Belajar Data Scientist dari nol hingga production-grade: pre-requisites skill & setup environment, peran & karir 2026, proses data science (CRISP-DM), statistika & probabilitas, Python data stack, data wrangling & cleaning, EDA, data visualization, SQL untuk data science, machine learning fundamentals, feature engineering & selection, model evaluation & validation, experiment tracking, deep learning dasar (PyTorch), NLP & transformers, time series analysis, A/B testing & causal inference, communication & storytelling, data ethics & bias, privacy & data governance, model governance & documentation, AI-integrated data science, LLM & GenAI untuk data, scalable data science, production ML integration, advanced modeling & ensemble, ekosistem & tren modern 2026, hingga roadmap karir & refleksi akhir dengan total 28 episode.
Sebelum menyentuh model dan insight, kalian perlu menguasai Python, statistika & linear algebra, dan SQL dasar. Di episode ini kalian juga menyiapkan Python 3.12+, Jupyter, venv, dan library inti (NumPy, Pandas, scikit-learn, statsmodels), lalu memverifikasi seluruh environment siap dipakai sepanjang series

Membongkar peran Data Scientist di 2026: kombinasi analyst, machine learning, dan storytelling yang mengubah data menjadi keputusan, proyeksi pertumbuhan lapangan kerja BLS 34% (2024-2034), dan bagaimana AI kini menjadi bagian inti dari pekerjaan sehari-hari

Menguasai CRISP-DM, kerangka kerja enam fase yang mengubah masalah bisnis menjadi proyek data science terstruktur: business understanding, data understanding, data preparation, modeling, evaluation, dan deployment — plus contoh peta proyek nyata

Membangun fondasi statistika & probabilitas untuk data science: distribusi data, statistik inferensial, uji hipotesis, dan p-value — dilengkapi praktik uji hipotesis nyata dengan Python dan scipy

Menguasai inti Python data stack: NumPy untuk array & operasi vectorized, Pandas untuk DataFrame, dan kebiasaan menulis kode yang cepat serta idiomatis — lengkap dengan analisis data nyata menggunakan Pandas

Menguasai data wrangling & cleaning: menangani missing values, mendeteksi dan menangani outlier, serta feature engineering dasar — dibangun dalam pipeline cleaning yang bisa dipakai ulang untuk proyek apa pun

Menguasai Exploratory Data Analysis: merangkum statistik, mengukur korelasi, dan menggali insight awal dari data — dilengkapi praktik EDA lengkap yang menjadi dasar sebelum masuk ke modeling

Mengubah data menjadi cerita visual: Matplotlib untuk kontrol penuh, Seaborn untuk statistik & distribusi, dan Plotly untuk interaktivitas — plus prinsip storytelling visual dan praktik membuat dashboard insight

Menggunakan SQL sebagai bahasa utama data science: mengambil data dengan query, melakukan aggregation & window function, hingga feature extraction langsung dari database — dilengkapi praktik query analitik di PostgreSQL

Membangun fondasi machine learning: supervised vs unsupervised, trade-off bias-variance, overfitting, dan train/test split — dilengkapi praktik membangun model baseline pertama dengan scikit-learn
