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 training aims to equip participants with conceptual understanding and fundamental to intermediate skills in digital image processing and computer vision, enabling them to analyze, process, and develop image-based solutions for various industrial and research applications. It is a basic step for mastering robot vision.

📚 Topics Covered

Session 1 – Introduction to Image Processing and Computer Vision

  • Definition and differences between image processing and computer vision

  • Technology evolution and trends

  • Industrial applications (medical, manufacturing, security, automotive)

Session 2 – Introduction to Digital Images and OpenCV

  • Digital image representation

  • Pixels, resolution, and bit depth

  • Grayscale vs color images

  • Computer vision basic with OpenCV

Session 3 – Feature Extraction

  • Template matching

  • Object detection and Haar cascade (overview)

  • Limitations of classical approaches

  • Advanced image programming  with OpenCV

Session 4 – Machine Learning for Computer Vision

  • Role of machine learning in computer vision

  • Supervised vs unsupervised learning

  • Datasets and data labeling

  • Machine Learning methods
  • Case study

Session 5 – Advanced Image Processing

  • Artificial Neural Networks (ANN) and Deep Learning

  • Convolutional Neural Networks (CNN)

  • Basic CNN architectures

  • Transfer learning concept

  • Pre-trained models

  • Project Presentation

 

🎯 Learning Outcomes

By the end of this training, participants will be able to:

  •  Understand image processing and computer vision concepts
  • Process and analyze digital images
  • Apply fundamental to intermediate computer vision methods
  • Understand the development direction of AI-based vision solution.

 

📞 Contact:

  • 📧 Email: wbudiharto@binus.edu

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

  • 📱 Ibu Dr. Emny (WA): +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. Prof. Widodo (WA): +62 856 9887 384

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