Satuan Acara Pengajaran

Satuan Acara Pengajaran
Mata Kuliah
Kode
Kredit
Strata
Pelaksana
Dosen
: Topik Khusus - Machine Learning
: MMA 10991
: 4 SKS
: Pascasarjana
: PS Magister Matematika – Universitas Indonesia
: Dr. rer. nat. Hendri Murfi
Deskripsi:
Memahami keterhubungan (relationships) dan ketergantungan (depedencies) dalam suatu
koleksi data adalah suatu aspek yang sangat penting dalam menganalisis data tersebut. Ketika
tidak ada pendekatan pemodelan yang mudah untuk melakukan hal tersebut, maka
pendekatan cerdas berbasis data (data-driven method), dikenal juga dengan nama machine
learning, menjadi solusi alternatif. Dengan kata lain, machine learning adalah metode yang
dapat belajar dari data sehingga menjadi cerdas. Cerdas dalam artian dapat melakukan
generalisasi terhadap data baru. Matakuliah ini akan menjelaskan metode-metode machine
learning untuk beberapa permasalahan dalam analisis data, yaitu: regresi, klasifikasi, estimasi
densitas dan model variabel tersembunyi.
Tujuan Instruksional Umum:
Mahasiswa memahami teori dasar dari metode-metode machine learning dan mampu
menggunakannya serta menganalisa hasil yang diperoleh.
Sasaran Belajar:
Mahasiswa mampu:
1. Menjelaskan teori dasar dari metode-metode machine learning dalam memecahkan
masalah-masalah klasifikasi, regresi, estimasi densitas dan model variabel tersembunyi.
2. Menggunakan metode-metode machine learning untuk memecahkan persoalan-persoalan
riil.
3. Menganalisis hasil yang diperoleh dari penggunaan metode-metode machine learning.
Prasyarat:
• Dasar-dasar matematika: kalkulus dan aljabar linear
• Dasar-dasar pemrogramman
Isi Matakuliah:
Linear Regression, Polynomial Regression, Perceptron, Neural Networks, Kernel Method,
Radial Basis Function Networks, Support Vector Classification, Support Vector Regression,
Logistic Regression, Naïve Bayes, Gaussian Mixture Distribution, Kernel Density
Estimation, K-Means Clustering, Gaussian Mixture Model, Principal Component Analysis,
Singular Value Decomposition, Nonegative Matrix Factorization
1|Halaman
Rencana Perkuliahan:
Minggu
Perkuliahan
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Pokok Bahasan
1 Pendahuluan
2 Python
3 Model Linear
4 Neural Networks
5 Metode Kernel
6 Support Vector Machine
Studi Kasus
UTS
7 Model Probabilistik
8 Estimasi Densitas
9 Clustering
10 Analisis Komponen Utama
11 Faktorisasi Matriks
11 Faktorisasi Matriks
Studi Kasus
UAS
Referensi
[1.1-1.3, 1.5]
[2]
[3.1,3.3,3.4]
[3.5]
[3.6]
[3.7]
[3.1,3.4,3.8]
[3.2]
[3.9]
[3.12]
[4, 5, 6]
[4, 5, 6]
Daftar Referensi:
1. I. H. Witten, E. Frank, M. A. Hall. Data Mining: Practical Machine Learning Tools and
Techniques. Elsevier Inc., 2011
2. EuroScipy Tutorial Team, Python Scientific Lecture Note, scipy-lectures.github.com,
2013
3. C. Bishop. Pattern Recognition and Machine Learning. Springer-Verlag, 2006
4. D. Kalman. A Singularly Valuable Decomposition: The SVD of a Matrix. The College
Mathematics Journal, 27: 2-23, 1996
5. M. W. Berry, M. Browne, A. N. Langville, V. P. Pauca, R. J. Plemmons. Algorithms and
Applications for Approximate Nonnegative Matrix Factorization. Computational
Statistics & Data Analysis, 52: 155-173, 2007
6. S. Arora, R. Ge, R. Kannan, A. Moitra. Computing a Nonnegative Matrix Factorization Provably. In proceeding of the 44th annual ACM Symposium on Theory of Computing,
145-162, 2012
2|Halaman