NLP Engineer
Hybrid lexicon-active learning svm (LeALSVM)
intermediate
0,00
9 jam 0 menit
0 Siswa Terdaftar
Deskripsi
Bagaimana jika analisis sentimen dapat dilakukan dengan data berlabel yang sangat terbatas? Course ini membahas pendekatan Hybrid Lexicon–Active Learning Support Vector Machine (LeALSVM), yaitu metode yang menggabungkan kamus sentimen dan active learning untuk meningkatkan performa klasifikasi. Materi difokuskan pada pemahaman konsep, alur kerja, serta implementasi berbasis Python, sehingga cocok untuk peneliti dan praktisi yang tertarik pada metode NLP hibrid dan efisiensi pelabelan data.
Sasaran Siswa
- Memahami Konsep Hybrid lexicon-active learning svm (LeALSVM)
- Menjelaskan peran lexicon-based approach dan active learning dalam NLP.
- Memahami prinsip kerja Support Vector Machine (SVM) untuk klasifikasi teks.
- Mengintegrasikan lexicon dan active learning dalam kerangka LeALSVM.
- Menerapkan LeALSVM untuk klasifikasi sentimen dengan data berlabel terbatas.
- Mengevaluasi dan menganalisis performa model klasifikasi teks berbasis LeALSVM.
Perangkat yang Dibutuhkan
Prosesor
Intel Core i3 (Rekomendasi Core i5 ke atas)
Sistem Operasi
Windows, Linux, MacOS
Biaya Investasi
Rp 400.000
Metode Ajar
- Self-paced learning
- Total Belajar : 9 jam 0 menit
Instructor
Dr. Ni Wayan Sumartini Saraswati, S.T.,M.T.
Apa yang akan Anda dapatkan
Sertifikat
Dapatkan sertifikat resmi sebagai bukti kompetensi Anda.
Modul
Akses modul pembelajaran lengkap yang mudah dipahami kapanpun.
Forum Diskusi
Diskusi interaktif bersama siswa lainnya.
Kuis
Kuis singkat untuk menguji dan memperkuat pemahaman materi.
Ujian
Ujian akhir untuk mengukur kemampuan dan kelulusan course.
Silabus
Materi yang Anda pelajari di kelas ini
Pengenalan Active Learning
Active Learning (AL) adalah pendekatan yang berbeda. Active Learning adalah sub-bidang dari Machine Learning di mana model diizinkan untuk memilih sendiri data mana yang ingin ia pelajari.
60 Menit
Kategori Active Learning
Ada tiga ketegori dalam active learning, yang pertama Stream-Based, kedua Pool-Based, dan terakhir Membership Query Synthesis.
60 Menit
Strategi Seleksi Data
Ada lima cara untuk melakukan seleksi data, dari yang pertama itu Uncertainty Sampling (Sampling Ketidakpastian), kedua Diversity Sampling (Sampling Keragaman), Query by committee sampling (Sampling Berbasis Komite), Expected Model Change Based Sampling (Sampling Berbasis Perubahan Model), dan yang terakhir Expected Error Reduction (Pengurangan Eror yang Diharapkan).
120 Menit
Implementasi
Implementasi merupakan tahap latihan yang berisikan studi kasus beserta kode yang sudah disediakan untuk melakukan Hybrid lexicon-active learning svm (LeALSVM).
120 Menit
Submission
Submission merupakan tahap akhir di mana peserta diminta mengumpulkan rangkuman pemahaman dan implementasi dari seluruh materi yang telah dipelajari. Pada bagian ini, peserta akan menyelesaikan sebuah tugas akhir yang bertujuan untuk memastikan peserta mampu menerapkan metode secara mandiri, menginterpretasikan hasil analisis, serta menyajikan temuan secara sistematis dan sesuai standar analisis data.
180 Menit