Ulasan MOOC: Machine Learning (Georgia Tech @Udacity)

Ulasan

Judul/Tautan

Machine Learning by Georgia Tech on Udacity

Catatan: Udacity juga mempunyai kursus lain yang lebih komprehensif, yaitu Machine Learning Engineer Nanodegree (berbayar), yang tidak hanya lebih lengkap dan berdurasi lebih panjang, tapi juga dilengkapi praktek pemrograman dan dukungan mentor yang lebih baik.

Pengajar

  • Prof. Charles Isbell, Georgia Institute of Technology
  • Prof. Michael Littman, Brown University

Tingkat

Pemula / Menengah

Biaya

Gratis

Durasi

  • 16 minggu
    • Dengan asumsi rata-rata komitmen belajar 6-8 jam per minggu
    • Waktu belajar fleksibel

Format

Kursus online (MOOC) dengan kuis interaktif. Tidak ada kuis yang dinilai ataupun tugas pemrograman.

Penilaian Saya

starf16starf16starf16starf16stare16 (4)

Penilaian oleh Situs Lain

  • Class Central: starf16starf16starf16starf16starf16 (rating 5.0 oleh 4 murid) (lihat review)
  • Course Talk:    N/A             (belum ada review) (lihat laman)

Status Saya

Tidak menyelesaikan kursus secara penuh (hanya bagian reinforcement learning dan sedikit supervised learning)

Ikhtisar

Kursus ini mencakup materi yang sangat lengkap di bidang ML, membahas ketiga bidang utama yaitu supervised, unsupervised, dan reinforcement learning. Seperti Anda lihat di lingkup materi di bawah, ada banyak modul pelajaran (lesson) yang dicakup di masing-masing bidang tersebut. Masing-masing modul berupa kumpulan video singkat yang total panjangnya sekitar 45 menit – 1.5 jam, dan diselingi kuis interaktif. Total durasi video kursus ini sendiri ada lebih dari 25 jam.

Pembahasan di masing-masing topik cukup lengkap, disertai isu-isu yang relevan dan formula-formula yang menyertai teorinya. Anda akan cukup mendapat pengetahuan awal tentang topik yang dijelaskan tersebut.

Namun demikian, pembahasan tiap topik tidak akan terlalu dalam atau detil sampai Anda mengerti bagaimana cara memrogramnya dan mengatasi permasalahan yang mungkin timbul. Pembahasan akan berhenti pada formula, dan mungkin para pengajar mengasumsikan kita sudah tahu bagaimana mengaplikasikan formula tersebut dalam bahasa pemrograman yang kita pakai.

Dibanding kursus Machine Learning oleh Stanford University yang sudah saya ulas di sini, maka kursus dari Stanford jauh lebih detil dan mendalam. Tapi ada lebih banyak topik yang dibahas di kursus dari Georgia Tech ini.

Dengan demikian maka untuk pemula, kursus ini cukup baik untuk mendapat gambaran tentang topik-topik yang tidak dibahas di kursus ML oleh Stanford (misalnya topik tentang reinforcement learning). Tapi pemula jangan harap bisa langsung koding setelah mengikuti kursus ini.

Mungkin kursus ini lebih cocok untuk keahlian tingkat menengah yang sudah mahir dengan penggunaan formula dan bisa langsung menerapkannya dalam bahasa pemrograman tanpa perlu penjelasan yang detil.

Persyaratan

  • starh16 Walaupun disebutkan bahwa murid diharapkan sudah mengerti Probability Theory, Linear Algebra dan Statistics, menurut saya ini tidak terlalu diperlukan (sedikit pengenalan sudah cukup) kalau tujuan Anda untuk sekedar mendapat introduksi ke topik-topik yang dicakup dalam kursus. Sedangkan kalau tujuan Anda ingin benar-benar mengerti dan bisa memraktekkan topik-topiknya, maka menurut saya sebaiknya pilih kursus lain karena pembahasan di sini tidak terlalu detil.

Lingkup Materi

Dengan total durasi video lebih dari 25 jam, lingkup materi yang diajarkan sangatlah lengkap:

  • starf16 Supervised learning:
    • starf16 Lesson 1: Decision Trees
    • starf16 Lesson 2: Regression and Classification
    • starf16 Lesson 3: Neural Networks
    • starf16 Lesson 4: Instance-Based Learning
    • starf16 Lesson 5: Ensemble B&B
    • starf16 Lesson 6: Kernel Methods and Support Vector Machines (SVM)s
    • starf16 Lesson 7: Computational Learning Theory
    • starf16 Lesson 8: VC Dimensions
    • starf16 Lesson 9: Bayesian Learning
    • starf16 Lesson 10: Bayesian Inference
  • starf16 Unsupervised learning:
    • starf16 Lesson 1: Randomized optimization
    • starf16 Lesson 2: Clustering
    • starf16 Lesson 3: Feature Selection
    • starf16 Lesson 4: Feature Transformation
    • starf16 Lesson 5: Information Theory
  • starf16 Reinforcement learning:
    • starf16 Lesson 1: Markov Decision Processes
    • starf16 Lesson 2: Reinforcement Learning
    • starf16 Lesson 3: Game Theory

Penilaian untuk lingkup materi: starf16starf16starf16starf16starf16

Pengajaran

  • starf16 Cara mengajar relatif non-formal, semua materi berupa tulisan tangan pada slides sehingga mungkin ada sedikit kesan kurang dipersiapkan dengan baik. Para pengajarnya sangat kompak dan cukup kocak.
  • stare16 Formula-formula yang susah tidak terlalu dijabarkan sehingga pemula akan kesulitan untuk mengikuti. Mungkin memang kursus ini tidak terlalu cocok untuk pemula.
  • stare16 Tidak ada PDF dari slides yang bisa diunduh
  • stare16 Tidak ada print-out materi

Penilaian untuk pengajaran: starf16starf16stare16stare16stare16

Pemrograman

Rating untuk pemrograman: starf16starf16stare16stare16stare16

Dukungan

  • starh16 Ada forum untuk diskusi, tapi rasanya jarang yang bertanya di sana dan banyak pertanyaan yang tidak dibalas.

Rating untuk dukungan: starf16stare16stare16stare16stare16

 

Silabus

Silabus (atau lihat silabus di laman kursus ini):

Supervised Learning

  • Lesson 0: Machine Learning is the ROX
  • Lesson 1: Decision Trees
  • Lesson 2: Regression and Classification
  • Lesson 3: Neural Networks
  • Lesson 4: Instance-Based Learning
  • Lesson 5: Ensemble B&B
  • Lesson 6: Kernel Methods and Support Vector Machines (SVM)s
  • Lesson 7: Computational Learning Theory
  • Lesson 8: VC Dimensions
  • Lesson 9: Bayesian Learning
  • Lesson 10: Bayesian Inference

Unsupervised Learning

  • Lesson 1: Randomized optimization
  • Lesson 2: Clustering
  • Lesson 3: Feature Selection
  • Lesson 4: Feature Transformation
  • Lesson 5: Information Theory

Reinforcement Learning

  • Lesson 1: Markov Decision Processes
  • Lesson 2: Reinforcement Learning
  • Lesson 3: Game Theory
  • Lesson 4: Game Theory, Continued

 

Cuplikan

Berikut cuplikan video dari sesi pelajaran agar Anda lebih bisa membayangkan suasana pelajarannya. Anda bisa klik di videonya untuk mengikuti sendiri sesinya.

Perkenalan di sesi awal kursus. Mereka berdua sangat kompak dan kocak sekali. Tapi kadang kalau mereka sudah keasyikan berdiskusi, jadi lupa kalau muridnya adalah pemula yang nggak ngerti apa yang lagi diomongin hehe

 

Cuplikan sebuah video dari modul 4 tentang pengenalan neural network. Anda bisa klik video di atas untuk merasakan sendiri sesi kelasnya.

 

Cuplikan lain dari modul 4 tentang neural network. Seperti Anda lihat, slidenya ditulis secara “live” oleh pengajar, jadi suasananya jadi mirip kelas “beneran”. Bagi yang sudah mengikuti kelas ML nya Prof Andrew Ng mungkin akan merasa bahwa penyampaian materinya sedikit kurang rapi.

 

ml-udacity-interactive-quiz
Contoh kuis interaktif di Udacity, yang terintegrasi dengan slide pelajaran. Namun kalau ada terlalu banyak kuis di satu modul, menurut saya akan mengganggu alur pelajaran

 

ml-udacity-forum
Forum diskusinya kurang terorganisir dan mungkin bercampur dengan peserta dari kursus ML yang lain. Ada banyak pertanyaan yang belum dibalas setelah beberapa hari.
Iklan

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout /  Ubah )

Foto Google+

You are commenting using your Google+ account. Logout /  Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout /  Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout /  Ubah )

Connecting to %s

Buat situs web atau blog gratis di WordPress.com.

Atas ↑

%d blogger menyukai ini: