pacmann.ai KURIKULUM SEKOLAH DATA KELAS ONLINE PELAJARI RESEARCH, STATISTICS, DAN MACHINE LEARNING SECARA MENDALAM DAN MENYELURUH SECARA ONLINE

pacmann.ai DAFTAR ISI​ LATAR BELAKANG PROGRAM 2 OVERVIEW PER ​GRUP MATERI 3 Grup Materi 0: Basic Skills and Knowledge 3 Grup Materi 1: Basic Research 9 Grup Materi 2: Statistics 12 Grup Materi 3: Machine Learning 16 TES & PRASYARAT 20 WAKTU PEMBELAJARAN 21 HARGA 22 PENDAFTARAN 24 SISTEM BELAJAR 25 PERANGKAT 27 SERTIFIKAT 28 PROFIL REVIEWER & PENGAJAR 29 FAQ 30 Kategori: Fasilitas 31 Kategori: Materi 31 Kategori: Proses Belajar 32 PROFIL PERUSAHAAN 34 PESERTA KELAS SEBELUMNYA 35 TESTIMONI 36 Halaman - 1. Contact: [email protected]

pacmann.ai LATAR BELAKANG PROGRAM Kami melihat besarnya keinginan teman-teman di Indonesia untuk bisa memahami data modeling, baik dari industri maupun dari akademia. Alasan ini lah yang membuat kami berusaha membuat pelatihan data modeling di masa lalu. Materi yang ingin dipelajari bukan saja hanya Machine Learning/AI secara umum oleh teman-teman Data Scientist, namun juga kemampuan modeling Statistical Inference dan Causality Inference, melakukan Simulation dan Decision Making Under Uncertainty oleh teman-teman Policy Researcher dan Economist. Kami menyimpulkan bahwa kemampuan data modeling bukan lah hanya Machine Learning saja, kemampuan data modeling dibutuhkan oleh semua bidang, i.e. bukan hanya oleh Data Scientist saja. Alasan di atas dan keinginan memiliki kemampuan data modeling yang beragam membuat kami merealisasikan kelas Machine Learning dan Statistics pertama kami di 2017, menjadi salah satu pelatihan ML/Stats pertama di Indonesia dengan 120 peserta. Kelas Machine Learning ini berisikan Supervised dan Unsupervised Learning dengan berbagai kasus dari Kaggle. Kelas Statistics kami berisikan materi Frequentist Statistics, Bayesian Statistics, Time Series, Large Scale Linear Model. Kelas ini banyak mengantarkan teman-teman menjadi Data Scientist atau Researcher di banyak tempat. Kami berpikir bahwa kelas kami sudah memenuhi tujuan awal, mengenalkan ML/Stats Inference ke khalayak umum. Namun beberapa alumni dari training tersebut menyatakan beberapa keinginan kepada kami. Mereka ingin tumbuh berkembang, memahami lebih dalam data modeling, pada khususnya Statistics dan Machine Learning. Mereka ingin memahami Statistics dari dasar hingga level advanced, dari Probability Theory hingga Bayesian Statistics. Mereka ingin memahami KNN hingga SVD++ Recommender System. Dengan kata lain, banyak yang meminta kami mengajarkan Statistics dan Machine Learning dengan sangat menyeluruh, mirip kurikulum S1 dan S2 yang digabungkan. Dengan permintaan kurikulum yang menyeluruh seperti itu, maka tidak bisa dibuat sebuah bootcamp yang hanya mengajarkan "kulit" dari pengetahuan Machine Learning dan Statistics saja. Pada tahun ini kami dapat mengabulkannya dengan membuat program Sekolah Data ini. Sekolah Data ini adalah program dengan materi menyeluruh membahas materi (hampir) seluruh S1 dan S2, Statistics dan Machine Learning, "non degree"/ tanpa ijazah. Program ini mengajarkan "mata kuliah"/course/kelas dari Calculus Refresher dan Python Programming, sampai Bayesian Statistics dan Probabilistic Machine Learning. Kami harap program ini dapat memenuhi rasa ingin belajar teman-teman yang haus pemahaman menyeluruh dari data modeling. Halaman - 2. Contact: [email protected]

pacmann.ai OVERVIEW PER GRUP MATERI I. Grup Materi 0: Basic Skills and Knowledge Berikut adalah kelas-kelas yang kami buka pada Grup Materi 0: No Class Code Codasurse Prerequisites 1 Python Introduction to Programming with Python PreCalc Test 2 Calculus1 Calculus I PreCalc Test 3 Wrangling Data Wrangling PreCalc Test Grup materi ini adalah dasar untuk mengikuti keseluruhan kelas dari ​Sekolah Data​. Anda diwajibkan untuk mengikuti ketiga kelas ini atau mengikuti tes ketiga kelas ini untuk dapat mengikuti kelas-kelas selanjutnya. Grup materi 0: Basics Skills and Knowledge ini mengajarkan dasar pemrograman Python, Calculus 1: Single Variable dan Data Wrangling. Kemampuan dari ketiga kelas tersebut akan menjadi prasyarat untuk semua kelas yang ada di program Sekolah Data ini. Ketidakmampuan satu atau lebih dari 3 kelas ini akan menghambat siswa dalam belajar di kelas-kelas selanjutnya. ​Total kelas ​dalam kurikulum ini untuk setiap siswa jika mengambil keseluruhan adalah 3 kelas. FAQ​: 1. Q: Apakah kelas ini akan dibuka secara bersamaan? A: Ya, 3 kelas ini akan dibuka secara bersamaan di September 2020. 2. Q: Kelas manakah yang cocok untuk saya? A: Kami menyarankan untuk mengambil kelas ​Introduction to Programming with Python dengan 2 kelas lainnya. Misal, Python dengan Calculus 1 jika anda tidak pernah belajar Python sebelumnya. Kombinasi lainnya adalah Python dan Data Wrangling jika anda sudah pernah mengambil kelas Calculus 1 dan telah lulus tes Calculus 1, atau belum pernah mengambil kelas programming sebelumnya. 3. Q: Bagaimana jika saya tidak ingin mengambil salah satu atau seluruh kelas dari Grup Materi 0? A: Anda perlu mengikuti tes Python , atau Calculus 1, atau Wrangling. Jika anda lulus tes, anda tidak perlu mengambil kelas tersebut. Jika anda tidak lulus, anda kami sarankan untuk mengikuti kelas, atau mengambil tes nya kembali di bulan depan. 4. Q: Kapankah tes Python, atau tes Calculus 1, atau tes Wrangling dilaksanakan? A: Tes akan dilaksanakan seminggu sebelum kelas dimulai. Sebagai informasi, jika tidak lulus, anda tidak akan bisa mendaftar ke kelas tersebut karena pendaftaran dan pembayaran sudah ditutup di 2 minggu sebelum kelas. Kami ingin menghindari peserta yang melakukan hedging, sehingga jumlah peserta menggembung. Halaman - 3. Contact: [email protected]

pacmann.ai 5. Q: Apakah saya dapat mengikuti ketiga kelas ini di bulan depan, Oktober? A: Ya, anda dapat mengikuti kelas ini di bulan Oktober namun sesuai dengan ​demand yang ada untuk kelas ini. Misal, jika ada minimal 30 orang atau 1 kelas penuh dari kelas-kelas ini, maka anda dapat mengikuti kelas-kelas ini. 6. Q: Berapa lama kelas-kelas ini akan berlangsung? A: Kelas-kelas ini akan berlangsung selama 2 bulan. Berikut adalah penjelasan singkat mengenai kelas-kelas dalam Grup 0 ini: 1. Introduction to Programming with Python, class code: Python Kelas ini membahas mengenai syntax pada Python, dasar algoritma, debugging dan testing, programming efficiency, dan virtual environment, library, dll. Untuk lebih jelasnya berikut adalah materi yang akan dipelajari di setiap sesi dari kelas ini: No Materials 1 What is computation? 2 Branching and Iteration 3 String Manipulation, Guess and Check, Approximations 4 Decomposition, Abstractions, Functions 5 Tuples, Lists, Aliasing, Mutability, Cloning 6 Recursion, Dictionaries 7 Testing, Debugging, Exceptions, Assertions 8 Object Oriented Programming 9 Python Classes and Inheritance 10 Understanding Program Efficiency, Part 1 11 Understanding Program Efficiency, Part 2 12 Searching and Sorting 13 Defensive Programming 14 Module and Library 15 Virtual Environment 16 Pip install, requirements.txt Materi dalam kelas Python ini dapat dikelompokan menjadi: ● Python Syntax Halaman - 4. Contact: [email protected]

pacmann.ai ● Conda Env, Pip Install, etc. ● Basic Algorithms Source: ​https://amsi.org.au/ESA_Senior_Years/SeniorTopic3/3j/3j_2content_1.html ● Berikut adalah buku-buku yang kami gunakan dalam kelas ini: Halaman - 5. Contact: [email protected]

pacmann.ai 2. ​Calculus: Single Variable, class code: calculus1 Kelas ini membahas mengenai derivatif dan integral dari single variable. Kelas ini juga mengenalkan kegunaan calculus dalam mendefinisikan konsep-konsep Machine Learning, Statistics, hingga Deep Learning. Untuk lebih jelasnya berikut adalah materi yang akan dipelajari di setiap sesi dari kelas ini: No Materials 1 Review of Functions 2 Basic Class of Functions: Linear, Polynomial 3 Exponential Function: Bacterial Growth and Sigmoid Case 4 Logarithmic Function: Negative Logarithmic Loss 5 Continuity: Sigmoid, Tanh, Relu 6 Introduction to Derivative 7 Linear Regression Slope as Effect 8 Derivative Rule 9 Chain Rule: Backpropagation as a Chain Rule 10 Derivatives of Exponential and Logarithmic Functions 11 Max Min and Optimization 12 Gradient Descent 13 Approximating Areas with Sums 14 Introduction to Integral 15 Area Under Curve: Normal Distribution PDF Materi dari kelas Calculus 1 ini dapat dikelompokan dalam beberapa bagian: ● Pembahasan derivatif dan integral Source: ​https://www.math24.net/definition-properties-derivative/ source: http://hyperphysics.phy-astr.gsu.edu/hbase/integ.html Halaman - 6. Contact: [email protected]

pacmann.ai ● Pengenalan penggunaan Calculus pada Statistics dan Machine Learning Source: ​https://blog.bigml.com/2019/03/27/linear-regression-technical-overview/ ● Pengenalan Optimization ● Buku-buku yang kami gunakan dalam kelas ini: 3. Data Wrangling, class code: Wrangling Kelas ini mempelajari bagaimana menstrukturkan data agar bisa diolah oleh algoritma, atau bisa direpresentasikan dalam visualisasi. Kelas ini menggunakan library Pandas dari Python. Keseluruhan kelas ini berisikan mempelajari syntax Pandas, kasus pembersihan data, dan mempersiapkan data untuk algoritma Statistics dan Machine Learning. Untuk lebih jelasnya berikut adalah materi yang akan dipelajari di setiap sesi dari kelas ini: Halaman - 7. Contact: [email protected]

pacmann.ai No Materials 1 Getting & Knowing Your Data 2 Filtering & Sorting 3 Grouping 4 Apply 5 Imputation 6 Merge 7 Stats 8 Visualization 9 Creating Series and Dataframe 10 Time Series 11 Deleting 12 Indexing 13 Data Cleansing Case 14 Data Preparation for BI 15 Data Preparation for Algorithms Secara umum kelas ini membahas hal-hal sebagai berikut: ● Mempelajari syntax Pandas ● Kasus pembersihan data kotor ● Data preparation sebagai input algoritma Statistics dan Machine Learning Halaman - 8. Contact: [email protected]

pacmann.ai II. Grup Materi 1: Basic Research Berikut adalah kelas-kelas yang kami buka pada Grup Materi 1: No Class Code Course Prerequisites 1 Proba1 Probability Theory I Calculus1 2 Visual Data Visualization Proba1, Python 3 Database DataBase Wrangling, Python 4 Sampling Sampling Theory Proba1, Calculus1 5 Elective Courses Elective Courses 6 Elective Courses Elective Courses Pada grup ini, peserta dapat memilih 2 kelompok course dalam elective courses: No Class Code Course Prerequisites 1 Abtest Elective Course Group 1: A/B Testing Sampling, Proba1, Wrangling 2 AbtestProj Elective Course Group 1: BI and A/B Testing Project Abtest, Visual, Database 3 Question Elective Course Group 2: Questionnaire Design Sampling, Proba1, Wrangling 4 QuestionProj Elective Course Group2: BI and Questionnaire Project Question, Visual, Database Grup Materi 1: Basic Research ini mengajarkan dasar riset yang biasa dilakukan di berbagai bidang. Hal-hal yang diajarkan diantaranya adalah Probability Theory sebagai dasar Halaman - 9. Contact: [email protected]

pacmann.ai pemahaman data modeling pertama dalam kelas kami. Kami melihat kebutuhan riset dengan survey/polling di berbagai disiplin ilmu dan pekerjaan, misal konsultan politik, sociologist business analyst dan business intelligence. Keseluruhan bidang yang kami sebutkan sebelumnya memiliki kecenderungan untuk mengambil data secara primer. Untuk itu kami memberikan kelas Sampling Theory untuk memberikan dasar sampling yang valid dalam project/riset. Selain kelas yang berhubungan dengan Statistics, pada Grup Materi 1: Basic Research, kami memberikan kelas teknis Data Visualization dan Database untuk skills dalam pekerjaan yang biasa dipakai di industri, misal marketing researcher, business intelligence dan business analyst. Kedua skills tersebut juga penting untuk researcher dalam membuat visualisasi yang baik dalam research paper, selain kedua skills ini juga menjadi skills dasar yang digunakan untuk kelas-kelas selanjutnya. Elective courses: Selanjutnya siswa dapat memilih 2 kelompok kelas dalam elective courses, group 1 adalah kelas yang lebih matematis, group 2 adalah kelas yang tidak terlalu matematis. Siswa dapat memilih kelas yang kalian suka atau sesuai dengan tingkat percaya diri matematika dari setiap siswa. Group 1 berisikan kelas A/B testing atau dalam Statistics atau Social Sciences dikenal dengan Experimental Design. Selanjutnya diikuti dengan kelas project based Business Intelligence di akhir dari Grup Materi 1. Grup 2 berisikan kelas Questionnaire Design atau Survey Design yang berguna untuk siswa yang mau melakukan riset dengan data primer. Setelahnya anda dapat mengikuti kelas project based Business Intelligence yang memfokuskan pada proyek dengan data primer. ​Total kelas ​dalam kurikulum ini untuk setiap siswa jika mengambil keseluruhan adalah 6 kelas. Sertifikat: ​Setiap dari kelas akan kami berikan sertifikat keikutsertaan, beserta nilai di dalamnya. Jika siswa mengikuti keseluruhan Grup Materi 0 dan Grup Materi 1, maka peserta berhak untuk mendapatkan Sertifikasi Researcher dengan melakukan tes terlebih dahulu dari keseluruhan materi. Tes akan berupa pertanyaan dari semua kelas, video-whiteboard interview dari materi-materi kelas, beserta tugas di dalamnya. FAQ​: 1. Q: Apakah kelas ini untuk saya? A: Kelas ini untuk anda atau tidak adalah tergantung dengan kebutuhan anda. Jika anda ingin menjadi peneliti sosial yang menggunakan data primer, atau menjadi business analyst atau business intelligence, maka kelas ini untuk anda. Perlu diingat beberapa kelas dari grup ini menjadi ​prerequisites ​dari kelas lain di grup selanjutnya pada Grup Materi 2: Statistics dan Grup Materi 3: Machine Learning. 2. Q: Apa sajakah kelas yang ada dalam Grup Materi 1 yang menjadi ​prerequisites dari Grup Materi 2 dan 3? A: Secara umum materi Probability 1 adalah ​prerequisites​ dari Grup Materi 2 dan 3. 3. Q: Elective courses manakah yang cocok untuk saya? Halaman - 10. Contact: [email protected]

pacmann.ai A: Group 1 adalah kelas yang lebih matematis, group 2 adalah kelas yang tidak terlalu matematis. Siswa dapat memilih kelas yang kalian suka atau sesuai dengan tingkat percaya diri matematika dari setiap siswa. 4. Q: Bagaimana jika saya tidak ingin mengambil salah satu kelas? A: ​Kami mempersilahkan hal ini, karena kebutuhan kelas dari setiap siswa pastilah berbeda. Namun, jika ada 1 course yang tidak diambil dalam Grup Materi 1, maka siswa tidak berhak mengikuti sertifikasi Researcher seperti yang kami jelaskan di atas. 5. Q: Kapankah kelas Grup Materi 1 akan dibuka? A: Kelas Grup Materi 1 akan dibuka di bulan November 2020. 6. Q: Kapankah tes kelas Grup Materi 1 akan dibuka? A: Kelas Grup Materi 1 akan dibuka di awal bulan November 2020. 7. Q: Berapa lama kelas ini akan berlangsung? A: Kelas akan berlangsung dalam 2 bulan. Untuk siapakah kelas-kelas di Grup Materi 1: Basic Research: 1. Prospective Graduate Student on Social Sciences Anda adalah seorang calon mahasiswa S2 atau S3 Social Sciences. Anda memerlukan pemahaman Questionnaire Design untuk membuat kuesioner penelitian, Sampling Theory untuk membuat polling yang valid dan Experimental Design untuk membuat eksperimen penelitian di studi Master/PhD anda. Untuk memenuhi skills tersebut, anda dapat mengambil pelatihan dari kurikulum ini. 2. Sociologist Anda adalah seorang peneliti Sosiologi yang ingin meneliti teori Sosiologi, misal Conflict Theory. Anda mengetes persepsi atas inequality dari tiap grup/kelompok dan membuat metrics risiko conflict dari setiap grup/kelompok. Untuk membuat penelitian tersebut anda memerlukan pembuatan Survey yang representatif, pembentukan index risiko per kelompok dan membuat visualisasi peta risiko dalam research paper anda. Anda dapat mempelajarinya dengan mengambil pelatihan dari kurikulum ini. 3. Political Researcher Anda adalah seorang peneliti Political Science. Anda ingin meneliti hubungan dari Democracy Level dengan Oppression Level terhadap kelompok minoritas. Anda perlu menghimpun opini/pendapat atas Oppression Level pada suatu wilayah menggunakan survey dan FGD. Anda dapat mempelajarinya dalam kelas Survey Design (termasuk FGD) dan Sampling Theory pada kurikulum ini. 4. Business Intelligence Anda adalah seorang pekerja Business Intelligence. Anda diminta mengukur sensitivitas atau efek dari perubahan harga dari produk terhadap penjualan. Anda perlu melakukan randomized experiment dari harga, i.e. mengubah harga pada Halaman - 11. Contact: [email protected]

pacmann.ai kelompok users yang homogen. Untuk melakukan riset tersebut dengan benar, anda harus memahami Sampling Theory dan A/B testing. Anda dapat mempelajarinya dengan mengambil pelatihan dari kurikulum ini. 5. Business Analyst Anda adalah seorang Business Analyst dalam suatu perusahaan. Anda ditugaskan oleh perusahaan untuk membuat report cost analysis sensitivity dan cost driver dari product yang dibuat oleh perusahaan. Anda sudah membuat tabel cost analysis di dalam excel dan membutuhkan Data Visualization untuk menjelaskan dan menekankan hasil dari analisa anda. Anda dapat mempelajarinya dengan mengambil pelatihan dari kurikulum ini. 6. Marketing Researcher Anda adalah seorang Marketing Researcher dalam suatu perusahaan. Anda ditugaskan oleh perusahaan untuk menghitung kombinasi yang optimal dari marketing expense di TV, Instagram dan Youtube. Anda melakukan A/B testing dari ketiganya dan mendapatkan operational constraint dari ketiganya, kemudian anda memberikan bauran marketing/marketing mix yang tepat untuk perusahaan anda. Anda dapat mempelajarinya di A/B testing dalam kelas ini. III. Grup Materi 2: Statistics Berikut adalah kelas-kelas yang kami buka pada Grup Materi 2: No Class Code Course Prerequisites 1 Calculus2 Calculus II Calculus1 2 Proba2 Probability Theory II Calculus2, Calculus1, Proba1 3 LinAlg Applied Linear Algebra Calculus2, Calculus1, Proba2, Proba1 4 Emet Econometrics LinAlg, Proba2, Proba1, Calculus2, Calculus1 5 LinearMod Applied Linear Model LinAlg, Calculus2, Proba2 6 Causal Causality LinAlg, LinearMod, Emet, Proba2, Calculus2 7 Elective Course Group Stats 8 Elective Course Group Stats 9 DataSkeptic Data Skepticism Causal, LinearMod, Emet Pada grup ini, peserta dapat memilih 2 kelompok course dalam elective courses: Halaman - 12. Contact: [email protected]

pacmann.ai No Class Code Course Prerequisites 1 Simulation Elective Course Group 1: Simulation Emet, Proba2, Proba1, Calculus2, Calculus1 2 BayesStats Elective Course Group 1: Bayesian Statistics Simulation, Calculus2, Calculus1, DataSkeptic 3 TimeStats Elective Course Group 2: Time Series Analysis Emet, LinearMod, LinAlg, Data Skeptic 4 Categoric Elective Course Group 2: Categorical Data Analysis Emet, LinearMod, LinAlg, Data Skeptic Grup Materi 2: Statistics ini mengajarkan statistika dari tingkat dasar hingga tingkat advance yang biasa diajarkan di tingkat S1 dan S2/S3. Kelas-kelas ini adalah skills yang diperlukan jika anda ingin menjadi quantitative researcher di Social Sciences. Hal-Hal yang diajarkan adalah Multivariable Calculus, Linear Algebra dan Probability II. Hal ini menjadi dasar dari kelas-kelas teknikal selanjutnya. Dasar Modeling: Selanjutnya, kami mengajarkan kelas Econometrics dan Generalized Linear Model untuk menjadi dasar kemampuan riset dari observational studies bagi para siswa. Econometrics dan GLM biasa dipakai oleh Economist, Data Scientist, Public Policy Researcher dan Financial Modeler untuk membentuk model dan menguji hypothesis. Statistika Tingkat Lanjut: Setelah mengajarkan modeling statistika dasar, kami juga mengajarkan statistika tingkat lanjut dalam kurikulum Grup Materi 2: Statistics ini. Kami mengajarkan Causality Inferences ala Rubin sebagai landasan pengajaran Causality dan Quasi-Experiment. Kemampuan ini biasa digunakan oleh oleh Data Scientist, Economist, Public Policy Researcher lainnya dalam mengukur efek experiment yang non-random, misal mengukur efektivitas kebijakan Ganjil-Genap, efektivitas Bantuan Langsung Tunai, sampai efektivitas diskon yang diberikan pada Ecommerce yang diukur oleh Data Scientist. Elective courses: Selanjutnya siswa dapat memilih 2 kelompok kelas dalam elective courses, group 1 adalah kelas yang lebih matematis, group 2 adalah kelas yang tidak terlalu matematis. Siswa dapat memilih kelas yang kalian suka atau sesuai dengan tingkat percaya diri matematika dari setiap siswa. Group 1 berisikan kelas Simulation yang berisikan Markov Chain Monte Carlo. Selanjutnya diikuti dengan kelas Bayesian ala Gelman. Kelas ini berisikan estimasi sebuah nilai dengan menggunakan prior dan mendapatkan distribusi nilai parameter dari Linear Regression. Jika menginginkan kelas yang tidak terlalu berat, anda bisa memilih grup 2. Anda akan mempelajari Time Series Analysis dan Categorical Data Analysis di dalamnya. ​Total kelas ​dalam kurikulum ini untuk setiap siswa jika mengambil keseluruhan adalah 9 kelas. Sertifikat: ​Setiap dari kelas akan kami berikan sertifikat keikutsertaan, beserta nilai di dalamnya. Jika siswa mengikuti keseluruhan Grup Materi 2, maka peserta berhak untuk mendapatkan Sertifikasi Statistician dengan melakukan tes terlebih dahulu dari keseluruhan Halaman - 13. Contact: [email protected]

pacmann.ai materi. Tes akan berupa pertanyaan dari semua kelas, video-whiteboard interview dari materi-materi kelas, beserta tugas di dalamnya. FAQ​: 1. Q: Apakah kelas ini untuk saya? A: Kelas ini untuk anda atau tidak adalah tergantung dengan kebutuhan anda. Jika anda ingin menjadi peneliti sosial yang menganalisa kebijakan, meneliti hubungan kausalitas, maka kelas ini untuk anda. Perlu diingat beberapa kelas dari grup ini menjadi ​prerequisites ​dari kelas lain di grup selanjutnya pada Grup Materi 3: Machine Learning. 2. Q: Apa sajakah kelas yang ada dalam Grup Materi 2 yang menjadi ​prerequisites dari Grup Materi 3? A: Secara umum materi Probability 2, Calculus 2, dan Linear Algebra adalah prerequisites​ dari Grup Materi 3. 3. Q: Elective courses manakah yang cocok untuk saya? A: Group 1 adalah kelas yang lebih matematis, group 2 adalah kelas yang tidak terlalu matematis. Siswa dapat memilih kelas yang kalian suka atau sesuai dengan tingkat percaya diri matematika dari setiap siswa. Group 1 berisikan kelas Simulation yang berisikan Markov Chain Monte Carlo. Selanjutnya diikuti dengan kelas Bayesian ala Gelman. Kelas ini berisikan estimasi sebuah nilai dengan menggunakan prior dan mendapatkan distribusi nilai parameter dari Linear Regression. Jika menginginkan kelas yang tidak terlalu berat, anda bisa memilih grup 2. Anda akan mempelajari Time Series Analysis dan Categorical Data Analysis di dalamnya. 4. Q: Bagaimana jika saya tidak ingin mengambil salah satu kelas? A: ​Kami mempersilahkan hal ini, karena kebutuhan kelas dari setiap siswa pastilah berbeda. Namun, jika ada 1 course yang tidak diambil dalam Grup Materi 2, maka siswa tidak berhak mengikuti sertifikasi Statistician seperti yang kami jelaskan di atas. 5. Q: Kapankah kelas Grup Materi 2 akan dibuka? A: Kelas Grup Materi 1 akan dibuka di bulan November 2020. 6. Q: Kapankah tes kelas Grup Materi 2 akan dibuka? A: Kelas Grup Materi 1 akan dibuka di awal bulan November 2020. 7. Q: Berapa lama kelas ini akan berlangsung? A: Kelas akan berlangsung dalam 2 bulan. Untuk siapakah kelas-kelas di Grup Materi 2: Statistics: 1. Prospective Graduate Student on Social Sciences Anda adalah seorang penerima beasiswa Master/PhD di Social Sciences. Anda ingin mengukur efektivitas kebijakan Bantuan Langsung Tunai, Otonomi Daerah, Ganjil dan Genap, dan Bantuan Covid19 pada kelompok rentan. Anda membutuhkan pemahaman teori, pembentukan model statistika yang sesuai dengan teori. Anda membutuhkan pemahaman Econometrics, Causality dan Quasi-Experiment, sampai Halaman - 14. Contact: [email protected]

pacmann.ai analisis Time Series untuk riset anda di jenjang Master dan PhD. Anda dapat mempelajarinya dalam kurikulum ini. 2. Economist Anda adalah seorang Economist yang bekerja di lembaga riset atau perbankan. Anda mendengar dari senior anda bahwa untuk PhD dan Master memerlukan pemahaman Multivariable Calculus, Linear Algebra dan Probability. Anda mempelajarinya dan bisa menikmati membaca buku Econometrics dari Wooldridge tanpa mengerutkan dahi dan tersenyum ceria. Kemudian anda mendapatkan tugas untuk mengukur efek dari risiko sistemik perbankan atas networks cluster dari peminjaman uang antar bank. Anda membuat centrality index, dan melakukan regresi dengan data saat krisis. Hasil akhirnya anda diminta membuat systematic risk modeling perbankan dari centrality index dalam network, kemudian melakukan stress test jika krisis ekonomi terjadi pada saat ini. Analisa counterfactual tersebut dapat anda pelajari dalam kurikulum ini. 3. Public Policy Researcher Anda adalah seorang peneliti Kebijakan Publik Pendidikan. Anda memiliki tujuan untuk mengoptimasi pendidikan di Indonesia. Anda memiliki hypothesis space atas solusi yang mungkin akan meningkatkan kualitas pendidikan. Perlahan anda membangun hipotesis hubungan antar variabel yang berpengaruh secara langsung dan tidak langsung terhadap kualitas pendidikan di Indonesia. Kemudian anda melakukan Experimental Design untuk menjawab beberapa pertanyaan riset. Anda randomly per sekolah meningkatkan gaji guru dan menghitung kualitas pendidikan dengan proxy kehadiran guru. Hasilnya anda mendapatkan bahwa meningkatkan pendapatan guru tidak mempengaruhi kualitas pengajaran. Anda masih memiliki berbagai hipotesis untuk dites. Kami akan membantu anda dengan mengajarkan Causality Inference dan Experimental Design yang diajarkan dalam kurikulum ini. 4. Financial Modeler Anda adalah Financial Modeler dari sebuah perusahaan reksadana. Anda disuruh melakukan anomaly detection dari data Time Series. Anda harus menganalisa industri perbankan. Anda membuat proxy dari kesehatan Bank berdasarkan Basel II, menggunakan variable Capital Adequacy Ratio, Loan to Deposit Ratio, Non Performing Loan dan sebagainya. Menggunakan anomaly detection dari ARMA model, anda mendeteksi pergerakan 3 bulanan yang aneh dari beberapa bank dan memberikan warning kepada Portfolio Manager anda. Anomaly detection dan Time Series Analysis ini anda dapat pelajari di kurikulum ini. 5. Statistician Anda adalah seorang lulusan S1 Statistika kampus ternama di Jayapura. Anda menginginkan belajar materi statistika tingkat S2/S3 namun tanpa harus kuliah. Anda ingin mempelajari Causality menggunakan Potential Outcome ala Bapak Rubin yang melegenda. Bersamaan dengan itu, anda mau mengubah point of view modeling anda menjadi Bayesian seperti Bapak Gelman. Anda mengikuti kelas Bayesian dan Causality Halaman - 15. Contact: [email protected]

pacmann.ai di Pacmann AI, dan tidak pernah menjadi Frequentist kembali. Anda menginginkannya? Anda bisa dengan mengikuti kelas di kurikulum ini. 6. Data Scientist Anda adalah putra-putri terbaik bangsa, seorang lulusan dari kampus paling terkenal di Bandung yang ingin menjadi Data Scientist. Namun anda tahu kalau anda tidak pernah belajar Statistics di kampus, sementara untuk menjadi Data Scientist perlu memahaminya. Anda dapat belajar Statistics dari Probability, Generalized Linear Model, Simulation, hingga Bayesian di kurikulum ini. IV. Grup Materi 3: Machine Learning Berikut adalah kelas-kelas yang ada dalam Grup Materi 3 ini: Grup materi ini juga memiliki 4 elective courses yang terbagi menjadi 2 grup: Grup Materi 3: Machine Learning ini mengajarkan materi Machine Learning dari tingkat dasar hingga tingkat advance yang biasa diajarkan di tingkat S1 dan S2/S3. Kelas-kelas ini adalah skills yang diperlukan jika anda ingin menjadi Data Scientist, Machine Learning Researcher, AI Researcher atau Product Manager dari tim ML. Pada Grup Materi 3: Machine Learning, kami mengajarkan General ML pada kelas Intro Machine Learning dan bagaimana cara automate ML workflow dalam kelas tersebut. ML Cases juga kami ajarkan berupa Credit Scoring, Marketing Optimization, Churn Prediction, dsb. Tujuannya adalah memberikan pengalaman Machine Learning modeling yang menyeluruh bagi seorang Data Scientist. Hal Halaman - 16. Contact: [email protected]

pacmann.ai lainnya adalah mengajarkan Software Engineering Dev Tools kepada para siswa, misal cara menggunakan bash script, git, dll. Machine Learning Modeling: Selanjutnya, kami mengajarkan kelas Deep Learning. Untuk meningkatkan kemampuan komputasi/numerical analysis dari peserta, kami mengajarkan Computational Linear Algebra. Hal ini menjadi dasar untuk belajar Recommender System dan ML Tasks lainnya, misal Ranking atau Metrics Learning. Elective courses: Selanjutnya siswa dapat memilih 2 kelompok kelas dalam elective courses, group 1 adalah kelas yang lebih matematis, group 2 adalah kelas yang tidak terlalu matematis. Siswa dapat memilih kelas yang kalian suka atau sesuai dengan tingkat percaya diri matematika dari setiap siswa. Group 1 berisikan kelas Machine Learning Engineering yang membahas mengenai ML pipeline, Data Warehouse, Model versioning dan sebagainya. Selanjutnya diikuti dengan kelas Optimization pada kasus discrete, linear dan convex untuk Business Optimization. Kemudian diakhiri mempelajari ML dengan point of view baru, yakni Bayesian ML. Jika menginginkan kelas yang tidak terlalu berat, anda bisa memilih grup 2. Anda akan diposisikan sebagai Project Manager/ Product Manager dalam suatu tim analytics. Anda akan mempelajari Project Management untuk project Machine Learning, bagaimana membentuk Data Team, membuat machine learning model yang mengikuti regulasi, dan membuat Digital Transformation dalam sebuah perusahaan. ​Total kelas ​dalam kurikulum ini untuk setiap siswa jika mengambil keseluruhan adalah 12 kelas. Sertifikat: ​Setiap dari kelas akan kami berikan sertifikat keikutsertaan, beserta nilai di dalamnya. Jika siswa mengikuti keseluruhan Grup Materi 3, maka peserta berhak untuk mendapatkan Sertifikasi Machine Learning Researcher dengan melakukan tes terlebih dahulu dari keseluruhan materi. Tes akan berupa pertanyaan dari semua kelas, video-whiteboard interview dari materi-materi kelas, beserta tugas di dalamnya. FAQ​: 1. Q: Apakah kelas ini untuk saya? A: Kelas ini untuk anda atau tidak adalah tergantung dengan kebutuhan anda. Jika anda ingin menjadi peneliti Data Scientist, Product Manager dalam sebuat tim ML, atau menjadi Machine Learning Researcher, maka kelas ini adalah untuk anda. 2. Q: Elective courses manakah yang cocok untuk saya? A: Group 1 adalah kelas yang lebih matematis, group 2 adalah kelas yang tidak terlalu matematis. Siswa dapat memilih kelas yang kalian suka atau sesuai dengan tingkat percaya diri matematika dari setiap siswa. Group 1 berisikan kelas Machine Learning Engineering yang membahas mengenai ML pipeline, Data Warehouse, Model versioning dan sebagainya. Selanjutnya diikuti dengan kelas Optimization pada kasus discrete, linear dan convex untuk Business Optimization. Kemudian diakhiri mempelajari ML dengan point of view baru, yakni Bayesian ML. Jika menginginkan kelas yang tidak terlalu berat, anda bisa memilih grup 2. Anda akan diposisikan sebagai Project Manager/ Product Manager dalam suatu tim analytics. Anda akan mempelajari Project Management untuk project Machine Learning, bagaimana membentuk Data Halaman - 17. Contact: [email protected]

pacmann.ai Team, membuat machine learning model yang mengikuti regulasi, dan membuat Digital Transformation dalam sebuah perusahaan.a. 3. Q: Bagaimana jika saya tidak ingin mengambil salah satu kelas? A: ​Kami mempersilahkan hal ini, karena kebutuhan kelas dari setiap siswa pastilah berbeda. Namun, jika ada 1 course yang tidak diambil dalam Grup Materi 3, maka siswa tidak berhak mengikuti sertifikasi Machine Learning Researcher seperti yang kami jelaskan di atas. 4. Q: Kapankah kelas Grup Materi 3 akan dibuka? A: Kelas Grup Materi 1 akan dibuka di bulan November 2020. 5. Q: Kapankah tes kelas Grup Materi 3 akan dibuka? A: Kelas Grup Materi 1 akan dibuka di awal bulan November 2020. 6. Q: Berapa lama kelas ini akan berlangsung? A: Kelas akan berlangsung dalam 2 bulan. Untuk siapakah kelas-kelas di Grup Materi 3: Machine Learning: 1. Data Scientist Anda adalah seorang lulusan Statistics dari kampus ternama di Bogor. Anda tahu kalau "Jaringan Syaraf Tiruan" adalah Logistic Regression dimasukan ke Logistic Regression dan seterusnya. Anda ingin memahami lebih dalam Machine Learning dan Artificial Intelligence sebagai tools tambahan yang belum pernah diajarkan di kampus. Setelah mengikuti kurikulum ini, anda akan terkejut-kejut, tercerahkan dan terbebaskan dari asumsi/tes-tes statistik dan melakukan predictive modeling dengan leluasa. Anda akan tahu bahwa AutoEncoder adalah sebutan PCA dari Machine Learning. Anda akan tersadar bahwa Recommender System ternyata mirip seperti SVD yang diajarkan oleh dosen anda di kelas Linear Algebra. Dengan mengikuti kurikulum ini, anda akan menjadi sempurna. 2. Recommender System Researcher Anda adalah seorang Data Scientist yang memfokuskan diri untuk membuat Recommender System paling optimal untuk perusahaan tempat anda bekerja. Anda sudah mengaplikasikan yang katanya SOTA Deep Learning dari arXiv. Namun anda menemukan paper dari Rendle dan Yehuda Koren di arXiv:1905.01395, yang mengatakan Matrix Factorization mengalahkan segala Deep Learning. Anda bisa mempelajari Matrix Factorization untuk Recommender System baik implicit dan explicit signal di kurikulum kami. Sesudahnya anda bisa meminta naik gaji dan bonus untuk setiap persen sales yang meningkat dari Recommender System anda. Anda dapat mempelajarinya di kurikulum kami. 3. Machine Learning Auditor Anda adalah seorang Computer Vision Engineer yang bertugas membuat Face Recognition. Anda tersadar ternyata Computer Vision untuk Face Recognition ternyata hanya mengubah cost function dari Siamese Networks menggunakan Halaman - 18. Contact: [email protected]

pacmann.ai Triplet Loss dan loss Metric Learning lainnya. Anda akhirnya tahu bahwa semua wajah bisa di-mining menggunakan self-learning. Namun hal itu tidaklah etis. Anda akan kami marahi dan berikan banyak paper untuk dibaca. Sesudahnya anda bisa mengaudit machine learning bias dari data dan menjadi Machine Learning Ethician untuk comply dengan regulasi pemerintah. Anda bisa mempelajarinya dalam kurikulum ini. 4. NLP dan Computer Vision Researcher/Engineer Anda sudah mempelajari Deep Learning dari Andrew Ng. Ternyata semua orang sudah bisa NLP dan Computer Vision karena menggunakan pretrained model. Akhirnya anda mencoba untuk membuat system end-to-end. Ternyata model anda sering salah karena salah mengenal object baru, i.e out of class recognition. Kemudian anda belajar untuk defense dari serangan out of class itu. Pada akhirnya anda tersadar bahwa untuk membuat sistem yang baik sangat tergantung pada annotator. Anda akan memuja-muja annotator anda. Akhirnya anda juga menjadi annotator dan membuat sistem untuk memvaluasi annotator seperti kata Karpathy. Semua ini bisa anda pelajari secara menyeluruh di kurikulum kami. 5. Product/Project Manager Machine Learning Anda adalah satu-satunya seseorang berkemeja di tengah pria dan wanita menggunakan kaos Linux, Kubernetes, dan Tensorflow. Menjadi seorang manager ML/DS, anda tersadar bahwa project ML penuh dengan trial and error. Kami akan mengajarkan anda memvaluasi kemungkinan keberhasilan sebuah project tanpa memberikan over promise kepada users, menganalisa business value yang diberikan dari setiap project, serta mengoptimalkan hasil dengan resources terbatas. Kami juga mengajarkan bagaimana membangun tim yang diinginkan oleh seorang researcher/ML engineer/ data scientist yang penuh dengan keterbukaan, memberikan kesempatan belajar dan trial-error untuk setiap individu di dalamnya. Kami berusaha membuat anda menjadi seseorang yang kami inginkan, data scientist dan ML researcher, untuk selalu bisa bekerja bersama anda. Halaman - 19. Contact: [email protected]

pacmann.ai TES & PRASYARAT Beberapa hal yang harus dimiliki dan dipenuhi oleh calon peserta untuk dapat mengikuti kelas dari awal, yaitu: ● Anda maximal hanya diperbolehkan mengikuti 2 kelas dalam 2 bulan. ● Memiliki ketersediaan waktu minimal 10 jam/minggu untuk mengikuti kelas, membaca buku dan mengerjakan tugas ● Memiliki komputer dengan spek yang mumpuni (Lihat ​Bag. Perangkat​ pada Brosur ini) ● Memiliki akses ke internet yang stabil ● Kelas dan slide nantinya akan menggunakan bahasa Indonesia, namun rujukan buku kami adalah dalam bahasa Inggris. Sehingga peserta butuh memiliki kemampuan membaca dalam bahasa Inggris ● Kemampuan matematika dasar. Untuk memastikan kemampuan matematika dan bahasa inggris siswa, Pacmann akan melakukan ​tes kemampuan dasar. Untuk mempersiapkan diri menghadapi tes tersebut peserta dapat mempelajari ​materi tes​ yang terdapat di website kami. Apabila peserta tidak lulus tes, peserta dapat kembali mengikuti tes pada ​batch ​berikutnya. Kami akan menyarankan peserta untuk mempelajari ​materi tes yang sudah kami publikasikan pada website kami sebagai persiapan. Jika sudah lulus, sesudahnya kami akan mengundang peserta untuk mengikuti kelas kami. Apabila peserta merasa sudah mampu dan ingin melewatkan kelas yang dirasa telah dikuasai, selain tes kemampuan dasar, kami akan melakukan tes kemampuan akan kelas prasyaratnya terlebih dahulu. ​Contoh​, untuk mengikuti kelas ​Applied Linear Algebra yang terdapat dalam ​Blok Statistics​, kami akan melakukan tes terkait: ● Calculus1 ● Calculus2 ● Probability1 ● Probability2 Halaman - 20. Contact: [email protected]

pacmann.ai WAKTU PEMBELAJARAN 1. Kelas akan dilaksanakan selama 2 bulan dengan 2 Jam Belajar setiap pertemuannya 2. Terdapat 4 Slot Waktu Pembelajaran yaitu: ● Senin dan Rabu jam 06:30 WIB - 08:30 WIB ● Senin dan Rabu jam 20:00 WIB - 22:00 WIB ● Selasa dan Kamis jam 06:30 WIB - 08:30 WIB ● Selasa dan Kamis jam 20:00 WIB - 22:00 WIB 3. Anda dianjurkan untuk memilih 2 kelas dalam 2 bulan, jika lebih maka akan menurunkan kemungkinan anda untuk dapat menyelesaikan kelas 4. Anda dapat memilih preferensi waktu anda pada Kuesioner Pendaftaran (​Lihat Bag. Pendaftaran​) 5. Kelas akan kami buka sesuai demand peserta, misal Senin dan Rabu jam 20.00 untuk ”Python”: terdapat 150 orang pendaftar untuk kelas kecil, maka akan dibuka 5 kelas. Halaman - 21. Contact: [email protected]

pacmann.ai HARGA *Pembayaran akan dibuka pada tanggal 24 Juli 2020 Paket 1 Kelas Siswa dapat memilih besarnya kelas sesuai dengan preferensi belajar: - KELAS FOKUS ​memberikan kesempatan untuk siswa untuk berinteraksi lebih besar dengan pengajar dan asisten pengajar. - KELAS BESAR ​memberikan kesempatan mengikuti kelas berharga murah. A. Kelas Fokus B. Kelas Besar Halaman - 22. Contact: [email protected]

pacmann.ai Paket 1 Blok *Hubungi kami untuk membentuk paket blok anda sendiri di [email protected] Halaman - 23. Contact: [email protected]

pacmann.ai PENDAFTARAN Pendaftaran dapat anda lakukan melalui link ​https://bit.ly/daftarpacmann Notes ● No Rekening akan kami berikan saat kami membuka pembayaran pada tanggal 24 Juli. ● Apabila peserta tidak lulus tes masuk, maka peserta dapat mengambil tes berulang kali setelah mempelajari ulang materi tes. ● Apabila peserta tetap tidak bisa melewati tes masuk, kami akan mengembalikan uang pendaftaran peserta 100%. Halaman - 24. Contact: [email protected]

pacmann.ai SISTEM BELAJAR Komponen Sistem Belajar Kelas - Ketersediaan kelas tergantung dari jumlah peminat di bulan tersebut. - Setiap kelas memiliki Tim Pengajar yang terdiri dari Dosen dan Asisten Dosen. - Terdapat 2 jenis Kelas yang dibuka berdasarkan preferensi siswa: - Untuk Kelas Fokus ​jumlah peserta per kelas maksimal sebanyak ​30 orang per grup ​agar semua mendapat kesempatan berdiskusi. - Untuk Kelas Besar ​jumlah peserta per kelas maksimal sebanyak ​60 orang per grup Halaman - 25. Contact: [email protected]

pacmann.ai Portal Pembelajaran - Portal Pembelajaran adalah situs web yang kami gunakan untuk membagikan materi, tes dan tugas, serta informasi terkait sesi kelas. - Portal Peserta juga menampilkan progres belajar, pencapaian, serta sertifikat dari tiap peserta yang dapat dibuat ​public​ ataupun ​private​. Materi - Materi merupakan gabungan dari studi literatur perkuliahan dengan pengalaman industri. - Peserta dapat mengakses materi melalui Portal Pembelajaran. Kelas Online Interaktif - Kelas Online Interaktif dilakukan melalui ​video call​ berdurasi 90 menit pada jadwal yang sudah dipilih. - Di akhir sesi akan diadakan tanya jawab serta pemberian tugas atau materi selanjutnya. - Peserta dapat menonton rekaman Sesi Pengajaran melalui Portal Pembelajaran. Forum Diskusi - Peserta dapat mencari atau membuat ​thread ​diskusi berkaitan dengan materi kelas melalui Discourse Pacmann. - Tim Pengajar akan membantu menjawab, mereferensikan materi terkait, atau menutup diskusi jika dianggap tidak relevan. Tes dan Tugas - Sistem penilaian tiap kelas akan berbeda tergantung struktur dari kelas itu sendiri. - Tugas yang diberikan bisa berupa individu atau kelompok. Sertifikasi - Peserta akan mendapat Sertifikat untuk setiap Kelas dan Blok yang diselesaikan. - Sertifikat akan dikirimkan melalui email serta ditampilkan pada halaman profil peserta pada Portal Pembelajaran. Halaman - 26. Contact: [email protected]

pacmann.ai PERANGKAT Secara umum, materi akan disajikan menggunakan bahasa Python namun beberapa kelas mungkin memerlukan perhitungan dengan kertas. Berikut aplikasi pendukung yang diperlukan: Python 3.6+ JupyterLab Kebutuhan komputer untuk menjalankan aplikasi bergantung pada jenis kelas, namun setidaknya aplikasi membutuhkan: ● Windows 7/8/10, Mac, Linux ● Hard Disk 10GB ● RAM 4GB Halaman - 27. Contact: [email protected]

pacmann.ai SERTIFIKAT Kami akan mengirimkan sertifikat melalui email untuk setiap kelas yang diselesaikan peserta. Selain itu tersedia sertifikat blok serta kurikulum jika peserta berhasil melewati uji wawancara. Berikut jenis sertifikat yang bisa didapatkan: Kelas Blok Kurikulum Sertifikat kelulusan untuk setiap kelas. Basic Skills Research Statistics Machine Learning Sekolah Data 2-year Program Contoh Sertifikat Kelas Setiap peserta juga memiliki halaman profil pada Portal Peserta. Jika peserta membuat profilnya menjadi publik, maka kami akan menampilkan: ● Status peserta di setiap kelas dalam kurikulum yang diambil. ● Evaluasi dari Tim Pengajar. ● Statistik aktivitas peserta di forum diskusi. ● Piagam yang mewakili masing masing sertifikat yang didapatkan peserta. ● Atas persetujuan peserta: Rekaman dari uji wawancara. Profil peserta nantinya akan di update untuk menunjukkan bahwa peserta telah lulus dari kelas tersebut, hal ini dilakukan agar peserta dapat mengambil kelas lanjutan apabila kelas dimana peserta lulus merupakan sebuah kelas prasyarat Desain dari sertifikat dan halaman profil dapat berubah sewaktu-waktu. Halaman - 28. Contact: [email protected]

pacmann.ai PROFIL REVIEWER & PENGAJAR Adityo Sanjaya ● CEO, Pacmann AI ● Taught Machine Learning & Data Modelling since 2015 ● Experienced in building: ○ Credit Scoring, Recommender System, NLP, & Computer Vision ○ Mathematical Optimization ○ ML Platform Novri Suhermi ● Lecturer, ITS Surabaya ● PhD Statistics, Lancaster University ● MS Applied Mathematics, Université Paris Diderot – Paris 7 ● MS Statistics, ITS Surabaya ● GradStat Award, Royal Statistical Society UK ● Data Analyst, Kaskus & GDP Labs Rudi Prihandoko ● Lecturer, UGM ● S1 & S2 Matematika, ITB ● Pembina Indonesia Mathematical Olympiad, 2012-2020 ● Third Prize, International Math Competition 2011 ● Honorable Mention, International Math Competition 2009 ● Honorable Mention, International Math Olympiad 2007 * Reviewer dan Pengajar lainnya akan segera bergabung Halaman - 29. Contact: [email protected]

pacmann.ai FAQ Kategori: Fasilitas 1. Q: Apakah Pacmann dapat membantu saya mendapatkan pekerjaan? A: Untuk saat ini, kami tidak menyediakan layanan untuk membantu pengembangan karir anda, namun kami akan memberi pemberitahuan apabila ada hal yang berubah. 2. Q: Apa kami diberikan akses untuk dapat berkomunikasi dengan tutor? A: Anda bisa berdiskusi dan bertanya saat kelas, bukan sekedar menonton video saja. Melalui platform kami, anda dapat berdiskusi pada forum Discourse dan mendapat feedback dari dosen, asisten dosen, maupun peserta lain. 3. Q: Apakah ada sesi khusus 1-on-1 semacam asistensi dengan dosen atau asisten dosen? A: Untuk sekarang diskusi dan tanya jawab hanya bisa dilakukan saat kelas ataupun melalui forum discourse. Namun untuk kedepannya kami mempertimbangkan penyediaan sesi khusus asistensi. 4. Q: Jam dari kelas tidak sesuai dengan waktu saya. Bisakah saya meminta kelas privat dengan waktu saya sendiri? A: Mohon maaf, namun kami tidak dapat mengakomodasi kelas privat untuk saat ini. Apabila siswa terlambat atau tidak bisa menghadiri kelas karena alasan tertentu, akan terdapat recorded video dari pertemuan yang telah berlangsung. Kategori: Materi 1. Q: Kenapa kurikulumnya begitu banyak? A:​ Untuk memberikan kemampuan yang rigor terhadap berbagai jenis modeling yang dibutuhkan oleh industri. Juga untuk menghindari terbentuknya seseorang yang memiliki kemampuan data modeling yang dapat membuat model namun memiliki pemahaman teori dan analisis yang terbatas. 2. Q: Mengapa setengah kelasnya seperti kuliah S1 statistik? A: ​Kurikulum awal kami memang didesain mirip dengan S1 Statistika di Indonesia. Dengan menyelesaikan setengah kelas kami, peserta diharapkan mampu membuat desain dan analisis eksperimen serta A/B testing sesuai kebutuhan industri. Halaman - 30. Contact: [email protected]

pacmann.ai 3. Q: Lalu apakah dengan menyelesaikan setengah kelas bisa dibilang sudah menyelesaikan S1 statistika? A:​ Seharusnya pengetahuan yang dimiliki akan seimbang dengan lulusan S1 Statistik, meskipun tidak memiliki ijazah. 4. Q: Apa yang membedakan belajar Machine Learning dari Pacmann AI? A:​ Kami mempersiapkan materi yang komprehensif mulai dari teori akademik hingga praktis yang mencakupi tingkat fundamental hingga advanced. Karena itu dibutuhkan waktu yang cukup panjang. Setelah menyelesaikan kurikulum, peserta seharusnya dapat: ● Membuat dan menganalisis model Machine Learning. ● Melakukan optimasi pada model yang telah dibuat. ● Merancang Machine Learning Product, mulai dari metrik bisnis hingga metode evaluasi. ● Membuat Machine Learning Platform sebagai sistem pengaturan dan pengawasan dari Machine Learning Product. Pada posisi ini, kemampuan peserta seharusnya sudah setara dengan Senior DS. Di luar itu, terdapat kelas electives dimana peserta dapat mempelajari bidang yang lebih spesifik seperti: ● Data Initiatives untuk persiapan posisi manajerial seperti VP Data Science. ● Masalah yang spesifik di industri tertentu seperti Credit Scoring dan Forensic. ● Optimasi matematis seperti pengaturan distribusi barang, Vehicle Routing Problem, penjadwalan, dll. 5. Q: Apa materi berkesinambungan dan harus diikuti berurutan? A:​ Jika anda ingin mendapatkan ​sertifikat blok​ maka anda harus menyelesaikan seluruh kelas pada blok materi yang anda pilih, tapi akan ada beberapa mata kuliah pilihan/elective yang tidak wajib diikuti namun tetap kami sarankan agar anda lebih mendalami materi. Alasan lainnya adalah untuk memberikan kesempatan bagi anda untuk mengambil kuliah yang disukai Kategori: Proses Belajar 1. Q: Siapakah nantinya yang akan mengajar? A:​ Yang akan mengajar adalah tim kami yang merupakan ahli dari subjek yang ia ajarkan, mereka adalah praktisi dari industri maupun academia Halaman - 31. Contact: [email protected]

pacmann.ai 2. Q: Apakah saya harus mengikuti semua kelas atau saya bisa memilih beberapa kelas saja? A:​ Kalian tidak wajib untuk mengikuti semua kelas, Apabila peserta merasa sudah mampu dan ingin melewatkan kelas yang dirasa telah dikuasai, kami akan melakukan tes prerequisites/ kemampuan anda di kelas prasyaratnya terlebih dulu. 3. Q: Apa kelas harus diikuti secara berturut-turut? A:​ Tidak, anda dapat mengikuti kelas di bulan ini, lalu bulan depannya tidak ikut mungkin karena alasan tertentu. Dan anda bisa melanjutkan progress anda pada bulan berikutnya 4. Q: Apa setiap kelas akan dilaksanakan secara rutin setiap bulannya? A:​ Kelas akan​ dibuka per bulan terus menerus.​ Ada 4 blok materi, per bulan akan dibuka beberapa kelas per blok. Jadi anda bisa mengambil kelas setiap bulan, dengan catatan bahwa terlaksananya suatu kelas bergantung pada demand dari pasar. 5. Q: Bagaimana keberlanjutan kelas jika ditengah pelaksanaan siswa berkurang hingga di bawah kuota ataupun tidak banyak yang dapat menghadiri kelas? A:​ Kelas akan tetap dilanjutkan, tidak ada ruginya untuk kami. 6. Q: Apa ada dokumentasi dari setiap pertemuan untuk dipelajari kembali A:​ Kami merekam setiap sesi kelas. Anda bisa menonton kelas yang kami rekam tersebut jika kalian tidak hadir. Anda juga bisa bertanya via discourse website kami. 7. Q: Apa saya dapat berpindah - pindah jam kelas? A:​ Anda tidak bisa berpindah jadwal jika kelas sebelumnya terlewati. Misal kelas Probability Theory​ terlewati di pagi hari. Teman-teman tidak bisa pindah dan bergabung di kelas malam hari. Hal ini agar rasio pengajar/siswa tetap sama di setiap kelas. 8. Q: Apakah kami akan mendapatkan e-book/modul materi? A:​ Buku rujukan yang kami gunakan dapat diakses di open source. 9. Q: Apa yang membedakan belajar dengan Pacmann dengan tempat lain ? A:​ Tidak seperti tempat belajar lain yang hanya membahas sepenggal materi kuliah, melalui platform kami anda bisa berdiskusi dan bertanya, mendapat feedback, serta membuat portofolio dari pembelajaran yang terstruktur bukan sekedar menonton video saja. Kelas akan dilaksanakan secara mendetail dan seperti mata kuliah yang ada di kampus. Halaman - 32. Contact: [email protected]

pacmann.ai 10.Q: Bisakah saya mendapatkan pengembalian uang jika saya memutuskan Sekolah data tidak cocok untuk saya? A:​ Kami ingin mendukung dan membantu anda untuk mencapai kesuksesan yang Anda inginkan. Kami akan mengembalikan uang anda 100% apabila kelas kami tidak sesuai dengan standar yang telah kami janjikan seperti yang tercantum pada form syarat dan ketentuan (form akan kami berikan pada saat anda melakukan pembayaran) Namun jika kami menyelesaikan kelas sesuai dengan standar, Anda dapat menarik diri dari suatu program dan akan mendapatkan persentase pengembalian berdasarkan waktu yang telah berlalu Lamanya Kelas dalam hitungan Minggu Biaya yang dikembalikan 0 50% 4 0% Halaman - 33. Contact: [email protected]

pacmann.ai PROFIL PERUSAHAAN PACMANN AI merupakan sebuah research startup dengan fokus area penerapan dan pengembangan machine learning algorithms. Kami telah membuat berbagai macam servis Machine Learning di masa lalu terkait Computer Vision, Recommender System, Credit Scoring, Vehicle Routing Optimization dan lainnya. Kami juga aktif menyebarluaskan pengetahuan dan kemampuan analisa pola data dengan menggunakan machine learning. Pelatihan dan Seminar Pelatihan kami berawal dari inisiatif pembuatan kelas machine learning gratis di berbagai lokasi di Indonesia dengan dukungan dari beberapa kampus dan perusahaan. Langkah ini dilanjutkan dalam bentuk pelatihan serta seminar, gratis dan berbayar, meliputi sisi praktis maupun teoritis dari data science untuk pemula maupun tingkat lanjut. Hingga saat ini, kami telah mengadakan 15+ pelatihan dan seminar dengan lebih dari 500 orang peserta yang materinya meliputi Machine Learning, Statistics, Data Science, Recommender System, hingga ML Engineering. Konsultansi Sebagai konsultan, kami berpengalaman mendesain solusi, mengembangkan model, serta mendeploy sistem untuk berbagai industri. Hal ini tidak hanya terbatas pada model machine learning saja, tapi juga mencakupi optimasi bisnis, perencanaan sistem, serta berbagai layanan lainnya. Tim kami berpengalaman dalam mengerjakan: Scoring System - Credit Scoring - Customer Valuation Optimization - Product Distribution Optimization - Truck Routing Optimization - Multi Objective Optimization Computer Vision - Face, People, & Crowd Detection - Pest Detection - Self-learning Computer Vision Business Process Reengineering Statistics - Causality Inference - A/B Testing - Optimal Decision Making Time Series - Tourist Visit Prediction - Price Prediction Natural Language Processing - Media Monitoring - Machine Translation Machine Learning Platform Halaman - 34. Contact: [email protected]

pacmann.ai PESERTA KELAS SEBELUMNYA Halaman - 35. Contact: [email protected]

pacmann.ai TESTIMONI “Kurikulum yang disajikan sangat komprehensif, mencakup basic skill sampai yang sangat advance, yang bahkan tidak dipelajari secara umum di bangku Universitas.” Bimandra Djaafara Researcher, Eijkman-Oxford Clinical Research Unit. PhD Student at Imperial College London “Salah satu kelas machine learning terbaik yang pernah saya hadiri, bahkan lebih bagus jauh daripada kelas machine learning kampus saya (NUS, Computer Engineering Department).” Prasetya Dwicahya Analyst, World Bank “Saya harus bilang terima kasih atas bantuannya diajarkan ML ke Pacmann AI. Setelahnya saya bisa ikut bergabung ke research group dosen saya di Elektro ITB dan mendapat banyak sekali tawaran pekerjaan ML researcher, terlebih di Computer Vision. Saya sangat merekomendasikan kelas Pacmann AI.” Prajogo Atmaja Institut Teknologi Bandung Halaman - 36. Contact: [email protected]