Mata Kuliah ET2204 - 2024

Kode Mata KuliahET2204 / 3 SKS
Penyelenggara181 - Teknik Telekomunikasi / STEI
KategoriKuliah
Bahasa IndonesiaEnglish
Nama Mata KuliahPembelajaran Mesin untuk TelekomunikasiMachine Learning for Telecommunications
Bahan Kajian
  1. Komunikasi lisan
  2. Desain Rekayasa
  3. Simulasi dan pemodelan
  4. Klasifikasi, regresi,pengurangan dimensi & clustering
  1. Verbal communication
  2. Engineering Design
  3. Simulation and modeling
  4. Classification, regression, dimensionality reduction & clustering
Capaian Pembelajaran Mata Kuliah (CPMK)
  1. Kemampuan untuk menerapkan hubungan ilmiah dan matematis (prinsip atau hukum) dan masukan yang diperlukan untuk Simulasi dan Pemodelan, Klasifikasi, Regresi, dan Dimension Reduction
  2. Kemampuan menganalisis masalah / mengidentifikasi peluang untuk menghasilkan pernyataan masalah desain simulasi dan pemodelan untuk Simulasi dan Pemodelan, Klasifikasi, Regresi, dan Dimension Reduction
  3. Kemampuan mengidentifikasi batasan untuk menghasilkan persyaratan desain pada Simulasi dan Pemodelan, Klasifikasi, Regresi, dan Dimension Reduction
  4. Kemampuan mengidentifikasi dan merumuskan permasalahan teknik pada Simulasi dan Pemodelan, Klasifikasi, Regresi, dan Dimension Reduction
  5. Kemampuan menganalisis dan menyelesaikan permasalahan teknik mengani Simulasi dan Pemodelan, Klasifikasi, Regresi, dan Dimension Reduction
  1. Ability to apply scientific and mathematical relationships (principles or laws) and inputs required for Simulation and Modeling, Classification, Regression, and Dimension Reduction
  2. Ability to analyze problems / identify opportunities to produce simulation and modeling design problem statements for Simulation and Modeling, Classification, Regression, and Dimension Reduction
  3. Ability to identify constraints to produce design requirements in Simulation and Modeling, Classification, Regression, and Dimension Reduction
  4. Ability to identify and formulate technical problems in Simulation and Modeling, Classification, Regression and Dimension Reduction
  5. Ability to analyze and solve technical problems dealing with Simulation and Modeling, Classification, Regression and Dimension Reduction
Metode PembelajaranCeramah Diskusi kelompok Pembelajaran berbasis Masalah/Studi KasusLecture Group discussion Problem/Case Study based learning
Modalitas PembelajaranLuring Sinkron Daring Asinkron BauranLuring Sinkron Daring Asinkron Hybrid
Jenis NilaiABCDE
Metode PenilaianKuis, UTS, UASQuizzes, Mid-Semester Exams, Final Exam
Catatan TambahanSilabus kuliah : Kuliah ini akan membahas pendekatan pembelajaran mesin untuk tugas klasifikasi, regresi, pengurangan dimensi, dan pengelompokan. Materi kuliah meliputi: Pengantar Pembelajaran Mesin; Klasifikasi: k-nearest neighbors, regresi logistik, analisis diskriminan, naive Bayes, support vector machines, pohon keputusan, Meningkatkan pohon keputusan dengan random forests dan boosting; Regresi: Regresi linier, Regresi nonlinier dengan generalized additive model, Mencegah overfitting dengan regresi ridge, LASSO, dan elastic net, Regresi dengan kNN, random forest, dan XGBoost; Pengurangan Dimensi: Memaksimalkan varians dengan analisis komponen utama, Memaksimalkan kesamaan dengan t-SNE dan UMAP, Self-organizing maps dan locally linear embedding; Pengelompokan: Pengelompokan dengan menemukan pusat dengan k-means, Pengelompokan hierarkis, Pengelompokan berdasarkan kepadatan: DBSCAN dan OPTICS, Pengelompokan berdasarkan distribusi dengan mixture modeling.Course description : This lecture will discuss machine learning approaches to classification, regression, dimension reduction and clustering tasks. Lecture materials include: Introduction to Machine Learning; Classification: k-nearest neighbors, logistic regression, discriminant analysis, naïve Bayes, support vector machines, decision trees, Improving decision trees with random forests and boosting; Regression: Linear regression, Nonlinear regression with generalized additive model, Preventing overfitting with ridge regression, LASSO, and elastic net, Regression with kNN, random forest, and XGBoost; Dimension Reduction: Maximizing variance with principal component analysis, Maximizing similarity with t-SNE and UMAP, Self-organizing maps and locally linear embedding; Clustering: Clustering by finding centers with k-means, Hierarchical clustering, Clustering based on density: DBSCAN and OPTICS, Clustering based on distributions with mixture modeling.