Bangun pipeline synthetic data tabular yang dapat diuji dari sisi privasi, kualitas statistik, dan dampaknya terhadap performa model.
Skill yang dibangun
Merumuskan tujuan dan kriteria penerimaan synthetic data berdasarkan kebutuhan privasi, kualitas statistik, dan utility model.
Membangun pipeline generasi data tabular campuran yang menangani tipe data, nilai hilang, ketidakseimbangan kelas, serta konfigurasi random state secara reproducible.
Menguji kemiripan distribusi, hubungan antarf fitur, validitas aturan domain, dan indikasi data sintetis yang terlalu dekat dengan data asli.
Membandingkan performa model yang dilatih dan diuji pada kombinasi data asli serta sintetis, lalu menafsirkan trade-off privasi, utility, kualitas, dan biaya komputasi.
Data scientist, machine learning engineer, analis risiko, dan pengembang aplikasi berbasis data yang telah menguasai Python, pandas, statistik dasar, evaluasi model supervised learning, serta konsep train-validation-test split. Peserta sebaiknya pernah menangani data kategorikal dan numerik yang tidak bersih. Kursus ini ditujukan bagi mereka yang membutuhkan data untuk pengujian, eksperimen, berbagi lintas tim, atau pelatihan model ketika data asli terbatas, sensitif, tidak seimbang, atau sulit didistribusikan; bukan untuk peserta yang baru belajar Python atau machine learning.
Project outcomes
Peserta akan membangun pipeline end-to-end untuk menghasilkan dan mengevaluasi synthetic data tabular dari dataset klasifikasi yang memiliki fitur numerik dan kategorikal, nilai hilang, serta kelas tidak seimbang. Pipeline mencakup konfigurasi eksperimen, pemisahan train-validation-test tanpa leakage, proses generasi, pemeriksaan kualitas dan privasi, evaluasi downstream model, serta laporan hasil yang dapat dibandingkan antarversi. Artefak akhirnya berupa struktur proyek Python yang dapat dijalankan ulang dengan dataset dan konfigurasi berbeda.
Data sintetis dapat membantu pengujian, eksperimen, dan kolaborasi ketika data asli terbatas atau sensitif. Namun, data yang tampak realistis belum tentu mempertahankan hubungan antarf fitur, aman terhadap kebocoran informasi, atau berguna untuk melatih model. Kursus ini dimulai dari cara merumuskan tujuan penggunaan data dan mengenali failure mode sebelum memilih metode generasi.
Peserta membangun pipeline untuk data tabular campuran yang berisi fitur numerik, kategorikal, nilai hilang, ketidakseimbangan kelas, serta batasan domain. Prosesnya mencakup pemisahan data secara benar, pemodelan dan sampling, validasi distribusi serta dependensi, pengujian risiko privasi, dan evaluasi utility melalui eksperimen downstream pada model supervised learning. Setiap metrik dibaca bersama asumsi dan keterbatasannya, bukan diperlakukan sebagai skor tunggal yang menentukan kualitas.
Di akhir kursus, pipeline dapat dijalankan ulang dengan konfigurasi yang terlacak, menghasilkan laporan evaluasi, dan membantu pengambilan keputusan: kapan data sintetis cukup untuk pengujian atau berbagi internal, kapan perlu perbaikan, dan kapan data tersebut tidak layak menggantikan data asli. Implementasi menggunakan Python serta pustaka ekosistem data yang umum, dengan perhatian pada reproducibility, validasi leakage, maintainability, dan biaya komputasi.
Bangun pipeline Python untuk menemukan aspek produk dan mengukur sentimen dari ulasan berbahasa Indonesia.
Bangun pipeline ekstraksi entitas dan relasi dari teks Bahasa Indonesia, lalu evaluasi hasilnya sebagai knowledge graph yang terukur.
Bangun alur Python untuk mengekstrak tabel dari PDF operasional, memvalidasi hasilnya, lalu menyimpannya sebagai CSV siap analisis.
Bangun feature store lokal yang menjaga konsistensi fitur training dan inferensi serta membantu membuktikan tidak adanya data leakage.