MFDS-NM: Mathematical Foundation for Data Science - Numerical Methods

Pendahuluan Metode Numerik untuk Data Science via Python

Tidak semua masalah dalam matematika, statistika, dan data science dapat diselesaikan secara analitik (teoritik). Sebagian besar aplikasi model matematika dalam kehidupan sehari-hari diselesaikan secara numerik dengan mencari nilai pendekatannya. Walaupun dengan pendekatan ini tidak dapat menghasilkan solusi eksak, akan tetapi biasanya cukup untuk menyelesaikan permasalahan yang ada. Modul Metode Numerik ini memfokuskan pada teknik-teknik menyelesaikan berbagai permasalahan dasar matematika, statistika, machine learning, dan data science secara numerik, seperti pencarian akar, turunan, integral, operasi dalam matriks, optimasi, dan Statistik.

1. Pendahuluan Sistem Bilangan di Komputer dan Analisa Error Sederhana.
2. Komputasi Numerik Statistik Sederhana
3. Solusi Numerik persamaan Non-Linear
4. Interpolasi dan Aproksimasi Polinomial
5. EigenValue dan Eigenvector Numerik
6. Curve Fitting
7. Turunan Numerik
8. Integral Numerik
9. Optimasi Numerik

Secara berkala modul ini akan terus di koreksi dan diperbaharui dengan interval waktu yang tidak ditentukan. Mohon gunakan kolom komentar hanya untuk errata atau keperluan lain. Pertanyaan dan diskusi harap dilakukan pada Forum yang telah disediakan. Secara umum setiap modul akan terdiri dari:

1. video: Penjelasan umum yang disajikan secara less-formal yang cocok untuk mereka yang benar-benar baru dalam mempelajari topik yang dibahas. Video penjelasan ini juga cocok untuk para praktisi yang merasa tidak perlu mendalami teori terlalu dalam.
2. Modul tertulis: Penjelasan semi-formal tentang teori dari topik yang sedang dibahas.
3. Topik bahasan di Forum sebagai sarana diskusi antar pengguna (asynchronous).
4. Latihan Soal: untuk pengguna umum (subscriber tau-data) akan berisi latihan soal dasar berdasarkan materi di video, modul, & bahan bacaan tugas di modul. Latihan soal (uji kompetensi yang komprehensif) beserta skor-nya hanya diberikan ke mitra tau-data.
5. Python Codes yang dapat langsung diakses dengan Google Colaboratory.
6. Synchronous Learning (lewat zoom/luring) hanya diberikan kepada mitra tau-data.

Catt: Anda wajib mendaftar di web tau-data (gratis) untuk dapat mengakses keseluruhan feature, materi, latihan soal, serta diskusi di forum DSBD tau-data.

Prasayarat :

Modul ini akan lebih mudah untuk dipahami jika anda sebelumnya telah mempelajari:

1. Dasar pemrograman (Python) (Link)
2. Kalkulus Dasar (Link)
3. Statistika Dasar (Link)
4. Aljabar Linear (Link)

Tujuan Pembelajaran

Setelah menyelesaikan modul ini, diharapkan peserta akan mampu mengembangkan pemahaman dan apresiasi untuk beberapa implementasi dan solusi komputasi numerik dari berbagai permasalahan aplikasi di matematika, statistika maupun berbagai bidang ilmu terkait lainnya (machine learning dan data science) dengan pemrograman komputer (Python).

Evaluasi:

1. Di setiap topik di modul ini diberikan beberapa latihan daring yang dapat diikuti pengguna untuk menguji pemahaman selama mempelajari materi di modul ini. Latihan ini akan diperbaharui dari waktu ke waktu pada interval waktu yang tidak ditentukan. Ketika telah menyelesaikan berbagai aktivitas seperti menyelesaikan materi modul, latihan, menonton (secara penuh) video di tau-data, dan kegiatan lainnya pengguna akan mendapatkan tau-points. tau-points akan dapat digunakan di masa depan untuk berbagai kegiatan tau-events.
2. Skor latihan daring akan diberitahukan secara automatis oleh sistem, namun pembahasannya tidak diberikan. tau-data melarang materi latihan soal untuk dibahas di website tau-data dikarenakan akan mengurangi efektivitas pembelajaran yang dilakukan oleh pengguna lain. Namun demikian tau-data memperbolehkan untuk mendiskusikan permasalahannya di forum yang bersesuaian yang telah disediakan tau-data (tanpa menyatakan jawaban secara eksplisit). Pelanggaran akan berakibat user dihapus dan di blokir dari sistem.
3. mitra tau-data akan mendapatkan evaluasi tambahan dan synchronous learning baik daring (misal melalui zoom) atau luring/offline (tatap muka lewat sistem flipped class).

Software/Tools:

Python (Anaconda/WinPython/Google Colaboratory).

Modules: Numpy, Matplotlib, Seaborn, etc.

Forum:

https://tau-data.id/forums/forum/metode-numerik/

Referensi:

1. Johansson, R. (2018). Numerical Python: Scientific Computing and Data Science Applications with Numpy, SciPy and Matplotlib. Apress.
2. John H. Mathews, Numerical Methods for Mathematics, Prentice Hall, 1992
3. Heath, M. T. (2018). Scientific computing: an introductory survey (Vol. 80). SIAM.
4. Conte, S. D., u0026amp; De Boor, C. (2017). Elementary numerical analysis: an algorithmic approach (Vol. 78). SIAM.

Supplementary:

• Tools Pendukung:
  - Google Colab
  - GitHub
  - Colaborative office system (misal gSheets)
  - online forms
  - etc

Kembali ke Kurikulum Utama