landing-header

Course - Feature Engineering

Course | Pembelajaran Berbasis Video
Pelajari teknik feature engineering end-to-end, transformasi, penskalaan, encoding kategorikal, pengolahan datetime, hingga implementasi langsung ke kasus regresi dan klasifikasi.
Kurnia Anwar Ra'if

Kurnia Anwar Ra'if

5+ Years Experience in AI | 2+ Years in Software Engineer | AI Engineer | ML Engineer | Data Scientist | AI Trainer & Mentor | AI & LLM Specialist | AWS & Python

Ubah Data Mentah Jadi Fitur yang Bikin Model Makin Akurat.

Feature engineering adalah skill yang membedakan AI Engineer biasa dengan yang benar-benar bisa meningkatkan performa model. Di kelas ini, kamu belajar teknik lengkap, dari transformasi, scaling, encoding, sampai implementasi nyata ke kasus regresi dan klasifikasi.

Untuk Siapa Kelas Ini?

Kelas ini cocok untuk kamu yang:

  • Sudah mempelajari Course - Handling Missing Value and Outlier Data, atau :
  • Sudah bisa membersihkan data dan ingin lanjut ke teknik yang lebih advanced
  • Ingin tahu cara mengolah variabel kategorikal, datetime, dan numerik secara profesional
  • Developer atau Data Analyst yang ingin menguasai pipeline feature engineering dari hulu ke hilir
  • Praktisi ML yang ingin meningkatkan performa model melalui rekayasa fitur yang lebih optimal
  • Siapa saja yang ingin bisa mengimplementasikan feature engineering ke kasus regresi maupun klasifikasi

Yang akan Kamu pelajari

Setelah menyelesaikan kelas ini, kamu akan bisa:

✅ Melakukan transformasi data dan diskritisasi untuk memperbaiki distribusi variabel

✅ Menerapkan berbagai teknik penskalaan fitur: StandardScaler, MinMax, Robust, dan Maximum Absolute

✅ Menggunakan berbagai metode encoding untuk variabel kategorikal secara tepat

✅ Mengolah data datetime dan mengekstrak fitur tanggal/waktu yang relevan

✅ Mengimplementasikan feature engineering end-to-end ke kasus ML regresi dan klasifikasi

Silabus

Sesi 8 — Transformasi Data dan Diskritisasi

  • Teori Transformasi Data & Diskritisasi (10 menit)
  • Transformasi Variabel Gaussian (14 menit)
  • Diskritisasi Rentang Setara (12 menit)
  • Diskritisasi Frekuensi Kuantil (8 menit)
  • Diskritisasi Rentang Setara Encoding (11 menit)


Sesi 9 — Penskalaan Fitur

  • Teori Penskalaan Fitur (5 menit)
  • Standar Scaler (10 menit)
  • Normalisasi Rata-Rata (7 menit)
  • MinMax Scaling (7 menit)
  • Maximum Absolute Scaling (10 menit)
  • Robust Scaling (6 menit)


Sesi 10 — Encoding Data Kategorikal

  • Teori: OHE Scikit Learn, OHE Frequent Categories, Integer Encoding, Count/Frequent Encoding, Mean Encoding, Label Jarang, Weight of Evidence
  • Praktik: OHE Scikit Learn, OHE Pandas, OHE Frequent Categories, Integer Encoding, Count/Frequent Encoding, Mean Encoding, Analisis Label Jarang, Panda Label Jarang, Weight of Evidence


Sesi 11 — Mengolah Data Datetime

  • Teori Mengolah Data Datetime (2 menit)
  • Mengolah Tipe Tanggal (11 menit)
  • Mengolah Tipe Waktu (11 menit)


Sesi 12 — Pengaplikasian ML Regresi

  • Implementasi Machine Learning Regresi (19 menit)


Sesi 13 — Pengaplikasian ML Klasifikasi

  • Machine Learning Classification (23 menit)


Total: 6 Sesi | 30+ Video | ±4 Jam Materi

FAQ

Frequently Asked Question

Kunjungi Media Sosial Kami

Course - Feature Engineering

Rp149.000