Teknik lanjutan data mining — attribute selection (filter vs wrapper), discretization, PCA untuk reduksi dimensi, bagging/boosting/stacking untuk ensemble, text mining dengan TF-IDF, dan semi-supervised learning dengan co-training & EM algorithm.

Panduan lengkap evaluasi model ML secara rigorous — dari train/test split, k-fold cross-validation, bootstrap, confusion matrix, precision recall F1, ROC AUC, hingga cost-sensitive evaluation. Plus kappa statistic dan minimum description length principle.

Implementasi detail algoritma ML klasik — dari 1R (simplest classifier), Naive Bayes dengan probability, C4.5 decision tree dengan information gain, k-NN instance-based learning, hingga K-Means clustering. Disertai contoh perhitungan manual.

Bagaimana machine learning merepresentasikan pengetahuan? Dari decision trees dan classification rules, association rules dengan support & confidence, instance-based learning, hingga clustering. Memahami berbagai skema representasi output dalam data mining.

Pengantar komprehensif data mining dan machine learning — dari perbedaan supervised vs unsupervised, struktur input (konsep, instances, atribut), format ARFF, hingga aplikasi nyata di load forecasting, diagnosis medis, dan marketing. Berdasarkan buku Witten & Frank.

Dari convolutional neural networks untuk pengenalan gambar, RNN/LSTM untuk data sekuensial, hingga transformer architecture dengan self-attention yang mendasari ChatGPT dan model LLM modern. Penjelasan konseptual dengan kode.

Dari perceptron sederhana ke deep neural networks — pahami forward propagation, backpropagation algorithm, gradient descent optimization, activation functions, regularization, dropout, batch normalization, dan tips training deep networks. Materi CS229 + best practices modern.

Panduan komprehensif decision trees dan ensemble methods — dari ID3, CART, entropy & Gini impurity, Random Forest, Bagging, AdaBoost, Gradient Boosting, hingga XGBoost. Dengan penjelasan matematis dan code Python siap pakai.