Pelatihan dan Uji Kompetensi BNSP Skema untuk Data Scientist dengan Fokus pada Automated Machine Learning (AutoML)

28-Dec-2025

Pembuat : Admin Mobile Faculty

Kategori : Media Pembelajaran

Pelatihan dan Uji Kompetensi BNSP Skema untuk Data Scientist dengan Fokus pada Automated Machine Learning (AutoML)

Pendahuluan:
Program ini mengangkat kompetensi BNSP untuk Data Scientist yang menggunakan AutoML dalam mempercepat pembangunan model machine learning tanpa kehilangan akurasi.

Tujuan Program:
Membekali peserta dengan kemampuan menggunakan framework AutoML seperti Google AutoML, H2O.ai, dan Auto-sklearn untuk deployment model cepat dan efisien.

Sasaran Peserta:
Data scientist, analis data, dan pengembang yang ingin mengotomatisasi proses pemodelan.

Unit Kompetensi Skema:

  • 1. KD.010001.003.01 - Membangun Model Prediktif Menggunakan Machine Learning
  • 2. KD.010001.051.01 - Menerapkan Teknik Automated Machine Learning
  • 3. KD.010001.052.01 - Mengelola dan Mengoptimalkan Proses AutoML
  • 4. KD.010001.005.01 - Mengevaluasi dan Mengoptimalkan Model Data Science
  • 5. KD.010001.002.01 - Menerapkan Teknik Cleansing dan Transformasi Data
  • 6. KD.010001.001.01 - Mengumpulkan dan Mengelola Data dari Berbagai Sumber
  • 7. KD.010001.006.01 - Menyusun Laporan dan Rekomendasi Berbasis Data

Penutup:
Biaya pelatihan dan uji kompetensi sebesar Rp10.000.000 per peserta dengan minimal peserta 15 orang. Termasuk akses ke platform AutoML, praktik deployment, dan sertifikasi.

Hashtag:

data scientist BNSP AutoML automated machine learning Google AutoML H2O.ai Auto-sklearn model automation machine learning pipeline model selection hyperparameter tuning feature engineering automation neural architecture search NAS model optimization rapid prototyping low-code AI no-code AI model deployment model monitoring model retraining AI democratization AI accessibility machine learning efficiency AI productivity automated data science black-box model model interpretability explainable AutoML model validation cross-validation algorithm selection ensemble methods model performance model accuracy bias-variance tradeoff AutoML tools AutoML platform BNSP AutoML data science automation AI efficiency AutoML adoption AI innovation automated analytics model lifecycle