Menengah; mahasiswa tingkat akhir, analis, dan pekerja data

Les Machine Learning Semarang Tutor Visit & Online

Les machine learning Edusora Semarang membuka dengan satu pertanyaan yang memutuskan segalanya: Anda punya contoh berlabel atau nol.

Daftar Sekarang Chat WhatsApp

Les Machine Learning itu seperti apa?

Les machine learning Edusora Semarang membuka dengan satu pertanyaan yang memutuskan segalanya: Anda punya contoh berlabel atau nol. Tanpa contoh yang jawabannya sudah diketahui, hampir nol ada yang bisa dikerjakan, dan sebagian besar peminat punya data tanpa label. Rp160.075 dibayar tiap pertemuan.

Konsultasi & Daftar

Data Program

Untuk siapa

Mahasiswa tingkat akhir, analis, dan pekerja data

Pertanyaan pemutus

Anda punya contoh berlabel atau nol

Kenyataan yang sering mengejutkan

Punya data nol sama dengan punya label

Yang model warisi

Kemiringan yang sudah ada di datanya

Satu angka yang menipu

Ketepatan; ia bisa tinggi sementara modelnya nol berguna

Kekeliruan paling fatal

Menilai model dengan data yang pernah ia lihat

Pendampingan

Perorangan; satu tutor mendampingi Anda

Biaya

Rp160.075 dibayar tiap pertemuan, sembilan puluh menit

2.000+tutor terverifikasi

1-on-1perhatian penuh satu siswa

Ke rumahSemarang atau online

Garansitutor bisa diganti

Assessmentkebutuhan dulu

Terbuka saja

Waktunya sekarang, atau ada yang mendahului

Halaman ini waktunya

Anda punya contoh yang jawabannya sudah diketahui, dalam jumlah memadai
Anda sanggup menulis kode untuk membaca berkas dan mengubah bentuk data
Tugas akhir Anda menuntut model dan Anda perlu mempertahankannya di sidang
Model Anda sudah jalan dan angkanya terlalu bagus untuk dipercaya
Anda perlu model yang dipakai berulang, nol sekali untuk satu laporan

Belajar Machine Learning di rumah atau online

Satu tutor untuk satu siswa, jadwal mengikuti keluarga, mulai dari assessment kebutuhan.

Daftar Sekarang Tanya via WhatsApp

Sebelum memilih

Privat atau bimbel untuk machine learning? Ini bedanya

Fitur	Pilihan terbaikLes Machine Learning Privat EdusoraKe rumah di Semarang	Bimbel Machine Learning Grup	Belajar Machine Learning Sendiri
Perhatian tutor saat belajar machine learning	Penuh, satu untuk satu	Terbagi ke banyak siswa	Tanpa pendamping
Materi machine learning disesuaikan level siswa
Selaras kurikulum sekolah di Semarang		Umum
Latihan soal machine learning terarah		Seragam	Cari sendiri
Jadwal menyesuaikan keluarga di Semarang		Kelas terjadwal
Perkembangan dipantau tiap sesi		Sesekali

Yang Anda terima

Isi pertemuannya, dan apa yang Anda pegang sesudahnya

Satu tutor untuk Anda sajaBerjalan di data Anda sendiri. Kumpulan data latihan yang beredar sudah bersih dan sudah berlabel sejak lahir, jadi ia melewati dua medan yang paling menentukan.
Pemeriksaan label sebelum apa punTermasuk menghitung jumlahnya untuk kejadian yang jarang. Kalau hasilnya nol memadai, itu disampaikan di pertemuan pertama dan arah kelasnya berubah.
Daftar kolom yang wajib dibuangKolom yang nilainya cuma ada setelah kejadiannya terjadi. Ini penyebab model yang terlihat hampir sempurna lalu gagal total, dan ia paling sulit dikenali sendiri.
Bagian data yang disisihkan dan dikunciNol disentuh sampai penilaian terakhir, dengan aturan waktu bila data Anda berurutan. Ia satu-satunya angka yang mendekati keadaan nyata.
Dua angka yang dibaca bersamaanBerapa yang tertangkap dan berapa yang salah tuduh, beserta pilihan di antaranya yang ditimbang dari harga kekeliruan di pekerjaan Anda.
Jawaban untuk pertanyaan pengujiUntuk peserta bertugas akhir. Penguji hampir selalu menanyakan apakah model pernah melihat data yang dipakai menilainya, dan jawabannya disiapkan.

Peta bahannya

Lima medan, dan dua pertama bisa membatalkan sisanya

Dua medan pertama dikerjakan sebelum satu model pun dilatih, dan keduanya bisa berakhir dengan kesimpulan bahwa model nol diperlukan. Itu hasil yang sah, dan ia disampaikan di pertemuan pertama, nol di bulan ketiga.

Memeriksa label dan kelayakan
Yang dibahas. Memastikan ada contoh berlabel, menghitung jumlahnya untuk kejadian yang jarang, serta memeriksa apakah pertanyaannya sungguh menuntut ramalan.
Jebakan umum. Peserta menyangka punya data berarti punya label, padahal catatan penjualan berisi apa yang terjadi dan nol berisi jawaban yang ditanyakan.
Membersihkan dan menyiapkan ciri
Yang dibahas. Merapikan data, menangani nilai yang hilang, dan membuang kolom yang nilainya cuma ada setelah kejadiannya terjadi.
Jebakan umum. Kolom yang terisi sesudah kejadian membuat model terlihat hampir sempurna lalu gagal total, dan ini kekeliruan paling sulit dikenali sendiri.
Memisahkan data
Yang dibahas. Menyisihkan sebagian data dan nol menyentuhnya sampai penilaian terakhir, dengan aturan tambahan untuk data yang berhubungan dengan waktu.
Jebakan umum. Bagian yang disisihkan dilihat berulang kali untuk memilih model terbaik, dan dengan begitu ia berubah jadi data latihan.
Melatih dan membaca angkanya
Yang dibahas. Menjalankan dua tiga jenis model yang pantas, lalu membaca berapa yang tertangkap dan berapa yang salah tuduh.
Jebakan umum. Ketepatan dipakai sendirian, padahal pada kejadian yang jarang model yang selalu menjawab tidak sudah terlihat sangat tepat.
Memakai dan mengawasinya
Yang dibahas. Menjaga model yang dipakai berulang, menangani data baru yang bentuknya berbeda, dan mengenali saat model mulai keliru.
Jebakan umum. Model yang baik hari ini pelan-pelan jadi keliru saat keadaan yang ia pelajari berubah, dan ia nol pernah memberi tahu.

Nilai lebih

Yang membuat sesi Machine Learning terasa beda

Unggulan utama

Tanpa label, hampir nol bisa dikerjakan

Model belajar dari contoh yang jawabannya sudah diketahui. Punya ribuan baris data nol berarti punya label, dan sebagian besar peminat berada di keadaan itu.

Model mewarisi kemiringan datanya

Model yang dilatih dari keputusan masa lalu mengulangi keputusan itu, termasuk yang keliru. Ia nol memperbaiki apa pun, ia melanjutkan.

Ketepatan satu angka yang menipu

Kalau sembilan puluh sembilan dari seratus kasus bernilai tidak, model yang selalu menjawab tidak sudah tepat sembilan puluh sembilan persen dan nol berguna sama sekali.

Ia nol menjelaskan kenapa

Untuk keputusan yang wajib bisa dipertanggungjawabkan, sifat itu menggugurkan. Kalau Anda perlu menjelaskan alasannya, les analisis data jalan yang benar.

Satu pertanyaan yang memutuskan sebelum apa pun dimulai

Halaman ini dibuka dengan satu pertanyaan, dan jawabannya menentukan apakah sisanya masuk akal: Anda punya contoh berlabel atau nol.

Contoh berlabel berarti kumpulan kejadian yang jawabannya sudah diketahui. Pelanggan yang sudah berhenti dan yang masih bertahan. Barang yang terjual dan yang nol. Dokumen yang sudah dikelompokkan orang. Gambar yang sudah ditandai isinya.

Model belajar dari contoh semacam itu, dan tanpa contoh itu hampir nol ada yang bisa dikerjakan.

Yang sering mengejutkan: punya data nol sama dengan punya label. Ribuan baris catatan penjualan berisi apa yang terjadi, dan ia nol berisi jawaban atas pertanyaan yang Anda tanyakan. Kalau yang Anda tuju meramalkan pelanggan yang akan berhenti, Anda perlu mengetahui siapa yang sudah berhenti, dan banyak usaha nol pernah mencatatnya.

Jadi pertemuan pembuka memeriksa hal itu lebih dahulu. Dan kalau label belum ada, yang dikerjakan menyusun cara mengumpulkannya, nol melatih model. Itu bisa berarti kelasnya mengambil arah yang sangat berbeda dari dugaan Anda, dan itu disampaikan apa adanya.

Untuk banyak pertanyaan, analisis sederhana mengalahkan model

Bagian ini perlu ada supaya Anda nol membayar bulan untuk alat yang lebih berat daripada pertanyaannya.

Model berguna ketika yang Anda butuhkan ramalan atas kejadian yang belum terjadi, dalam jumlah banyak, dan berulang. Memperkirakan pelanggan mana yang mungkin berhenti bulan depan, menyaring ribuan dokumen, atau menduga permintaan pekan depan.

Model nol berguna ketika yang Anda butuhkan memahami apa yang sudah terjadi untuk mengubah satu keputusan. Untuk itu, memecah data menurut cabang dan bulan lalu membandingkannya hampir selalu lebih cepat, lebih murah, dan lebih bisa Anda jelaskan. Les analisis data mengurus jalan itu.

Dan ada satu keadaan tempat model jelas salah pilihan: ketika keputusannya wajib bisa dipertanggungjawabkan satu per satu. Model nol menjelaskan kenapa ia menjawab begitu, dan untuk keputusan menyangkut orang, alasan yang nol bisa disebutkan masalah besar.

Jadi pertemuan pembuka juga memeriksa ini: apakah pertanyaan Anda sungguh menuntut ramalan. Sebagian peserta menemukan di situ bahwa nol, dan mengetahuinya di pertemuan pertama jauh lebih murah daripada di bulan ketiga.

Poin penting

Lima kekeliruan yang membuat model terlihat bagus dan nol berguna

Dinilai dengan data yang pernah ia lihat

Model menghafal contoh latihannya, jadi menilainya dengan data yang sama seperti menguji murid dengan soal yang jawabannya sudah dibagikan. Angkanya tinggi dan ia nol berarti.

Ketepatan dipakai sendirian

Kalau kejadian yang dicari jarang, model yang selalu menjawab tidak sudah terlihat sangat tepat. Yang perlu dibaca berapa yang tertangkap dan berapa yang salah tuduh.

Keterangan masa depan ikut masuk latihan

Kolom yang nilainya cuma ada setelah kejadiannya terjadi membuat model terlihat hampir sempurna, lalu gagal total saat dipakai. Ini kekeliruan paling sulit dikenali sendiri.

Data latihan nol mewakili keadaan nyata

Model yang dilatih dari pelanggan satu kota dipakai di kota lain, atau dilatih dari data dua tahun lalu dipakai sekarang. Ia tetap menjawab, dan jawabannya nol bisa dipercaya.

Kemiringan data diwarisi tanpa diperiksa

Model yang dilatih dari keputusan masa lalu mengulangi keputusan itu termasuk yang keliru. Ia nol memperbaiki apa pun; ia melanjutkan dengan lebih cepat.

Memisahkan data: kekeliruan yang paling fatal dan paling mudah dihindari

Dari seluruh kekeliruan di halaman ini, ini yang paling sering dan paling mudah diperbaiki.

Model belajar dari contoh, dan ia sanggup menghafal. Jadi menilainya dengan contoh yang sama seperti menguji murid memakai soal yang jawabannya sudah dibagikan sebelumnya. Angkanya akan tinggi, dan ia nol memberi tahu apa pun.

Jalan keluarnya memisahkan data sejak awal: sebagian dipakai melatih, sebagian disisihkan dan nol disentuh sampai penilaian terakhir. Bagian yang disisihkan itu satu-satunya hal yang mendekati keadaan nyata.

Yang perlu dijaga: bagian yang disisihkan nol boleh dilihat berulang kali untuk memilih model terbaik. Kalau Anda mencoba dua puluh model lalu memilih yang skornya tertinggi di bagian itu, Anda baru saja memakai bagian itu untuk melatih, dan angkanya kembali nol bisa dipercaya.

Untuk data yang berhubungan dengan waktu, pemisahannya punya aturan tambahan dan ia sering dilanggar: yang dipakai melatih wajib lebih tua daripada yang dipakai menilai. Memisahkannya secara acak membuat model belajar dari masa depan, dan hasilnya terlihat bagus di layar lalu gagal di pemakaian.

Ketepatan: satu angka yang paling sering menyesatkan

Angka pertama yang dilihat pemula, dan ia bisa tinggi sementara modelnya nol berguna sama sekali.

Bayangkan kejadian yang Anda cari jarang, misalnya satu dari seratus. Model yang selalu menjawab tidak akan benar sembilan puluh sembilan kali dari seratus, dan ketepatannya terlihat luar biasa. Dan ia nol pernah menemukan satu pun kejadian yang Anda cari.

Jadi yang dibaca dua angka lain. Berapa banyak dari kejadian yang sesungguhnya ada berhasil tertangkap, dan berapa banyak dari yang ia tuduh ternyata keliru.

Mana yang dipilih ditentukan harga kekeliruannya di pekerjaan Anda, nol oleh angka mana yang lebih besar. Melewatkan satu pelanggan yang akan berhenti berharga berbeda dari salah menuduh satu pelanggan yang setia, dan pilihannya milik Anda, nol milik modelnya.

Kemiringan yang diwarisi, dan kenapa ia menyangkut orang lain

Bagian ini perlu ada karena model kerap dipakai untuk keputusan yang menyentuh orang, dan akibatnya nol berhenti di layar.

Model belajar dari data masa lalu. Kalau data itu berisi keputusan manusia, model mempelajari pola keputusan tersebut, termasuk bagian yang keliru maupun yang tidak adil.

Contoh yang paling jelas: model yang dilatih dari riwayat penerimaan karyawan akan mengulangi kecenderungan penerimaan itu. Kalau selama bertahun-tahun satu kelompok lebih jarang diterima, model akan mempelajari bahwa kelompok itu lebih jarang diterima, lalu melanjutkannya.

Dan ia melanjutkannya dengan lebih cepat serta terlihat lebih berwibawa, sebab keluarannya berupa angka. Itu yang membuatnya lebih berbahaya daripada keputusan manusia yang sama.

Jadi dua hal ditegakkan di kelas ini. Pertama, isi data latihan diperiksa sebelum model dilatih, bukan sesudah. Kedua, untuk keputusan yang menyangkut orang, keluaran model diperlakukan sebagai bahan pertimbangan manusia, nol sebagai keputusan. Peserta yang hendak memakainya sebagai keputusan diminta mempertimbangkan ulang, dan alasannya disampaikan terus terang.

Bekal yang diperlukan, dan yang nol

Halaman ini satu-satunya di kategori ini yang menuntut bekal, dan menyebutkannya di muka menghemat waktu Anda.

Yang diperlukan tiga. Sanggup menulis kode secukupnya untuk membaca berkas, mengubah bentuk data, dan menjalankan fungsi. Memahami dasar statistika, terutama sebaran dan apa artinya sebuah selisih. Dan sanggup merapikan data, sebab model nol memperbaiki data yang berantakan; ia justru mempelajari keberantakannya.

Yang nol diperlukan: menurunkan rumus sendiri, memahami pembuktian matematisnya, dan menulis algoritmanya dari nol. Semuanya sudah tersedia sebagai fungsi yang dipanggil, dan menulisnya sendiri nol menambah kemampuan Anda memakainya.

Kalau salah satu dari tiga bekal itu belum ada, urutan yang masuk akal berbeda. Untuk kode, kursus pemrograman mendahului. Untuk statistika, kursus statistika mendahului. Untuk merapikan data, les analisis data mendahului.

Itu disampaikan di pertemuan pembuka dengan terus terang, termasuk ketika jawabannya berarti halaman ini belum waktunya bagi Anda. Peserta yang memaksa masuk tanpa bekal kode menghabiskan hampir seluruh pertemuan memperbaikinya, dan itu cara termahal mempelajari pemrograman.

Dua latar peserta, dan di mana jalannya berpisah

Mahasiswa tingkat akhir biasanya punya tenggat, satu data, dan satu pertanyaan yang sudah ditetapkan pembimbing. Di sini yang didahulukan memisahkan data dengan benar, memilih dua tiga model yang pantas, dan sanggup menjelaskan kenapa angkanya begitu saat ditanya di sidang.

Satu hal yang perlu diketahui kelompok ini: penguji hampir selalu menanyakan hal yang sama, yaitu apakah modelnya pernah melihat data yang dipakai menilainya. Peserta yang nol bisa menjawab itu kehilangan nilai meski seluruh kodenya jalan.

Pekerja data dan analis membawa masalah yang berbeda: modelnya perlu dipakai berulang, nol sekali untuk laporan. Di sini yang masuk hal-hal yang jarang dibahas di bahan ajar: apa yang terjadi ketika data baru datang dengan bentuk yang berbeda, dan bagaimana mengetahui bahwa model Anda sudah mulai keliru.

Yang terakhir itu penting dan nol terlihat. Model yang baik hari ini pelan-pelan jadi keliru ketika keadaan yang ia pelajari berubah, dan ia nol pernah memberi tahu. Jadi pemeriksaan berkala masuk sebagai bagian pekerjaan, nol sebagai tambahan.

Empat hal yang bisa Anda periksa sebelum mendaftar

Pertama, tulis pertanyaan Anda lalu tanyakan: untuk menjawabnya, saya perlu contoh yang jawabannya sudah diketahui tentang apa. Kalau contoh itu nol ada di data Anda, itu pekerjaan pertama Anda.

Kedua, hitung berapa banyak contoh berlabel yang Anda punya untuk kejadian yang jarang. Kalau kejadian yang Anda cari cuma muncul beberapa kali, nol ada model yang bisa mempelajarinya.

Ketiga, periksa tiap kolom data Anda dan tanyakan: nilai ini sudah ada sebelum kejadiannya terjadi, atau sesudah. Kolom yang baru terisi sesudahnya wajib dibuang, dan ia penyebab model yang terlihat hampir sempurna lalu gagal total.

Keempat, tanyakan apakah keputusan yang akan diambil wajib bisa dijelaskan ke orang yang terkena. Kalau iya, pertimbangkan jalan yang lebih bisa dijelaskan sebelum memilih model.

Tanya jawab

Serba-serbi les machine learning di Semarang

Saya punya data banyak. Berarti bisa langsung bikin model?

Belum tentu, dan ini yang paling sering mengejutkan. Punya data nol sama dengan punya label. Model belajar dari contoh yang jawabannya sudah diketahui, dan ribuan baris catatan penjualan berisi apa yang terjadi, nol berisi jawaban atas pertanyaan yang Anda tanyakan. Kalau Anda hendak meramalkan pelanggan yang akan berhenti, Anda perlu mengetahui siapa yang sudah berhenti, dan banyak usaha nol pernah mencatatnya.

Kalau label belum ada, bagaimana?

Yang dikerjakan menyusun cara mengumpulkannya, nol melatih model. Itu bisa berarti kelasnya mengambil arah yang sangat berbeda dari dugaan Anda, dan itu disampaikan apa adanya di pertemuan pembuka. Mengetahuinya di pertemuan pertama jauh lebih murah daripada di bulan ketiga, dan sebagian peserta memang berhenti di situ dengan lega.

Kapan model nol diperlukan sama sekali?

Ketika yang Anda butuhkan memahami apa yang sudah terjadi untuk mengubah satu keputusan. Untuk itu, memecah data menurut cabang dan bulan lalu membandingkannya hampir selalu lebih cepat, lebih murah, dan lebih bisa Anda jelaskan; les analisis data mengurus jalan itu. Model berguna ketika yang Anda butuhkan ramalan atas kejadian yang belum terjadi, dalam jumlah banyak dan berulang.

Model saya ketepatannya sembilan puluh delapan persen. Berarti bagus?

Belum tentu, dan angka itu yang paling sering menyesatkan. Kalau kejadian yang Anda cari jarang, misalnya satu dari seratus, model yang selalu menjawab tidak akan benar sembilan puluh sembilan kali dan nol pernah menemukan satu pun kejadian yang Anda cari. Yang perlu dibaca dua angka lain: berapa banyak kejadian yang sesungguhnya ada berhasil tertangkap, dan berapa banyak dari yang ia tuduh ternyata keliru.

Dua angka itu mana yang dikejar?

Keduanya bergerak berlawanan, dan di situlah keputusannya. Model yang menangkap hampir semua kejadian akan salah tuduh lebih banyak; yang hampir nol pernah salah tuduh akan melewatkan banyak kejadian. Mana yang dipilih ditentukan harga kekeliruan di pekerjaan Anda, nol oleh angka mana yang lebih besar. Melewatkan satu pelanggan yang akan berhenti berharga berbeda dari salah menuduh satu pelanggan setia.

Apa kekeliruan paling fatal yang paling mudah dihindari?

Menilai model dengan data yang pernah ia lihat. Model sanggup menghafal, jadi menilainya dengan contoh yang sama seperti menguji murid memakai soal yang jawabannya sudah dibagikan. Jalan keluarnya memisahkan data sejak awal: sebagian melatih, sebagian disisihkan dan nol disentuh sampai penilaian terakhir.

Boleh saya coba dua puluh model lalu pilih yang skornya tertinggi?

Kalau skornya diukur di bagian yang Anda sisihkan, nol boleh, dan ini jebakan yang halus. Dengan melihat bagian itu berulang kali untuk memilih, Anda baru saja memakainya untuk melatih, dan angkanya kembali nol bisa dipercaya. Pemilihan model dikerjakan di bagian lain, dan bagian yang disisihkan dibuka satu kali di akhir.

Model saya hasilnya hampir sempurna. Kok malah mencurigakan?

Angka yang terlalu bagus hampir selalu tanda ada keterangan masa depan yang ikut masuk latihan. Kolom yang nilainya cuma ada setelah kejadiannya terjadi membuat model terlihat hampir sempurna, lalu gagal total saat dipakai. Ini kekeliruan paling sulit dikenali sendiri, dan pemeriksaannya satu pertanyaan per kolom: nilai ini sudah ada sebelum kejadiannya, atau sesudah.

Data saya ada unsur waktunya. Ada aturan tambahan?

Ada, dan ia sering dilanggar: yang dipakai melatih wajib lebih tua daripada yang dipakai menilai. Memisahkannya secara acak membuat model belajar dari masa depan, sebab sebagian data latihnya terjadi setelah data penilaiannya. Hasilnya terlihat bagus di layar lalu gagal di pemakaian, dan sebabnya sulit ditemukan kalau aturan ini nol diketahui.

Benar model bisa jadi tidak adil?

Benar, dan ia mewarisinya dari datanya. Model yang dilatih dari keputusan manusia mempelajari pola keputusan itu termasuk bagian yang keliru maupun yang tidak adil. Model yang dilatih dari riwayat penerimaan karyawan akan mengulangi kecenderungan penerimaan tersebut. Dan ia melanjutkannya lebih cepat serta terlihat lebih berwibawa, sebab keluarannya berupa angka.

Jadi model nol boleh dipakai untuk keputusan soal orang?

Boleh sebagai bahan pertimbangan, dan nol sebagai keputusan. Itu yang ditegakkan di kelas ini, bersama satu hal lain: isi data latihan diperiksa sebelum model dilatih, nol sesudah. Peserta yang hendak memakai keluaran model sebagai keputusan akhir diminta mempertimbangkan ulang, dan alasannya disampaikan terus terang.

Bekal apa yang saya perlukan sebelum ikut?

Tiga. Sanggup menulis kode secukupnya untuk membaca berkas, mengubah bentuk data, dan menjalankan fungsi. Memahami dasar statistika, terutama sebaran dan apa artinya sebuah selisih. Dan sanggup merapikan data, sebab model nol memperbaiki data berantakan; ia justru mempelajari keberantakannya. Kalau salah satunya belum ada, urutannya berbeda dan itu disampaikan di pertemuan pembuka.

Saya perlu bisa menurunkan rumusnya sendiri?

Nol, dan ini kabar baik yang sering nol dipercaya. Menurunkan rumus, memahami pembuktian matematisnya, dan menulis algoritmanya dari nol semuanya nol diperlukan untuk memakainya dengan benar. Semuanya sudah tersedia sebagai fungsi yang dipanggil. Yang menentukan hasil Anda justru hal-hal di sekitarnya: label, pemisahan data, ciri yang dipakai, dan angka yang Anda baca.

Berapa biaya les machine learning di Semarang?

Tiap pertemuan berdurasi sembilan puluh menit dihitung Rp160.075, dengan satu tutor untuk Anda saja. Tarifnya seragam, entah tutornya menghampiri tempat Anda atau kelasnya berjalan di jaringan. Alat yang dipakai bebas biaya, jadi ia nol menambah apa pun, dan untuk peserta bertugas akhir jumlah pertemuan biasanya ditentukan tenggat sidangnya.

Layani sekarang

Kuasai machine learning bersama tutor di Semarang

Tim kami siap membalas cepat di WhatsApp. Konsultasikan kebutuhan les machine learning-mu, keputusan bergabung belakangan.