Training Syllabus

🕘 Duration: 4 full days (08:00 AM – 05:00 PM GMT+7)

👥 Minimum Participants: 5 people

💼 Fee: Based on agreement and venue

📋 Training Overview

This Python Programming for Deep Learning training is designed for participants who already understand the basics of Python and want to delve deeper into the world of artificial intelligence (AI), specifically deep learning. Participants will learn how Python is used to build, train, and evaluate neural network models using modern libraries like TensorFlow and Keras.
This training focuses on hands-on coding and real-world case studies, enabling participants to understand the deep learning workflow, from data preprocessing and model architecture to training and evaluation.

📚 Topics Covered

Session 1 – Introduction to Deep Learning and the Environment

  • A Brief Overview of Python and NumPy
  • Machine Learning vs. Deep Learning Concepts
  • Neural Network Architecture
  • Installing and Setting Up TensorFlow/Keras
  • Hands-on

Session 2 – Data Preparation and Manipulation for Deep Learning

  • Data loading and preprocessing (normalization, one-hot encoding)
  • Data splitting: training, validation, testing
  • Using Pandas and scikit-learn for the data pipeline
  • Data distribution visualization with Matplotlib/Seaborn
  • Hands-on: MNIST dataset and initial analysis

🎯 Learning Outcomes

By the end of this training, participants will:

  • Understand the foundational concepts of Python for Deep Learning

  • Use Python libraries for data science tasks

  • Using Python and popular libraries (NumPy, Pandas, Matplotlib) to prepare the data.

  • Apply machine learning concepts to real-world projects

📞 Contact

  • 📧 Email: wbudiharto@binus.edu

  • 📱 Mr. Widodo (WhatsApp): +62 856 9887 384

  • 📱 Ms. Emny (WhatsApp): +62 813 8741 3863

Silabus Pelatihan

Python Programming for Deep Learning

🕘 Durasi: 4 hari fullday (08:00 – 17:00 WIB)

👥 Jumlah Peserta Minimum: 5 orang

💼 Biaya: Sesuai dengan kesepakatan dan lokasi pelatihan

📋 Deskripsi Pelatihan

Pelatihan Python Programming for Deep Learning ini dirancang untuk peserta yang telah memahami dasar-dasar Python dan ingin melangkah lebih jauh ke dunia kecerdasan buatan (AI), khususnya deep learning. Peserta akan belajar bagaimana Python digunakan untuk membangun, melatih, dan mengevaluasi model neural network menggunakan pustaka modern seperti TensorFlow dan Keras.

Pelatihan ini berfokus pada praktik langsung (hands-on coding) dan studi kasus nyata, agar peserta dapat memahami alur kerja deep learning dari preprocessing data, arsitektur model, pelatihan (training) hingga evaluasi.

📚 Materi yang Akan Dipelajari

Sesi 1 – Pengenalan Deep Learning dan Environment

  • Review singkat Python dan NumPy
  • Konsep Machine Learning vs Deep Learning
  • Arsitektur Neural Network
  • Instalasi dan setup TensorFlow/Keras
  • Hands-on

Sesi 2 – Persiapan dan Manipulasi Data untuk Deep Learning

  • Data loading dan preprocessing (normalisasi, one-hot encoding)
  • Split data: training, validation, test
  • Menggunakan Pandas dan scikit-learn untuk pipeline data
  • Visualisasi distribusi data dengan Matplotlib/Seaborn
  • Hands-on: Dataset MNIST dan analisis awal 

Sesi 3 – Membangun dan Melatih Neural Network

  • Konsep layer, neuron, activation function, loss, dan optimizer
  • Backpropagation dan gradient descent (konsep intuitif)
  • Implementasi model DNN (Fully Connected Network)
  • Evaluasi model: accuracy, loss curve
  • Hands-on: Membangun model klasifikasi digit (MNIST)

Sesi 4 – Convolutional Neural Network (CNN) untuk Data Gambar

  • Konsep convolution, pooling, dan filter
  • Arsitektur CNN populer
  • Implementasi CNN dengan Keras
  • Augmentasi data untuk meningkatkan performa
  • Hands-on: Klasifikasi gambar

Sesi 5 – Recurrent Neural Network (RNN) dan LSTM untuk Data Sequential

  • Konsep sequence data dan temporal dependencies
  • Arsitektur RNN dan LSTM
  • Implementasi RNN/LSTM dengan Keras
  • Studi kasus: Analisis sentimen teks sederhana
  • Hands-on: Prediksi teks

Sesi 6 – Optimisasi dan Evaluasi Model

  • Overfitting vs underfitting
  • Regularisasi (Dropout, Early Stopping)
  • Hyperparameter tuning
  • Model evaluation dan confusion matrix
  • Hands-on: Meningkatkan performa model CNN

Sesi 7 – Transfer Learning dan Fine-Tuning

  • Konsep transfer learning
  • Menggunakan model pre-trained (MobileNet, ResNet, EfficientNet)
  • Fine-tuning untuk dataset kustom
  • Hands-on: Klasifikasi gambar kustom dengan transfer learning

Sesi 8 – Mini Project: Deep Learning Case Study

  • Pemilihan dataset (gambar, teks, atau suara)
  • Preprocessing dan eksplorasi data
  • Membangun model, pelatihan, dan evaluasi
  • Interpretasi hasil (visualisasi prediksi, confusion matrix)
  • Presentasi hasil mini project

🎯 Tujuan Pelatihan

Setelah mengikuti pelatihan ini, peserta diharapkan mampu:

  1. Memahami konsep dasar machine learning dan deep learning.
  2. Menggunakan Python dan library populer (NumPy, Pandas, Matplotlib) untuk menyiapkan data.
  3. Memahami struktur dasar neural network dan proses pelatihannya.

📞 Kontak

  • 📧 Email: wbudiharto@binus.edu

  • 📱 Bpk. Widodo (WA): +62 856 9887 384

  • 📱 Ibu Emny (WA): +62 813 8741 3863