Hari 1:
Pengenalan konsep dasar Machine Learning
Perbedaan antara supervised dan unsupervised learning
Pengenalan bahasa pemrograman dan alat yang akan digunakan
Instalasi dan pengaturan lingkungan kerja
Hari 2:
Pengumpulan dan pemahaman data
Pembersihan data: menangani data yang hilang, outliers, dan duplikat
Transformasi data: normalisasi, encoding, dan scaling
Splitting data menjadi training dan testing sets
Hari 3:
Pengenalan model machine learning: regresi, klasifikasi, clustering
Algoritma populer: Linear Regression, Decision Trees, K-Means Clustering
Pelatihan model pada data pelatihan
Evaluasi model: metrik kinerja dan validasi silang
Hari 4:
Pengenalan deep learning
Konsep dasar neural networks
Arsitektur jaringan saraf tiruan
Penggunaan library deep learning seperti TensorFlow atau PyTorch
Hari 5:
Pengembangan proyek mini menggunakan Machine Learning
Identifikasi masalah dan pemilihan dataset
Data preprocessing untuk proyek
Pelatihan model dan evaluasi
Presentasi hasil proyek