programs image

AI/ML Engineer

Kategori user

Kuota terisi: 78%

price-tag Rp2.230.000 Rp12.000.000

price-tag Rp1.900.000 Rp12.000.000

*Sudah termasuk pajak 11%

Dapatkan extra discount Rp200.000 dengan kode promo

Detail Program

Level

programs difficulty

Beginner Friendly

Lokasi

Pacmann Platform & Live via Zoom programs difficulty

Jumlah Course

18 Courses

Jumlah Bab per-Course

8 (2 Bab tiap Minggu)

Durasi per-Course

4 Minggu (20-25 Jam)

Total Durasi

18 bulan

Mentoring

No

Career Outlook

Role
career_outlook_job
AI Engineer

9-16 juta per bulan

career_outlook_job
Machine Learning Engineer

8-16 juta per bulan

Skills

Python

SQL

Data Visualization

Data Wrangling

Probability

Linear Algebra

Machine Learning

Advance Machine Learning

Deep Learning

Industry

Fintech

Telecommunications

Ecommerce

Consulting

Healthcare

Finance & Banking

Startup

Transportation & Accomodation

Retail

Government

Media

FMCG

Kurikulum

1
Description

Kuasai pemrograman Python untuk mengotomasi proses pengolahan data. Belajar struktur data, control-flow, dan Fungsi.

Silabus
  • Python Data Structure

  • Boolean and Branching

  • Looping

  • Functions

Tools
  • Python

2
Description

Kenali konsep OOP dan Clean Code yang sering dipakai dalam pengolahan data serta pelajari version control sederhana dengan Git untuk bisa bekerja dengan kolaborasi.

Silabus
  • Object Oriented Programming (OOP)

  • Debugging Error

  • Clean Code

  • Working with Git

Tools
  • Python

3
Description

Eksplorasi konsep peluang untuk menjelaskan ketidakpastian kejadian dalam pengolahan data.

Silabus
  • Introduction to Probability

  • Conditional Probability

  • Bayes Rules

  • Independence

Tools
  • Python

4
Description

Pelajari konsep variabel random dan cara merangkumnya untuk memodelkan karakter dari data. Pahami cara melakukan uji statistik untuk memeriksa kebenaran suatu hipotesis.

Silabus
  • Discrete Random Variables

  • Continuous Random Variables

  • Expectation, Mean, and Variance

  • Statistical Test

Tools
  • Python

5
Description

Kuasai konsep distance (jarak) sebagai fondasi pembuatan model machine learning. Pelajari cara membuat dan melakukan operasi dengan vektor dan matriks.

Silabus
  • Vector

  • Matrices

  • Distance

  • Create Clustering Model

Tools
  • Python

6
Description

Pelajari konsep optimisasi dan bangun solusi dari linear model menggunakan Ordinary Least Square (OLS)

Silabus
  • Optimization

  • System of Linear Equations

  • OLS for Regression and Classification

Tools
  • Python

7
Description

Eksplorasi aplikasi, komponen, dan workflow dari Machine Learning. Pelajari cara kerja dan membuat model popular seperti k-Nearest Neighbor, Decision Tree, dan Linear Model.

Silabus
  • Machine Learning Applications and Workflows

  • Component of Supervised Learning

  • Nearest Neighbor and Decision Tree Model

  • Linear Regression and Regularization Model

Tools
  • Python

  • Sklearn

8
Description

Selesaikan kasus kompleks dengan model advance seperti Bagging, Random Forest, Boosting, dan Neural Network. Pelajari juga cara melakukan dekomposisi dan pengelompokan data dengan Unsupervised Learning.

Silabus
  • Logistic Regression and SVM

  • Bagging, Random Forest and Boosting

  • Neural Network

  • PCA and Clustering

Tools
  • Python

  • Sklearn

9
Description

Pelajari konsep deployment dan buat model Machine Learning agar mudah digunakan oleh user dengan membangun API

Silabus
  • Deployment Workflow

  • Environment Setup

  • Converting Notebook to Python Script

  • Create API

Tools
  • Python

  • FastAPI

  • Streamlit

10
Description

Pelajari konsep container dan buat model Machine Learning agar lebih portable dan scallable dengan Docker

Silabus
  • Infrastructure of Deployment

  • Containers

  • Deployment with Docker

Tools
  • Python

  • FastAP

  • Streamlit

  • Docker

11
Description

Pelajari cara industri membuat sistem rekomendasi produk sederhana menggunakan data

Silabus
  • Introduction to Recommendation System

  • Non Personalized Recommender System

  • Collaborative Filtering Recommendation System

  • Evaluate a Recommender System

Tools
  • Python

  • Surprise

12
Description

Buat sistem rekomendasi untuk menyelesaikan kasus lebih kompleks seperti adanya konteks tertentu, feedback implisit, atau kebutuhan pembuatan ranking.

Silabus
  • Matrix Factorization Recommender System

  • Contextual Collaborative Filtering

  • Implicit Feedback

  • Bayesian Personalized Ranking

Tools
  • Python

  • Surprise

13
Description

Kenali aplikasi deep learning pada industri dan kuasai pembuatan Neural Network beserta aplikasinya.

Silabus
  • Deep Learning Introduction

  • Computational Graph and Automatic Differentiation

  • Feed Froward and Back Propagation

  • Neural Network for Regression and Classification

Tools
  • Python

  • Pytorch

14
Description

Pelajari cara melakukan optimasi model deep learning menggunakan data, parameter model, metode optimasi, dan regularisasi.

Silabus
  • NN Optimization strategy Batches and Learning Rate

  • NN Optimization strategy Batch Normalization

  • NN Optimization strategy Regularization

Tools
  • Python

  • Pytorch

15
Description

Rencanakan produk machine learning yang dapat diaplikasikan dengan mempelajari cara melakukan requirement gathering dan workscoping.

Silabus
  • Introduction to Machine Learning Product

  • Requirement Gathering

  • Work Scoping with Stakeholder

16
Description

Rencanakan produk machine learning dengan memilih solusi yang tepat terhadap permasalahan. Kenali technical debt yang harus diperhatikan dalam pembuatan produk.

Silabus
  • Framing ML Solution

  • Decision to Launch Model

  • ML Debt

17
Description

Awali perjalanan analisa NLP dengan memanipulasi dan memproses data tekstual

Silabus
  • Introduction to NLP

  • Words vectorization n Grams

  • Words vectorization embedding

Tools
  • Python

18
Description

Bangun model linguistik untuk beberapa aplikasi populer seperti Text Generation and Chat Bot

Silabus
  • Neural Language Model

  • Text Generation

  • Chat Bot

Tools
  • Python

Fasilitas Program

check-r-green
LinkedIn & CV Review

Review perbaikan CV dan LinkedIn untuk personal branding melalui student Consultant Pacmann

check-r-green
One stop Learning Platform (Pacmann LMS)

Akses materi belajar, assessment hingga melakukan coding di Jupyter Notebook pada LMS Pacmann

check-r-green
Project Guideline

Bangun personalized portfolio dengan berbagai topik untuk keperluan personal branding

check-r-green
Student Group & Community

Bergabung dengan komunitas siswa Pacmann

check-r-green
Hackathon

Tantang Pemahaman dan kemampuan problem solving dengan berkompetisi dengan sesama Pacmann student

check-r-green
Whatsapp Helpdesk

One-stop-solution admin untuk kendala belajar apapun

certificate-mobile

Dapatkan sertifikat digital sebagai bukti valid peningkatan skill yang telah Anda pelajari

certificate

Learning Phases

1
2
3
1
admission test
Registration

Setelah memilih program yang Anda butuhkan, segera selesaikan pembayaran dan isi form yang disediakan

2
admission test
Main Phase

Pada main phase, anda akan belajar dengan mengikuti pre-class dan juga live zoom session setiap minggunya

3
admission test
Graduation

Selamat! Anda akhirnya telah menyelesaikan seluruh rangkaian program Pacmann!

Metode Belajar

metode

Pre-Class

Belajar persiapan teori dasar secara self-paced selama 1 jam. Sesi pre-class memastikan Anda memiliki fondasi pemahaman teori yang baik sebelum masuk ke sesi hands on

metode

Live Zoom Session

Praktik/hands-on pada Zoom Live Session selama 3 jam, dengan 6-10 studi kasus praktik yang beragam

metode

Assessment

Uji pemahaman Anda dengan mengerjakan exam di akhir course (minggu ke-4)

programs

Ilustrasi kegiatan belajar program JPP Basic dalam 1 minggu, dengan agenda belajar pre-class dan live session.

*jadwal dapat mengalami perubahan

Dapatkan kesempatan mentoring dengan para expert

Hanya untuk Job Preparation Program MAX

Student Portfolio

Setiap course Pacmann akan memiliki project guideline, simak kurasi portfolio terbaik dari student Pacmann.

Course lainnya dari Job Preparatian Program BASIC

Frequently Asked Questions

Apa perbedaan dari JPP MAX dan Basic?
Pada program JPP MAX anda akan mendapatkan mentoring secara intensif dengan praktisi industri. Mentoring session memastikan Anda bisa memiliki pemahaman hingga mastery level. Selain itu Anda akan mendapatkan fasilitas job preparation yang lebih eksklusif, seperti akses terhadap virtual internship, mock-up technical test dengan feedback yang lebih terpersonalisasi.
Apa saja yang membedakan Program Pacmann dengan course lain?
Program Pacmann memberikan kurikulum yang sistematis dan komprehensif, diajarkan dari basic hingga mendalam; diajarkan langsung oleh ahlinya (akademisi dan professional), dan banyak fasilitas pendukung, serta dalam 1 modul (misal Introduction to Statistics and Data Visualization) Anda akan mengerjakan 1 project, sehingga semakin banyak kelas yang Anda ambil, semakin banyak juga project yang Anda miliki.
Untuk siapa Job Preparation Program ini disarankan?
Program ini cocok untuk Anda yang sedang memulai karier atau ingin berpindah karier di bidang data.
Saya tidak memiliki background math/statistika sebelumnya, apakah saya masih bisa mengikuti program ini?
Tidak masalah. Di Program Pacmann, siswa akan diajarkan dari materi dasar hingga aplikasinya dengan metode yang intuitif dan contoh kasus yang relatable
Apakah akses materi untuk course ini selamanya?
Tidak. untuk JPP Max, akses materi diberikan selama periode pembelajaran hingga H+6 Bulan setelah program pembelajaran terakhir usai. Namun, untuk JPP Basic akses materi hanya akan diberikan hingga program pembelajaran terakhir selesai.
Apakah ada peserta yang berasal dari Non-STEM?
Banyak. Peserta Program Pacmann memiliki latar belakang pendidikan dan pekerjaan yang beragam. Di Periode ke-1: 22.1% berasal dari jurusan Ekonomi & Bisnis, 2.9% dari jurusan Pertanian, 5.9% lainnya (Filsafat & Ilmu Budaya, dst). Kemudian di Periode ke-2: 20% dari jurusan Ekonomi & Bisnis, 3.3% Filsafat & Ilmu Budaya, 6.7% Ilmu Kesehatan, 6.7% Ilmu Sosial & Politik.
Berapa gaji yang akan saya dapatkan jika saya bekerja sebagai praktisi data?
Gaji merupakan nilai variabel yang bisa ditentukan banyak faktor, mulai dari jenis industri, besaran perusahaan, cakupan tanggung jawab, dan seterusnya. Namun pekerjaan di bidang data cenderung memperoleh kompensasi yang lebih baik dibandingkan posisi lain.

Untuk membaca referensi, klik [di sini]
Bagaimana jika saya pemula di bidang data/engineering dan saya tidak memiliki background di bidang STEM/IT?
Bisa, sekitar 40% siswa di Pacmann berasal dari background non data. Termasuk CEO Pacmann.

Salah satu cerita siswa dari jurusan sejarah jadi data analyst di sini.

Siswa Non-STEM dan masih pemula:
  • Diajarkan dari materi dasar, bahkan mulai dari tingkat konsep hingga praktik
  • Belajarnya lebih slow paced sehingga mudah diikuti dan tidak terburu-buru. Selain itu metode belajarnya ini merupakan cara belajar yang efektif, baca referensinya di sini
  • Disediakan Pre-Class Material sehingga sebelum Live Class berlangsung ada bahan yang bisa dipelajari terlebih dahulu
  • Diajarkan secara langsung oleh pengajar, tidak belajar sendiri
  • Mendapatkan mentoring intensif 2-arah
  • Diberikan evaluasi dan banyak studi kasus
  • Disediakan help desk jika butuh bantuan teknis
Bagaimana caranya pindah karier ke industri data?
Melakukan career switching ke bidang data butuh persiapan matang; mencakup persiapan skills yang sesuai dengan kebutuhan industri, membuat portofolio, penyesuaian CV, serta mengikuti hackathon/perlombaan. Anda bisa membaca lebih lanjut mengenai bagaimana cara agar berhasil pindah karier secara lengkap di sini.

AI/ML Engineer

Umum

Mahasiswa

Umum

Mahasiswa

Kuota terisi: 78%

price-tag Rp2.230.000 Rp12.000.000

price-tag Rp1.900.000 Rp12.000.000

*Sudah termasuk pajak 11%