Pelatihan dan Uji Kompetensi BNSP Skema untuk Data Scientist dengan Spesialisasi di Bidang Machine Learning Terapan

19-Dec-2025

Pembuat : Admin Mobile Faculty

Kategori : Media Pembelajaran

Pelatihan dan Uji Kompetensi BNSP Skema untuk Data Scientist dengan Spesialisasi di Bidang Machine Learning Terapan

Pendahuluan:
Pelatihan ini membekali peserta dengan kompetensi praktis dalam menerapkan algoritma machine learning untuk berbagai kasus bisnis nyata. Dirancang berdasarkan kurikulum BNSP, peserta akan mempersiapkan diri menghadapi uji kompetensi resmi sebagai Data Scientist bersertifikasi.

Tujuan Program:
1. Menguasai algoritma machine learning untuk klasifikasi dan regresi.
2. Membangun pipeline model machine learning dari data mentah hingga deployment awal.
3. Memahami evaluasi model dan metrik performa sesuai standar industri.

Sasaran Peserta:
Insinyur data, analis bisnis, developer, dan profesional IT yang ingin mendalami machine learning secara terstruktur dan tersertifikasi BNSP.

Unit Kompetensi Skema:
1. Kode: DAT.ML02.001.01 | Nama Unit: Menerapkan Algoritma Pembelajaran Mesin Supervised
2. Kode: DAT.ML02.002.01 | Nama Unit: Menerapkan Algoritma Pembelajaran Mesin Unsupervised
3. Kode: DAT.ML02.003.01 | Nama Unit: Menilai Kinerja Model Machine Learning
4. Kode: DAT.ML02.004.01 | Nama Unit: Menerapkan Teknik Feature Selection dan Engineering
5. Kode: DAT.ML02.005.01 | Nama Unit: Mengintegrasikan Model ke dalam Sistem Aplikasi

Penutup:
Harga pelatihan ini adalah Rp 10.000.000 per peserta dengan minimal peserta sebanyak 15 orang agar pelatihan dapat dilaksanakan.

Hashtag:

data scientist BNSP machine learning supervised learning unsupervised learning model evaluation feature engineering classification regression clustering random forest SVM decision tree KNN naive bayes neural networks deep learning cross-validation hyperparameter tuning scikit-learn XGBoost TensorFlow Keras model deployment AI ethics predictive analytics data labeling ensemble methods overfitting underfitting confusion matrix precision recall F1 score ROC curve AUC model interpretability SHAP values data pipeline MLOps dasar cloud AI Google AI Platform Azure ML Amazon SageMaker data science workflow data preprocessing train-test split bootstrapping bagging boosting AI for business automated model selection real-world AI applications