Cara menggunakan data preprocessing python kaggle

Mempelajari Algoritma dasar sebagai fundamental awal Pola Pikir Programming dilanjutkan dengan eksplorasi HTML Dan CSS Dasar sebagai Basic pengembangan Website. Lalu mempelajari Javascript untuk implementasi website static - dinamis menggunakan Javascript di Project Portfolio Online, dan terakhir sesi mentoring untuk pembahasan Javascript dan implementasi nya pada Project Portfolio Online. 

Tujuan Umum:

Lulusan program ini mampu mengidentifikasi, menganalisis dan mengembangkan model database dengan Python serta mampu membuat Machine Learning Model untuk memecahkan kasus nyata.

Tujuan Khusus:

• Menggunakan fungsionalitas serta fitur dari Python yang digunakan untuk data science untuk mengidentifikasi dan menganalisis dataset
• Memahami Practical Statistics yang digunakan untuk data science untuk menguji dataset
• Membuat Query struktur DataFrame untuk cleaning and processing dataset
• Membuat visualisasi basic hingga advance untuk representasi data
• Membuat Machine Learning features untuk analisa dan pengujian data 
• Menggunakan scikit-learn untuk membuat dan mengevaluasi Machine Learning model
• Mengimplementasikan Supervised dan Unsupervised Learning untuk memecahkan kasus nyata dari dataset yang diberikan
• Berpikir kritis dan analitis serta memiliki kemampuan berkomunikasi secara efektif

Aspek Kompetensi: 

Pengetahuan (Knowledge):

• Kompetensi : Syntax, data type dari Python.
  1. Materi: Sesi 1 - Fundamental Python
• Kompetensi : Data preparation, handling missing values, serta feature engineering.
  1. Materi: Sesi 2 - Function, Module & Package Python
• Kompetensi : Data Preprocessing dengan Numpy.
• Kompetensi : Visualisasi data dengan Pandas.
  1. Materi: Sesi 4 - Pandas
  2. Materi: Sesi 5 - Data Visualization
• Kompetensi : Statistika Deskriptif.
  1. Materi: Sesi 6 - Practical Statistics
• Kompetensi : Statistika Inferensial.
  1. Materi: Sesi 6 - Practical Statistics
• Kompetensi : Regresi model dan teknik klasifikasi data dengan Python.
  1. Materi: Sesi 7 - Machine Learning
• Kompetensi : Pengerjaan Tugas praktek
  1. Materi: Sesi 8 - Final project: Membuat Machine Learning Classification Model 

Keterampilan (Skill):

• Kompetensi : Dapat mengimplementasikan konsep syntax dan data type dari Python.
  1. Materi: Sesi 1 - Fundamental Python
     
   
• Kompetensi : Dapat melakukan data preparation, handling missing values, serta feature engineering.
  1. Materi: Sesi 2 - Function, Module & Package Python
  2. Materi: Sesi 3 - Numpy
  3. Materi: Sesi 4 - Pandas
• Kompetensi : Dapat membuat visualisasi data dasar dan lanjutan.
  1. Materi: Sesi 5 - Data Visualization
• Kompetensi : Mampu menerapkan statistical treatment terhadap dataset serta mengambil insight.
  1. Materi: Sesi 6 - Practical Statistics
• Kompetensi : Mampu membuat machine learning model untuk memecahkan kasus.
  1. Materi: Sesi 7 - Machine Learning
  2. Materi: Sesi 8 - Final project: Membuat Machine Learning Classification Model

Sikap (Attitude):

• Kompetensi : Komunikasi secara efektif.
  1.  Materi: Sesi 1 - Fundamental Python 
  2.  Materi: Sesi 2 - Function, Module & Package Python
  3.  Materi: Sesi 3 - Numpy
  4.  Materi: Sesi 4 - Pandas
  5.  Materi: Sesi 5 - Data Visualization
  6.  Materi: Sesi 6 - Practical Statistics
  7.  Materi: Sesi 7 - Machine Learning 
  8.  Materi: Sesi 8 - Final project: Membuat Machine Learning Classification Model
• Kompetensi : Berpikir kritis dan analitis.
  1.  Materi: Sesi 1 - Fundamental Python 
  2.  Materi: Sesi 2 - Function, Module & Package Python
  3.  Materi: Sesi 3 - Numpy
  4.  Materi: Sesi 4 - Pandas
  5.  Materi: Sesi 5 - Data Visualization
  6.  Materi: Sesi 6 - Practical Statistics
  7.  Materi: Sesi 7 - Machine Learning 
  8.  Materi: Sesi 8 - Final project: Membuat Machine Learning Classification Model

Materi Pelatihan:

• Sesi 1 - Perkenalan: Pekerjaan Software Developer, Pemrogramman Berbasis Website, Installasi Tools (120:00)
  
  1.  Introduction of Basic Website Development Course & Software Developer (ceramah interaktif- 40:00)
  2.  Web Programming Introduction (40:00)
  3.  Programming Tools with Visual Studio Code (40:00)
• Sesi 2 - HTML dan prakteknya dalam membuat Online Portfolio (120:00)
  
  1.  HTML 5 Introduction (40:00)
  2.  HTML Layout (40:00)
  3.  HTML Form (40:00)
• Sesi 3 - Penggunaan CSS untuk styling serta dasar Git & GitHub (120:00)
  
  1.  CSS Introductions (30:00)
  2.  Latihan Styling your Portfolio Projects (30:00)
  3.  CSS Implementations (30:00)
  4.  Learning Git and GitHub Basics (30:00)
• Sesi 4 - Algoritma (120:00)
  
  1.  Mengenal Algoritma (30:00)
  2.  Mengenal Pseudocode (30:00)
  3.  Conditional Concept (30:00)
  4.  Looping Concept (30:00)
• Sesi 5 - Javascript untuk membuat website menjadi lebih dinamis (120:00)
  
  1.  Javascript Introductions (30:00)
  2.  Function & Events (30:00)
  3.  Javascript Conditional (30:00)
  4.  Javascript Looping (30:00)
• Sesi 6 - DOM dan Regular Expression (120:00)
  
  1.  Document Objek Model - DOM (60:00)
  2.  REGEX (60:00)
   
• Sesi 7 - Melakukan testing & deploy website (120:00)
  
  1.  Website Testing (60:00)
  2.  Website Deployment (60:00)
• Sesi 8 - Final project: Membuat Landing Pages Online Portfolio (60:00)
  
  1.  Goals Setting & Time Managements (10:00)
  2.  Final project (50:00)

Target Peserta:

• Peserta diharapkan telah memahami kemampuan dasar komputer (web browsing, app installation, file navigating).
• Tidak diperlukan pengalaman pemrograman atau pengembangan aplikasi web apa pun sebelumnya.
• Peserta wajib menggunakan komputer/laptop
• Untuk persyaratan device minimal adalah Processor Core i3 gen 6 / Ryzen gen 1 (recommended: Core i5 gen 6 / Ryzen gen 2), RAM minimum 4GB (recommended: 8GB) dan setidaknya ada 100GB storage available. Disarankan menggunakan Unix atau Linux sebagai Operating System, atau Windows 10 dengan WSL2 Ubuntu 18.04 Kernel.

Durasi:

Level:

Basic 

Metode Pembelajaran:

Self Paced Learning: Metode ajar yang digunakan adalah menggunakan kombinasi antara ceramah, studi kasus dan simulasi.

Metode Evaluasi:

• Pre Test
• Post Test
• Formative Test/Kuis
• Tugas Praktik

Jenis/Klasifikasi Sertifikat:

Peserta yang telah menyelesaikan semua kegiatan pembelajaran akan mendapatkan Sertifikat Penyelesaian jika nilai akhir di bawah 60 dan akan mendapatkan Sertifikat Kompetensi Lulus jika nilai akhir di atas 60.

Langkah langkah dalam data preprocessing?

Bagaimana preprocessing jelaskan?

Mengapa data preprocessing diperlukan dalam data mining?