Introduction Python for Data Science

Certificate of completion (supplied by PasarTrainer)

Training Material

* Menguasai pemanggilan dan penggunaan build-in functions & modules.

This module explains an overview of Function.


Modul 3. Build-in functions & modules

Mean, median, modus, geometric mean, harmonic mean, 5-number summary

This module explains an overview of Descriptive Statistics.


Module 41.Perkenalan statistika deskriptif

* Memahami teori naive bayes dan implementasinya

This module explains an overview of Classification.


Module 58. Classification 2 Naive Bayes

This module explains an overview of Visualisation.


Module 25. Visualisation 1	 Perkenalan

* Pengenalan, instalasi & import, mengenal data dengan pandas

This module explains an overview of Pandas.


Module 12. Pandas 1	Introduction

This module explains an overview of Supervised Learning.


Module 51. Supervised Learning	

* Dapat menginstal Python 3
* Dapat menginstal Anaconda
* Dapat menggunakan Jupyter Notebook
* Memahami cara menggunakan variabel serta aturan penamaan variabel dalam Python
* Mengetahui tipe data float & integer dan dapat melakukan konversi tipe data
* Mengetahui tipe data String dan menguasai operasi pada string seperti penggabungan dan update
* Mengetahui tipe data List dan menguasai slicing, updating, dan adding data dalam list
* Mengetahui tipe data Tuple
* Mengetahui tipe data Dictionary dan dapat mengubah dan menghapus data dalam dictionary 
* Mengetahui tipe data Boolean

Perkenalan konsep data science dan profesi yang berhubungan dengan data science.


Module 1. Introduction Data Science and Python 

* Memahami konsep finalisasi model sebelum di-export

This module explains an overview of Model Deployment.


Module 67. Model Deployment	Model Finalization

* Mengenal series, megubah index & values pada series, mengubah dic menjadi series

Module 13. Series

* Memahami konsep HTML dan CSS untuk membuat Static Website

Module 68. HTML & CSS

* Menguasai cara menginstal package dan penggunaannya

This module explains an overview of the Function.


Module 4. Package

* Memahami struktur while loop dan kondisi break, contine, pass, else 
* Memahami struktur for loop dan pengimplementasiannya dalam nested loop


Module 2. Percabangan dan Perulangan	(While loop  dan	For loop )

* Memahami teori decision tree dan implementasinya

Module 59. Decision Tree

Module 52. Regression 

This module explains an overview of Descriptive Statistic.


Module 42. Measure of central tendency

Modul 26. Graphical heuristic

* Memahami dan dapat mengimplementasikan Flask

Module 69. Flask

Module 43. Measure of spread/dispersion

Modul 27. Dataset for visualisation

* Mempelajari linear regression dan implementasinya

Module 53. Linear Regression

Module 60. Random Forest

* Memahami cara membuat virtual environment
* Membuat dan memanggi fungsi sederhana

Module 5. Virtual environment

* Mengenal dataframe, membuat dataframe, mengakses index & values pada dataframe

Module 14. DataFrame

Quiz

* Mempelajari multiple regression dan implementasinya

Module 54. Multiple regression

Module 61. SVM

Module 28. Line plot

* Dapat melakukan deployment Model dengan Flask ke Heroku

Module 70. Heroku Deployment

Module 44.  Skewness

* Mengakses values pada series, looping, dan menggabungkan series

Module 15. Querying series

* Mengakses values pada dataframe, menambahkan kolom, extract kolom

Module 16. Querying dataframe

This module explains an overview of Unsupervised Learning.


Module 62. Unsupervised Learning	

Module 29. Area plot

Membuat Machine Learning Model dengan dataset nyata.

Final Project

This module explains an overview of Numpy.


Module 6. Numpy Introduction

Module 45. Kurtosis

* Mempelajari polinomial regression dan implementasinya

Module 55. Polinomial regression

Module 56. Classification 1	

Module 63. Pricipal Component 

* Implementasi 5 number summary pada dataset Google play app store
* Implementasi central tendency & spread/dispersion

Module 46. Praktik dengan Python

Module 17. Merging dataframe

* Memahami perbedaan Python list & numpy array, inisialisasi numpy array.
* Membuat array, add, remove, short, shape, reshape.

Module 7.  Numpy array

Module 30. Histogram

Module 31. Bar chart

Module 18. Grouping dan Aggregate

* Mengenal matrix 2D dan memahami konversi matrix 1D ke 2D

This module explains an overview of Numpy.

Module 8. Numpy array 2D

Module 64.  PCA

* Mempelajari logistic regression & implementasinya

Module 57. Logistic regression

Quiz 

* Membuat array baru dengan indexing dan slicing

Module 9. Indexing/Slicing

* Memahami probability mass function dan probability density function

This module explains an overview of Inferential Statistics.


Module 47. Inferential Statistic	Probability

Module 65. Clustering

Module 32. Pie chart

Module 58. KNN

This module explains an overview of Pandas.

Module 19. Pandas 2 Data cleansing 

Module 20. Standard missing values

Module 33. Box plot

* Konsep uji hipotesis, error uji hipotesis, implementasi dengan Python

This module explains an overview of Inferential Statistic.


Module 48. Confidence interval

* Melakukan operasi menggunakan operator matematika pada array.

Module 10. Operations

* Mempelajari konsep K-means clustering dan implementasinya

Module 66. K-Means clustering

Module 21. Non standard missing values

* Implementasi shapiro-wilk test, d'agostino's k^2 test, anderson-darling test

Module 49. Hypothesis testing

* Statistik dasar dan implementasi formula matematika dengan Numpy.

Module 11. Statistics with Numpy

Module 34. Scatter Plot

Module 22. Unexpected missing values

* Implementasi pearson, spearman, Kendall, chi-squared test
* Implementasi student's t-test, paired student's t-test, anova
* Implementasi mann-whitney u test, Wilcoxon signed-rank test, kruskal-wallis h test, Friedman test


Module 50. Statistical Hypothesis testing (Normality test, Correlation test, Parametric statistical, Non-Parametric statistical )

Module 35. Visualisation 2  Word cloud

* Rekapitulasi data dan penanganan missing values

Module 23. Summarizing missing values

Module 24. Time Series

Module 36. Folium

Module 37.  Maps dengan marker

Module 38. Choropleth

* Membuat persamaan regresi dengan seaborn

Module 39. Seaborn & regression plot

Module 40. Waffle chart

Intro to Python for Data Science berisi semua hal dasar yang dibutuhkan untuk menjadi seorang Data Scientist. Program berbasis keterampilan ini ditujukan untuk learner, yang ingin belajar python dan ingin menerapkan statistik, machine learning, dan visualisasi informasi melalui toolkit python populer seperti pandas, matplotlib, scikit-learning, seaborn, dan banyak lagi untuk mendapatkan wawasan tentang data yang ada. Dan pada course yang terakhir learner akan belajar semua hal tentang Machine Learning yang akan mendukung kemampuan learner di bidang Data Science. Diharapkan setelah mengikuti Online Program ini learner akan menjadi seorang Data Scientist yang siap menghadapi dunia kerja di bidang Data Science.

Setelah menyelesaikan program ini, peserta akan lebih mampu untuk:
* Menggunakan fungsionalitas serta fitur dari Python yang digunakan untuk data science 
* Memahami Practical Statistics yang digunakan untuk data science 
* Query struktur DataFrame untuk cleaning and processing dataset 
* Membuat visualisasi basic hingga advance untuk representasi data 
* Membuat ML features yang memenuhi kebutuhan analisa data 
* Menggunakan scikit-learn untuk membuat dan evaluasi ML model 
* Mengimplementasikan Supervised dan Unsupervised Learning untuk memecahkan kasus nyata

**Notes**
Minimum 3 Participants, Maximum 20 Participants