DATA SCIENCE DENGAN PYTHON

Durasi : 09.00 - 16.00 WIB

DESKRIPSI PELATIHAN 

Pelatihan Data Science dengan Python adalah program pembelajaran yang berfokus pada penguasaan keterampilan analisis data menggunakan bahasa pemrograman Python.Pelatihan ini dirancang untuk membekali peserta dengan pemahaman dasar hingga mahir dalam konsep-konsep Data Science dan cara mengaplikasikannya melalui Python

TUJUAN PELATIHAN :

• Memahami konsep dasar data science dan alur kerjanya.
• Menguasai dasar-dasar bahasa pemrograman Python dan penggunaannya untuk analisis data dasar.
• Meningkatkan keterampilan eksplorasi dan analisis data menggunakan Python.
• Menguasai teknik statistik, machine learning dasar, dan visualisasi interaktif.
• Mengembangkan kemampuan dalam membangun pipeline proyek Data Science secara menyeluruh.
• Menguasai teknik lanjutan seperti NLP, time series, dan deployment model.

MATERI PELATIHAN 

1. Basic Introduction to Data Science with Python

1.1. Pengenalan Data Science

• Definisi dan ruang lingkup
• Alur kerja Data Science (CRISP-DM)
• Peran Data Scientist

1.2. Dasar-dasar Python untuk Data Science

• Variabel, tipe data, kontrol alur (if, loop)
• Fungsi, list, dictionary, set, tuple
• Modul dan package dasar

1.3. Pemrograman Praktis dengan Python

• Environment Setup (Anaconda, Jupyter)
• Input/output file (CSV, Excel)
• Pengantar error handling

1.4. Data Wrangling dengan Pandas

• Series dan DataFrame
• Indexing dan slicing
• Cleaning data dasar: missing values, duplicate

1.5. Visualisasi Dasar

• Matplotlib & Seaborn dasar
• Membuat grafik batang, garis, histogram

1.6. Mini Project: Data Cleaning dan Visualisasi Dataset Sederhana

• Contoh: Data penjualan, data cuaca, dsb.

2. Applied Data Science with Python

2.1. Eksplorasi Data dan Statistik Deskriptif

• Mean, median, mode, variansi, std deviasi
• Korelasi dan kovarians
• Distribusi data

2.2. Data Wrangling Lanjutan

• Groupby, pivot, merge, join
• Regex untuk pembersihan data teks
• Feature engineering sederhana

2.3. Visualisasi Interaktif

• Plotly & Altair
• Visualisasi dashboard sederhana

2.4. Pengantar Machine Learning

• Supervised vs Unsupervised
• Train-test split, evaluasi model (accuracy, precision, recall)

2.5. Modeling Dasar dengan Scikit-learn

• Linear & Logistic Regression
• Decision Tree & KNN
• Clustering: KMeans

2.6. Evaluasi dan Interpretasi Model

• Confusion matrix, ROC-AUC
• Cross-validation dan overfitting

2.7. Mini Project: Analisis dan Prediksi Dataset

• Contoh: Prediksi harga rumah, klasifikasi customer churn

3. End-to-End Data Science Project with Python

3.1. Pipeline Data Science End-to-End

• Problem formulation
• Data ingestion, preprocessing, modeling, deployment

3.2. Feature Engineering Lanjutan

• Polynomial features, interaction terms
• Feature selection (RFE, Lasso)

3.3. Machine Learning Lanjutan

• Ensemble Methods: Random Forest, XGBoost, Gradient Boosting
• Hyperparameter tuning (GridSearchCV, Optuna)

3.4. Natural Language Processing (NLP)

• Preprocessing text (tokenizing, stemming, TF-IDF)
• Sentiment analysis & topic modeling (LDA)

3.5. Time Series Forecasting

• Resampling, decomposition
• ARIMA, Prophet, LSTM (opsional)

3.6. Model Deployment

• Model saving (pickle, joblib)
• Pengenalan Streamlit/Flask untuk web deployment
• Integrasi REST API sederhana

3.7. Capstone Project: End-to-End Data Science

• Pilihan topik sesuai bidang (keuangan, kesehatan, pemasaran)

Trainer : Spectracentre Trainer Team