Syllabus Generative AI Track:

Generative AI & Machine Learning

Generative Artificial Intelligence Track

Self-Study Installation:
Preparation/ - Python
Pre-Course - Integrated Development Environment
(up to H - 7) o Jupyter Notebook
o VSCode
Explore Python pre-course modules:
- Python Logics, Collections, and Functions
- Learn about GIT
Day 1 Introduction to the program structures
- Syllabus Overview

Introduction to Artificial Intelligence and Machine Learning

Introduction to AI:
- What is AI?
- AI Application in real life
- Machine Learning as part of AI

Introduction to Machine Learning:

- Machine Learning Vs Conventional AI agent.
- Machine Learning types & their terminology

Model Selection for Supervised Learning

- Holdout
- Cross-validation

Feature Selection
- Filter-based method
- Wrapper-based method

Supervised Learning - Regression

- Linear Regression
- SVM Regression
- MLP (Neural Based Model)

Metric Evaluation for Regression

- Absolute Error
- Squared Error

Day 2 Machine Learning: Supervised Learning - Classification

Classification: Vector Space Based

- K-NN Classifier
- SVM + Kernel Function

Classification: Neural Network Based

- MLP + Activation Function

Metric Evaluation for Classification

- Confusion Matrix and its terminology
1
 Syllabus Generative AI Track:
Generative AI & Machine Learning

- Overall Performance
- Class-based Performance
Day 3
Natural Language Processing

Common NLP Preprocessing

- Case folding
- Stopword removal
- Stemming / Lemmatization
- Non-ASCII removal
- Punctuation Removal

Vectorizer & Bag of Words

- Concept in bag of word vector
- Term Frequency
- Inverse Document Frequency

Building NLP Model

Day 4 Introduction to Deep Learning

Introduction to Deep Learning:

- Fundamental of Deep Learning
- Neural Networks
- Backpropagation and Cost Function
- Gradient Descent Algorithm

Introduction to TensorFlow 2.0:

- TensorFlow Installation
- Basics of TensorFlow 2.0
- TensorFlow 2.0 Implementation

Introduction to Vector Embedding

Day 5 Introduction to GenAI & Prompt Engineering

What is Generative AI:

- Basic of Generative AI
- Example of GenAI Implementation

Introduction and setup of LLM Models:

- GPT3.5, GPT4, GPT4o

- llama2/llama3
- DBRX

Prompt Engineering techniques:

- Prompting Guidelines
- Summarization technique
- Inference technique
- Chatbot technique

2
 Syllabus Generative AI Track:
Generative AI & Machine Learning

Day 6
GenAI/LLM Frameworks

Introduction to GenAI Frameworks:

- Basic of LangChain/Haystack
- LangChain/Haystack components

Implementation of Embedding models:

- Basic of Embedding
- Selection of Embedding models
- Implementation using LangChain frameworks

Implementation of Chat models:

- Basic of Chat models
- Implementation of Chat models.

Day 7 RAG - Retrieval Augmented Generation

Introduction to RAG:

- Learn about basic of RAG

- Learn RAG architectures

Introduction to Vector Databases:

- Learn about basic of VectorDB (Options: FAISS, Chroma, MilvusDB,

elasticsearch)
- Ingest various data (website, documents - pdf, docs, csv, etc.) to VectorDB
- Generate Embedding to VectorDB

Integration of VectorDB to Chat model.

- Building RAG application (Chatbot with data)

Day 8 LLMOPS (MLOPS for Large Language Model)

Introduction to MLOPS concept:

- Continuous Integration
- Continuous Deployment
- Continuous Training

MLFlow Hands-On:
- Introduction to MLFlow
- Training with MLFlow
- ML Metadata Tracking
- ML Evaluation

Introduction and implementation of LLMOPS using MLFlow

- LLM Prompt Engineering

- LLM Evaluation
- LLM Deployment
- LLM Fine-tuning

3
 Syllabus Generative AI Track:
Generative AI & Machine Learning

Wrap up!

Evaluations
Discussion to the final project

Additional *Additional Classes khusus untuk peserta Career Fast Track atau By Request
classes dengan biaya tambahan.
(Day 9 to - Introduction to GIT
~12)* - Building Data Web App using Streamlit (Frontend)
- Building API using FastAPI (backend)
- Deployment using Docker
- Career/Academic Supports:
- CV/Resume review
- Konsultasi karir atau study (dalam negeri dan luar negeri (Eropa))

Metode Belajar Mengajar

● Interactive & Intensive Learning:
Kelas yang intensif melalui Zoom dengan maksimal 10 orang/kelas, memungkinkan proses
pembelajaran menjadi lebih efektif. Sistem pengajaran dua arah juga akan menciptakan
suasana kelas yang interaktif, dimana peserta bisa langsung bertanya dan berdiskusi dengan
tutor jika menemukan hal-hal yang kurang dimengerti. Selain itu, tutor juga membuka peluang
kepada peserta untuk melakukan konsultasi di luar jam pelajaran tanpa memungut biaya
tambahan.

● Bahasa Indonesia, as a language of instruction:

Kegiatan belajar-mengajar akan disampaikan dengan Bahasa Indonesia. Sehingga peserta yang
notabene-nya adalah orang Indonesia bisa lebih leluasa dalam memahami dan bertanya
seputar materi yang disampaikan.

● Practical Learning:
Pada setiap pertemuan, peserta tidak hanya belajar seputar teori, tetapi juga
mempraktikannya secara langsung di Jupyter Notebook sebagai IDE (Integrated Development
Environment).

● Structured Modules:
Setiap peserta akan mendapatkan modul pembelajaran dalam B. Indonesia yang disusun oleh
Tim Akademi & Pengajar di DTSense. Modul tersebut dirancang sedemikian rupa agar peserta
dapat mempelajari Data Science & AI secara step-by-step. Dengan adanya modul
pembelajaran, kegiatan belajar-mengajar menjadi lebih terstruktur dan peserta dapat
mengikuti materi pembelajaran berdasarkan tema yang tercantum pada silabus.

● Project & Case Studies:

4
 Syllabus Generative AI Track:
Generative AI & Machine Learning
Peserta akan mendapatkan tugas yang diberikan pada setiap pertemuan. Tugas
tersebut berupa Project & Case Studies yang memungkinkan peserta untuk mengulang & lebih
mendalami materi yang sudah dipelajari pada setiap pertemuan. Melalui project, peserta juga
diharapkan bisa lebih kreatif, solutif, dan teliti ketika menemukan kesalahan dan permasalahan
saat melakukan coding dan analisa data.

● Personal Consultation
DTSense membuka jadwal konsultasi di luar jam pelajaran bagi peserta yang ingin bertanya
lebih jauh seputar materi yang sudah disampaikan di dalam kelas. Selain itu, peserta juga bisa
berkonsultasi seputar tips kuliah & berkarir di Jerman, dan juga membuat CV & Cover Letter
dalam bahasa Inggris. Konsultasi ini tidak dipungut biaya tambahan.

● Recording
Materi yang disampaikan pada setiap pertemuan akan direkam dan hasil rekaman hanya
dapat diakses oleh peserta. Hal ini akan membantu peserta untuk mengulang & mengingat
kembali materi yang sudah disampaikan ketika kursus sudah selesai. Serta dapat menjadi
solusi bagi peserta yang berhalangan hadir saat kelas berlangsung karena sakit atau
keperluan mendesak lainnya.

● German Class – Bonus

Jika peserta sudah memiliki kemampuan dasar bahasa Inggris tetapi ingin menambah
kemampuan bahasa asing lain, maka kami memberikan kesempatan untuk belajar dasar-dasar
bahasa Jerman untuk level pemula.

Syarat mengikuti Generative AI Engineer Track:

DTSense Generative AI Engineer Track merupakan program lanjutan dari Data Science I
Academy/Data Analytics Track. Sehingga untuk mengikuti program ini, calon peserta sudah harus
memiliki pengetahuan dasar mengenai data science & programming menggunakan Python. Beberapa
tema yang sudah perlu dikuasai oleh calon peserta sebelum mengikuti program ini diantaranya:

- Mengerti penggunaan Python collections: List, Dictionary, Array, Tuple

- Mengerti Konsep Looping & Control Flow: While loop & for loop
- Mengerti penggunaan NumPy untuk simple metrics calculation
- Mengerti cara mengolah dataset dengan Pandas DataFrame
- Mengerti cara membuat self-defined functions (def)
- Mengerti bagaimana cara memvisualisasikan data menggunakan
Matplotlib/Seaborn/Plotly/Streamlit.

Bagi peserta yang sama sekali belum memiliki pengetahuan mengenai data science & pemrograman
dengan Python, kami sarankan untuk mengikuti program di Data Science I Academy/Data Analytics
Track terlebih dahulu.