🔥 Minggu 1: Dasar-dasar Programming (Python)
🎯 Tujuan: Memahami logika dasar pemrograman dan Python.
📘 Teori:
- Variabel, tipe data, operator
- Kondisi, perulangan, fungsi
- Struktur data: list, dict
- Basic file I/O dan with open
🧪 Praktik:
- Program kalkulator
- Mini proyek: Kamus Sederhana berbasis Python
🔗 Sumber:
⏳ Waktu: 12 jam
🧠Minggu 2: Numpy, Pandas, dan Logika Machine Learning
🎯 Tujuan: Mengenal logika dasar Machine Learning dan manipulasi data.
📘 Teori:
- Konsep supervised vs unsupervised learning
- Numpy (array, operasi vektor)
- Pandas (DataFrame, manipulasi data)
🧪 Praktik:
- Load data CSV, cleaning, analisa dasar
- Predict harga rumah dengan Linear Regression (sklearn)
🔗 Sumber:
- Numpy Tutorial - W3Schools
- Kaggle Python Course
⏳ Waktu: 10 jam
🤖 Minggu 3: Neural Networks Dasar
🎯 Tujuan: Memahami cara kerja jaringan saraf (NN).
📘 Teori:
- Perceptron, aktivasi (ReLU, sigmoid)
- Backpropagation (tanpa rumus berat)
- Overfitting dan generalisasi
🧪 Praktik:
- Klasifikasi MNIST (digit) dengan Keras
- Eksperimen hidden layer dan epoch
🔗 Sumber:
⏳ Waktu: 11 jam
🧩 Minggu 4: Convolutional Neural Network (CNN)
🎯 Tujuan: Mengenal image AI dengan CNN.
📘 Teori:
- Konvolusi, pooling, padding
- CNN layer vs dense layer
- Dataset gambar (CIFAR10, FashionMNIST)
🧪 Praktik:
- CNN untuk klasifikasi gambar fashion
- Visualisasi hasil prediksi
🔗 Sumber:
⏳ Waktu: 12 jam
💬 Minggu 5: Natural Language Processing (NLP) & Tokenization
🎯 Tujuan: Memahami pemrosesan teks dengan NLP.
📘 Teori:
- Tokenisasi, stopwords, stemming
- Bag-of-Words dan TF-IDF
- Embedding (Word2Vec, GloVe)
🧪 Praktik:
- Analisis sentimen dengan TF-IDF + Logistic Regression
- Embedding visualisasi dengan
sklearn.manifold.TSNE
🔗 Sumber:
⏳ Waktu: 10 jam
📡 Minggu 6: Transformer dan Attention
🎯 Tujuan: Menguasai dasar arsitektur Transformer.
📘 Teori:
- Self-attention, positional encoding
- Encoder vs decoder
- Perbedaan GPT, BERT, T5
🧪 Praktik:
-
Implementasi GPT-2 via
transformerslibrary - Uji coba chat sederhana dari model pre-trained
🔗 Sumber:
⏳ Waktu: 12 jam
🧠Minggu 7: Memahami Embedding dan Vector Database
🎯 Tujuan: Belajar konsep embeddings dan vector similarity.
📘 Teori:
- Sentence embeddings
- Cosine similarity
- Vector stores (FAISS, Qdrant)
🧪 Praktik:
- Convert dokumen jadi vektor
- Cari dokumen terdekat dari query
🔗 Sumber:
⏳ Waktu: 10 jam
📚 Minggu 8: RAG (Retrieval-Augmented Generation)
🎯 Tujuan: Membangun chatbot yang bisa mengambil data dari dokumen.
📘 Teori:
- Pipeline RAG: Embed → Retrieve → Prompt
- Chunking, context injection
🧪 Praktik:
- Buat RAG chatbot dari PDF atau
.mdfile - Integrasi ke CLI atau Telegram
🔗 Sumber:
⏳ Waktu: 12 jam
🧵 Minggu 9: Fine-Tuning dan LoRA
🎯 Tujuan: Melatih ulang LLM dengan gaya bicara sendiri.
📘 Teori:
- Fine-tuning vs prompt tuning
- LoRA: Konsep, manfaat, dan implementasi
🧪 Praktik:
- Fine-tune LLaMA2/TinyLLM dengan dataset buatan sendiri
- Deploy model lokal via HuggingFace +
text-generation-webui
🔗 Sumber:
⏳ Waktu: 12 jam
🧰 Minggu 10: Integrasi Model ke Aplikasi CLI/API
🎯 Tujuan: Membuat AI yang bisa diajak bicara dari CLI atau API.
📘 Teori:
- FastAPI dasar
- Sistem prompt dan memory
🧪 Praktik:
- Buat CLI Chatbot dengan FastAPI + RAG
- Fitur: history, context-aware, command handler
🔗 Sumber:
⏳ Waktu: 10 jam
🛡️ Minggu 11: Pengamanan dan Etika AI
🎯 Tujuan: Memahami bias, hallucination, dan pengamanan LLM.
📘 Teori:
- Bias dan dataset ethics
- Jailbreak prompt, prompt injection
- Audit dan logging untuk AI system
🧪 Praktik:
- Uji LLM terhadap prompt berbahaya
- Tambahkan guardrails dasar
🔗 Sumber:
⏳ Waktu: 8 jam
🚀 Minggu 12: Mini Project “Clone Yourself AI”
🎯 Tujuan: Menerapkan semua yang dipelajari menjadi AI pribadi.
🧪 Praktik:
- Desain sistem knowledge base pribadi
- Bangun AI yang bisa menjawab pertanyaan berdasarkan file pribadi kamu
- Integrasi CLI + Web + Telegram (opsional)
🔗 Sumber:
- Reuse semua tools minggu sebelumnya
- Buat dokumentasi sebagai portofolio
⏳ Waktu: 15 jam (1 minggu full sprint)
0 Komentar