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
