Daftar Proyek Machine Learning untuk Kelas Dicoding

Repository digunakan oleh saya untuk mendokumentasikan semua proyek yang berkaitan dengan machine learning yang diperintahkan di kelas Dicoding. Berikut adalah penjelasan mengenai setiap proyek.

Warning

Repository ini dibuat publik untuk membantu mereka yang merasa kesulitan untuk menyelesaikan proyek submission, dan mereka yang menginginkan referensi dari proyek yang sudah diterima!

SANGAT TIDAK DISARANKAN bagi kalian untuk menyalin seluruh kode, menyalin dan mengubah kata, nama variabel, atau nama fungsi, tidak berusaha sendiri, dan/atau berbagai macam plagiasi yang ada.

Ini dikarenakan akan menyebabkan kalian tidak akan belajar dari pengalaman, tidak memiliki kompetensi dari skill yang dipelajari, submission di tolak, atau lebih buruknya di ban dari platform Dicoding.

1. Belajar Analisis Data dengan Python

Proyek Analisis Data

• ⭐ Bintang: 3

• 🔴 Ditolak: 1x

• 🏆 Penilaian yang Terpenuhi:

  • Memberikan dokumentasi menggunakan markdown/text cell pada notebook.
  • Membuat visualisasi data yang baik dan efektif.

• 💬 Penilaian yang Tidak Terpenuhi:

  • Deploy dashboard ke dalam streamlit cloud.
  • Menerapkan teknik analisis lanjutan seperti RFM analysis, geospatial analysis, clustering, dll.

2. Belajar Machine Learning untuk Pemula

Membangun Proyek Machine Learning

• ⭐ Bintang: 4

• 🔴 Ditolak: 0

• 🏆 Penilaian yang Terpenuhi:

  • Menggunakan minimal 5 fitur untuk proses clustering.
  • Mengimplementasikan 2 algoritma klasifikasi yang berbeda.
  • Meningkatkan akurasi dan F1-Score pada training serta testing set minimal 92%.

• 💬 Penilaian yang Tidak Terpenuhi:

  • Menggunakan dataset dengan minimal 2500 baris.
  • Menerapkan feature selection pada tahap clustering untuk memilih fitur terbaik.
  • Evaluasi akhir pada clustering harus mencapai nilai silhouette score minimal 0.70.

3. Belajar Pengembangan Machine Learning

a. Proyek Analisis Sentimen

• ⭐ Bintang: 4

• 🔴 Ditolak: 0

• 🏆 Penilaian yang Terpenuhi:

  • Akurasi pada training set dan testing set di atas 92%.
  • Melakukan inference atau testing dalam file .ipynb atau .py yang menghasilkan output berupa kelas kategorikal.
  • Memiliki jumlah data minimal 10.000 sampel data.
  • Melakukan 3 percobaan skema pelatihan yang berbeda.

• 💬 Penilaian yang Tidak Terpenuhi:

  • Menggunakan algoritma deep learning.
  • Dataset memiliki minimal tiga kelas.

b. Proyek Klasifikasi Gambar

• ⭐ Bintang: 4

• 🔴 Ditolak: 0

• 🏆 Penilaian yang Terpenuhi:

  • Mengimplementasikan Callback.
  • Memiliki minimal 3 buah kelas atau lebih.
  • Gambar-gambar pada dataset memiliki resolusi yang tidak seragam.

• 💬 Penilaian yang Tidak Terpenuhi:

  • Dataset yang digunakan berisi minimal 10000 gambar.
  • Akurasi pada training set dan testing set minimal 95%.
  • Melakukan inference menggunakan salah satu model.

4. Belajar Pengembangan Machine Learning

Membangun ETL Pipeline Sederhana

• ⭐ Bintang: 5

• 🔴 Ditolak: 0

• 🏆 Penilaian yang Terpenuhi:

  • Membuat ETL Pipeline dengan Prinsip Modular Code (4 pts).
  • Menyimpan Data dalam Repositori Data (4 pts).
  • Menerapkan Unit Test (4 pts).

• 💬 Penilaian yang Tidak Terpenuhi: -

5. Membangun Sistem Machine Learning

Proyek Akhir

• ⭐ Bintang: 5

• 🔴 Ditolak: 1x

• 🏆 Penilaian yang Terpenuhi:

  • Melakukan Eksperimen Terhadap Dataset Pelatihan (4 pts).
  • Membangun Model Machine Learning (4 pts).
  • Membuat Workflow CI (4 pts).
  • Membuat Sistem Monitoring dan Logging (4 pts).

• 💬 Penilaian yang Tidak Terpenuhi: -