Tentang Kursus
Kursus intensif "Understanding Computer Vision" dirancang untuk membawa Anda dari level dasar hingga mampu membangun aplikasi AI nyata yang relevan dengan kebutuhan industri saat ini. Melalui pendekatan terstruktur, Anda akan mempelajari fundamental pemrosesan citra digital, teknik feature extraction klasik, hingga arsitektur Deep Learning modern seperti CNN, YOLO, dan Mask R-CNN menggunakan tools standar seperti OpenCV, TensorFlow, dan PyTorch. Keunggulan kursus ini terletak pada kombinasi teori solid dan praktik hands-on melalui tiga studi kasus utama: klasifikasi gambar end-to-end, deteksi objek real-time, dan sistem OCR. Selain penguasaan teknis, kurikulum ini juga membekali Anda dengan strategi mengatasi tantangan komputasi, pemahaman etika AI, serta eksplorasi teknologi masa depan seperti Generative AI, menjadikannya investasi komprehensif bagi siapa pun yang ingin berkarier di bidang Artificial Intelligence.
Apa yang akan kamu pelajari?
- Fundamental Computer Vision, mencakup konsep dasar, sejarah, aplikasi industri, arsitektur sistem CV, dan pengenalan tools (OpenCV, TensorFlow, PyTorch)
- Anatomi Gambar Digital, mencakup Pixel, resolusi, color channels (RGB, Grayscale, HSV), histogram, dan analisis distribusi intensitas
- Image Pre-processing & Filtering, meliputi Resizing, cropping, brightness/contrast adjustment, blur (Gaussian, Median), dan sharpening
- Segmentasi dan Morfologi, meliputi thresholding untuk segmentasi dan operasi morfologi (dilation, erosion)
- Feature Extraction Klasik termasuk edge detection (Canny, Sobel, Laplacian), corner detection (Harris), dan pattern recognition (LBP)
- Deteksi Objek Klasik, mencakup Haar Cascade Classifier untuk deteksi wajah dan contour detection untuk analisis bentuk
- Deep Learning Fundamentals termasuk perbandingan metode klasik vs Deep Learning dan keunggulan pendekatan neural networks
- Convolutional Neural Networks (CNN), meliputi arsitektur CNN, convolutional layer, pooling layer, dan fully-connected layer
- Image Classification termasuk implementasi CNN untuk klasifikasi gambar dengan arsitektur populer (VGG, ResNet)
- Object Detection Modern yang mencakup YOLO (You Only Look Once) dan SSD (Single Shot Detector) untuk deteksi objek real-time
- Segmentasi Lanjutan, mencakup semantic & instance segmentation dengan Mask R-CNN dan konsep transfer learning
- Studi Kasus Praktis, meliputi sistem klasifikasi gambar end-to-end, deteksi objek real-time dengan webcam, dan OCR dengan Tesseract
- Praktik terbaik & Optimisasi termasuk cara mengatasi overfitting, bias data, keterbatasan komputasi, dan optimasi performa real-time