Kembali ke Kursus
COMP5511

PolyU | Konsep Kecerdasan Buatan

Kursus komprehensif ini menyajikan pengantar yang ketat namun mudah diakses mengenai Kecerdasan Buatan, dirancang khusus untuk mahasiswa pascasarjana dan profesional. Menghubungkan fondasi sejarah dengan inovasi mutakhir, kurikulum bergerak dari AI simbolik dan algoritma pencarian hingga Deep Learning modern dan Kecerdasan Buatan Generatif. Mahasiswa akan mengeksplorasi topik-topik penting seperti representasi pengetahuan, penalaran probabilistik, serta pembelajaran mesin klasik sebelum mempelajari mendalam jaringan saraf, Transformer, dan Model Bahasa Skala Besar (LLM). Menekankan baik aspek teori maupun praktik, kursus ini menggunakan Python dan kerangka kerja industri standar seperti PyTorch untuk mengimplementasikan algoritma, berinteraksi dengan API modern, serta menangani isu-isu kritis dalam etika dan keamanan Kecerdasan Buatan.

5.0 Peringkat
100 Siswa
Mulai Belajar

Gambaran Umum Kursus

📚 Ringkasan Konten

Kursus komprehensif ini memberikan pengantar Kecerdasan Buatan yang ketat namun mudah diakses, dirancang untuk mahasiswa pascasarjana dan para profesional. Menjembatani kesenjangan antara fondasi historis dan inovasi mutakhir, kurikulum berkembang dari AI simbolik dan algoritma pencarian ke Pembelajaran Mendalam modern dan AI Generatif. Mahasiswa akan mengeksplorasi topik-topik penting seperti representasi pengetahuan, penalaran probabilistik, dan pembelajaran mesin klasik sebelum mendalami jaringan saraf, Transformer, dan Model Bahasa Besar (LLM). Menekankan teori dan praktik, kursus ini memanfaatkan Python dan kerangka kerja standar industri seperti PyTorch untuk mengimplementasikan algoritma, berinteraksi dengan API modern, dan mengatasi isu-isu kritis dalam etika dan keamanan AI.

Menjembatani kesenjangan antara AI Simbolik klasik dan AI Generatif modern, kursus ini membekali mahasiswa dengan kedalaman teoretis dan keterampilan Python praktis untuk merancang, mengimplementasikan, dan mengevaluasi sistem cerdas secara etis.

🎯 Tujuan Pembelajaran

  1. Kuasai Fondasi AI: Analisis dan implementasikan paradigma pemecahan masalah fundamental, termasuk pencarian heuristik, penalaran berbasis logika, dan pemodelan probabilistik.
  2. Implementasikan Arsitektur Pembelajaran Mendalam: Rancang dan latih jaringan saraf canggih menggunakan PyTorch, mulai dari Multi-layer Perceptron hingga Convolutional Neural Networks dan Transformer.
  3. Terapkan Solusi AI Generatif: Rancang aplikasi yang memanfaatkan Model Bahasa Besar (LLM), menggunakan teknik seperti fine-tuning, prompt engineering, dan Retrieval-Augmented Generation (RAG).
  4. Pastikan Pengembangan AI yang Etis: Evaluasi secara kritis sistem AI terhadap bias, keamanan, dan keselarasan, dengan menerapkan strategi untuk keterjelasan (explainability) dan ketahanan (robustness) dalam skenario dunia nyata.

🔹 Pelajaran 1: Sejarah dan Fondasi AI

Ringkasan: Eksplorasi asal-usul Kecerdasan Buatan, mencakup Tes Turing, Konferensi Dartmouth, dan sifat siklus pengembangan AI yang dikenal sebagai 'Musim Dingin AI'.

Hasil Pembelajaran:

  • Lacak evolusi historis AI dari tahun 1956 hingga saat ini.
  • Bandingkan dan kontraskan paradigma AI Simbolik (GOFAI) dan Koneksionisme.
  • Diskusikan dampak Revolusi Pembelajaran Mendalam dan terobosan generatif terbaru.

🔹 Pelajaran 2: Strategi Pencarian: Tanpa Informasi dan Berinformasi

Ringkasan: Pengantar agen pemecahan masalah fundamental menggunakan algoritma pencarian, membedakan antara pencarian buta dan pendekatan berbasis heuristik.

Hasil Pembelajaran:

  • Implementasikan metode pencarian tanpa informasi termasuk BFS, DFS, dan pencarian Biaya Seragam.
  • Terapkan teknik pencarian heuristik seperti A* dan Greedy Best-First search.
  • Analisis kompleksitas dan optimalitas berbagai strategi pencarian.

🔹 Pelajaran 3: Pencarian Musuh dan Pemenuhan Kendala

Ringkasan: Pendalaman pengambilan keputusan dalam lingkungan kompetitif (permainan) dan pemecahan masalah yang didefinisikan oleh kendala.

Hasil Pembelajaran:

  • Kuasai algoritma Minimax dan pemangkasan Alpha-Beta untuk bermain game.
  • Pahami Monte Carlo Tree Search (MCTS) yang digunakan dalam sistem canggih seperti AlphaGo.
  • Pecahkan Masalah Pemenuhan Kendala (CSP) menggunakan backtracking dan pencarian lokal.

🔹 Pelajaran 4: Representasi Pengetahuan dan Penalaran

Ringkasan: Studi tentang bagaimana sistem AI merepresentasikan informasi secara logis untuk melakukan inferensi, bergerak dari logika klasik ke struktur pengetahuan modern.

Hasil Pembelajaran:

  • Gunakan Logika Proposisional dan Orde Pertama untuk representasi dan inferensi.
  • Bandingkan Sistem Pakar lama dengan Knowledge Graph dan Ontologi modern.
  • Jelajahi AI Neuro-Simbolik sebagai jembatan antara logika dan jaringan saraf.

🔹 Pelajaran 5: Ketidakpastian di Era GenAI

Ringkasan: Bergerak melampaui perhitungan probabilitas klasik untuk memahami bagaimana ketidakpastian mendorong AI modern. Pelajaran ini mengeksplorasi mengapa LLM berhalusinasi (dan mengapa itu adalah fitur, bukan bug), bagaimana model Difusi menciptakan seni dari kebisingan murni, dan bagaimana Agen Otonom membuat keputusan di dunia terbuka yang tidak dapat diprediksi.

Hasil Pembelajaran:

  • Dari Bayes ke "Vibes": Dapatkan pemahaman intuitif tentang keyakinan dan kalibrasi, pelajari mengapa "probabilitas 99%" masih bisa salah tanpa tersesat dalam matematika yang rumit.
  • Mesin Kreativitas: Analisis bagaimana mekanisme pengambilan sampel probabilistik (Suhu, Top-P) memungkinkan kreativitas AI Generatif dan menyebabkan halusinasi.
  • Pengambilan Keputusan Agen: Pahami strategi pengambilan keputusan di bawah ketidakpastian, dengan fokus pada dilema "Eksplorasi vs. Eksploitasi" dalam Reinforcement Learning dan Sistem Multi-Agen.

🔹 Pelajaran 6: Pembelajaran Mesin Klasik

Ringkasan: Pengantar praktis algoritma berbasis data untuk pembelajaran terawasi dan tidak terawasi menggunakan Python.

Hasil Pembelajaran:

  • Implementasikan model pembelajaran terawasi termasuk Pohon Keputusan dan SVM.
  • Terapkan teknik tidak terawasi seperti pengelompokan K-means dan PCA.
  • Gunakan Scikit-learn untuk memecahkan masalah analitik data dasar.

🔹 Pelajaran 7: Fondasi Jaringan Saraf

Ringkasan: Transisi ke komputasi yang terinspirasi biologis, mencakup arsitektur dan mekanisme pelatihan jaringan saraf tiruan.

Hasil Pembelajaran:

  • Jelaskan struktur neuron buatan dan Multi-layer Perceptron (MLP).
  • Kuasai algoritma Backpropagation dan berbagai fungsi aktivasi (ReLU, GELU).
  • Bangun jaringan saraf dasar menggunakan PyTorch.

🔹 Pelajaran 8: Visi Komputer dan CNN

Ringkasan: Fokus pada pemrosesan data visual melalui arsitektur pembelajaran mendalam yang terspesialisasi.

Hasil Pembelajaran:

  • Pahami mekanisme Convolutional Neural Networks (CNN).
  • Analisis arsitektur canggih seperti ResNet dan Vision Transformers (ViT).
  • Implementasikan model klasifikasi gambar dasar.

🔹 Pelajaran 9: Pemodelan Urutan dan Transformer

Ringkasan: Evolusi pemrosesan urutan dari Recurrent Neural Networks ke mekanisme Perhatian yang revolusioner.

Hasil Pembelajaran:

  • Bedakan antara RNN, LSTM, dan arsitektur Transformer.
  • Jelaskan makalah 'Attention Is All You Need' dan mekanisme self-attention.
  • Pahami peran Encoder dan Decoder dalam model seperti BERT dan GPT.

🔹 Pelajaran 10: Model Bahasa Besar (LLM)

Ringkasan: Studi mendalam tentang AI Generatif mutakhir yang berfokus pada generasi teks dan adaptasi model.

Hasil Pembelajaran:

  • Jelaskan siklus hidup Pre-training dan Fine-tuning LLM.
  • Jelajahi Reinforcement Learning from Human Feedback (RLHF).
  • Latih Prompt Engineering dan metode fine-tuning yang efisien parameter (PEFT/LoRA).

🔹 Pelajaran 11: Aplikasi AI Generatif Tingkat Lanjut

Ringkasan: Memperluas melampaui teks ke sistem pengambilan informasi (retrieval) dan media generatif menggunakan API modern.

Hasil Pembelajaran:

  • Implementasikan Retrieval-Augmented Generation (RAG) untuk mengurangi halusinasi.
  • Pahami matematika di balik Model Difusi (misalnya, Stable Diffusion) dan VAE.
  • Berinteraksi dengan API AI modern untuk membangun aplikasi generatif.

🔹 Pelajaran 12: Etika, Keamanan, dan Keselarasan AI

Ringkasan: Analisis kritis dampak sosial AI, berfokus pada tanggung jawab dan protokol keamanan.

Hasil Pembelajaran:

  • Identifikasi sumber bias dan pastikan keadilan dalam model AI.
  • Diskusikan Keamanan AI, Ketahanan (Robustness), dan masalah Keselarasan (Alignment).
  • Evaluasi Keterjelasan (XAI) dan strategi mitigasi untuk halusinasi LLM.