PolyU | Konsep Kecerdasan Buatan
Kursus komprehensif ini menyediakan pengantar Kecerdasan Buatan yang ketat namun mudah dipahami, dirancang untuk mahasiswa pascasarjana dan para profesional. Menjembatani kesenjangan antara fondasi historis dan inovasi mutakhir, kurikulum ini berkembang dari AI simbolik dan algoritme pencarian hingga Deep Learning dan AI Generatif modern. Mahasiswa akan mempelajari topik-topik penting seperti representasi pengetahuan, penalaran probabilistik, dan pembelajaran mesin klasik sebelum menyelami secara mendalam jaringan saraf, Transformer, dan Large Language Model (LLM). Dengan menekankan teori sekaligus praktik, kursus ini menggunakan Python dan kerangka kerja standar industri seperti PyTorch untuk mengimplementasikan algoritme, berinteraksi dengan API modern, serta membahas isu-isu kritis dalam etika dan keamanan AI.
Gambaran Umum Kursus
Ringkasan Konten
Kursus komprehensif ini menyediakan pengantar yang rigoris namun mudah diakses untuk Kecerdasan Buatan (AI), dirancang untuk mahasiswa pascasarjana dan profesional. Menjembatani kesenjangan antara fondasi historis dan inovasi terkini, kurikulum ini berkembang dari AI simbolik dan algoritma pencarian hingga Deep Learning dan Generative AI modern. Mahasiswa akan mengeksplorasi topik-topik penting seperti representasi pengetahuan, penalaran probabilistik, dan machine learning klasik sebelum menyelami jaringan saraf, Transformer, dan Large Language Models (LLM). Menekankan pada teori dan praktik, kursus ini menggunakan Python dan framework 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 Generative AI modern, kursus ini membekali mahasiswa dengan kedalaman teoretis dan keterampilan Python praktis untuk merancang, mengimplementasikan, dan mengevaluasi sistem cerdas secara etis.
Tujuan Pembelajaran
- Menguasai Fondasi AI: Menganalisis dan mengimplementasikan paradigma pemecahan masalah fundamental, termasuk pencarian heuristik, penalaran berbasis logika, dan pemodelan probabilistik.
- Mengimplementasikan Arsitektur Deep Learning: Merancang dan melatih jaringan saraf canggih menggunakan PyTorch, mulai dari Multi-layer Perceptron hingga Convolutional Neural Networks dan Transformer.
- Menyebarkan Solusi Generative AI: Merekonstruksi aplikasi yang memanfaatkan Large Language Models (LLM), menggunakan teknik seperti fine-tuning, prompt engineering, dan Retrieval-Augmented Generation (RAG).
- Memastikan Pengembangan AI yang Etis: Mengevaluasi secara kritis sistem AI untuk bias, keamanan, dan alignment, menerapkan strategi untuk explainability dan robustness dalam skenario dunia nyata.