan Buatan (UGMx 001001132012) bertujuan untuk memperkenalkan konsep-konsep dasar kecerdasan buatan, langkah-langkah membangun solusi berbasis kecerdasan buatan, etika dan dampak social kecerdasan buatan, serta memperkenalkan beberapa teknik dasar machine learning dan deep learning. Di akhir kuliah, peserta kuliah diminta mengimplementasikan Bahasa Pem- rograman Python untuk menyelesaikan kasus tertentu yang telah didefinisikan dataset dan metode pemecahannya. Kuliah akan dilakukan sepenuhnya dengan basis self-paced dan self- assessment. Evaluasi kemampuan implementasi Kecerdasan Buatan dengan Bahasa Pem- rograman Python dilakukan dengan menggabungkan praktik pemrograman secara langsung (live programing) berbasis Google Colaboratory dan multiple choice questionnaire (MCQ). 2 Capaian Pembelajaran Mata Kuliah Kuliah Kecerdasan Buatan memiliki lima Capaian Pembelajaran Mata Kuliah (CPMK), yakni: a) CPMK 1: Mampu mendefinisikan pengertian sistem cerdas, berbagai macam ter- minologi di bidang kecerdasan buatan, dan berbagai macam aplikasi sistem berbasis kecerdasan buatan. b) CPMK 2: Mampu langkah-langkah membangun sistem berbasis kecerdasan buatan serta mengerti kelebihan dan kekurangan solusi berbasis kecerdasan buatan c) CPMK 3: Mampu mendefinisikan dampak sosial yang ditimbulkan dari perkem- bangan teknologi kecerdasan buatan serta etika dalam pengembangan solusi berbasis kecerdasan buatan. d) CPMK 4: Mampu mendefinisikan konsep dasar transformasi data dan seleksi fitur (feature selection) untuk machine learning. e) CPMK 5: Mampu mendefinisikan beberapa teknik machine learning klasik (linear regression, rule-based machine learning, probabilistic machine learning, clustering) dan konsep dasar deep learning serta implementasinya dalam pengenalan citra (convolu- tional neural network). f) CPMK 6: Mampu mengimplementasikan Bahasa Pemrograman Python sebagai pen- dukung pengembangan sistem cerdas. 3 Topik Kuliah Adapun kuliah Kecerdasan Buatan akan memuat setidaknya sembilan topik kuliah, yakni: 1
- 3. March 31, 2022 Topik 1: Definsi, konsep, dan terminologi kecerdasan buatan (CPMK 1). Topik ini akan membahas definsi, terminologi, berbagai macam aplikasi kecerdasan buatan, serta kaitan teknologi kecerdasan buatan dengan masa depan lapangan kerja. Topik 2: Langkah membangun solusi berbasis kecerdasan buatan (CPMK 2). Topik ini akan membahas langkah-langkah membangun sistem berbasis Kecerdasan Buatan serta memahami kelebihan dan kekurangan solusi berbasis Kecerdasan Buatan. Topik 3: Etika dan dampak sosial kecerdasan buatan (CPMK 3). Topik ini akan membahas kelemahan teknologi kecedasan buatan dalam kasus rasial, maupun kelema- han karena tidak akuratnya dataset, serta etika-etika yang perlu diperhatikan dalam hal pengambilan data dan privasi data. Topik 4: Transformasi data dan rekayasa fitur dalam machine learning (CPMK 4). Topik ini akan membahas konsep data preparation, data cleansing, dan feature selection serta teknik-teknik yang lazim digunakan dalam machine learning. Topik 5: Regresi linear dan seleksi model machine learning (CPMK 5). Topik ini akan membahas dasar- dasar linear regression, mampu membedakan antara klasifikasi dan regresi, mengerti implementasi linear regression, memahami konsep K-Fold Cross Validation, curse of dimensionality, overfitting dan underfitting. Topik 6: Uncertainty problems dan probabilistic machine learning (CPMK 5). Topik ini akan membahas teori dasar probabilitas (joint probability, conditional probability), memahami terminologi dalam teori uncertainty dan teori peluang, memahami konsep teori Bayes dan implementasinya. Topik 7: Rule-Based Machine Learning dan Clustering (CPMK 5). Topik ini menje- laskan tentang konsep dasar decision tree dan teknik clustering. Topik 8: Pengantar Deep Learning (CPMK 5). Topik ini menjelaskan tentang aplikasi deep learning, konsep backpropagation, perceptron, memahami cara kerja convolutional neural network. Topik 9: Implementasi Machine Learning dengan Python (CPMK 6). Topik ini men- jelaskan tentang cara mengekstrak dataset ke variabel Python, mengerti penggunaan berbagai fungsi classifier, mengerti dan memahami cara melakukan validasi model machine learning. 4 Metode Evaluasi Mata Kuliah Adapun evaluasi untuk CPMK 1-5 akan dilakukan dengan quiz yang menguji kemam- puan analisis mahasiswa dan pemahaman mahasiswa terhadap materi yang disampaikan. Quiz tersebut dapat berisi pertanyaan-pertanyaan dengan pilihan jawaban lebih dari dua (multiple choices) maupun pertanyaan benar/salah (Yes or No questions). Sementara itu, CPMK 6 akan dievaluasi dengan menguji pemahaman mahasiswa terhadap implementasi 2
- 4. March 31, 2022 machine learning dengan Bahasa Pemrograman Python. Mahasiswa diminta untuk mem- pratikkan potongan program tertentu atau melengkapi program Python tertentu, kemu- dian menjawab pertanyaan-pertanyaan multiple choices seputar program yang diimplemen- tasikan. Dengan demikian, mata kuliah ini dirancang agar sesuai dengan prinsip SCL (student-centered learning), self-paced, dan self-assessment. 5 Referensi Mata Kuliah Berikut ini beberapa referensi yang akan digunakan dalam kuliah ini: 1. M. Yao, N. Jia, A. Zhou, Applied Artificial Intelligence: A Handbook for Business Leaders, New York: Topbots, Inc., 2018. 2. F. Provost, T. Fawcett, Data Science for Business, California: OReilly, 2013. 3. A. Geron, Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: 2nd Edition, California: OReilly, 2019. 4. J.D. Kelleher, B.M. Namee, A. DArcy, Fundamentals of Machine Learning for Pre- dictive Data Analytics: 2nd Edition, Cambridge: MIT Press, 2020. 5. S. Rogers, M. Girolami, A First Course in Machine Learning: 2nd Edition, Florida: CRC Press, 2017. 6. T.J. Sejnowski, The Deep Learning Revolution, Cambridge: MIT Press, 2018. 7. M. Mitchell, Artificial Intelligence: A Guide for Thinking Humans, London: Penguin Random House, 2019. 8. A.C. Muller, S. Guido, Introduction to Machine Learning with Python: A Guide for Data Scientists, California: OReilly, 2016. 9. J. Krohn, G. Beyleveld, A. Bassens, Deep Learning Illustrated: A Visual, Interactive Guide to Artificial Intelligence, New York: Pearson Education, 2020. 10. M. Negnevitsky, Artificial Intelligence: A Guide to Intelligent Systems: 3rd Edition, New York: Pearson Education, 2011. 11. J. Brownlee, Data Preparation for Machine Learning, Machine Learning Mastery, 2020. 12. A. Zheng, A. Casari, Feature Engineering for Machine Learning, California: OReilly, 2018. 3