Kursus Asas Sains Data & AI di Malaysia
Laluan bimbingan 1-ke-1 berstruktur dari asas Python + statistik kepada machine learning klasik (regresi, klasifikasi, kluster scikit-learn) dan pengenalan deep learning (TensorFlow + PyTorch). Diselaraskan dengan MyDigital Blueprint MOSTI 2021-2030 dan Pelan Tindakan AI Kebangsaan NAIR4. Pelajar membina portfolio Kaggle Notebooks + GitHub untuk memohon ke MDEC Premier Digital Tech Institutes atau laluan dewasa boleh dituntut HRD Corp.
What is Kursus Asas Sains Data & AI?
Sains data ialah amalan menukar data kepada keputusan; asas AI merangkumi model machine learning yang mengautomasi sebahagian kerja itu. Di Malaysia, susunan dasar bermula dari Malaysia Digital Economy Blueprint MOSTI (MyDigital 2021-2030, sasaran 500,000 pekerja digital) dan Pelan Tindakan AI Kebangsaan MOSTI/MIMOS 2021-2025 (NAIR4: empat prinsip kepercayaan ditambah enam tonggak strategik: data, bakat, infrastruktur, etika, R&D, penerimaan sektoral), hingga kempen literasi AI-Rakyat MDEC dan pengiktirafan MDEC Premier Digital Tech Institutes (PDTI) ke atas program ijazah Sains Data / AI bertauliah MQA (APU BSc Data Science, MMU BCS Hons Data Science, Sunway BSc Data Analytics, Taylor's, ditambah IPTA awam UM FCSIT BCS AI, USM Intelligent Systems, UKM FTSM, UTM Computing, UPM, UiTM). Saluran penyalur sekolah ialah KSSM Asas Sains Komputer Tingkatan 1-3 → SPM Sains Komputer 4571 (Python 3 diperiksa, KSSM DSKP) → STPM ICT 958 (MPM, 3 semester) atau Cambridge IGCSE 0478 / A-Level 9618. Jurulatih Edustar mengajar Python dahulu (bukan R), kit lengkap regresi/klasifikasi/kluster scikit-learn (Pedregosa et al. 2011), dan pengenalan deep learning TensorFlow (Google 2015) + PyTorch (Meta 2016), menggunakan Kaggle Notebooks sebagai portfolio awam dan Jupyter / Google Colab sebagai persekitaran kerja harian. Prasyarat matematik (algebra linear + statistik deskriptif dan inferens + kalkulus asas) diajar bersama, bukan sebelum. Kesedaran etika AI + bias berlabuh pada Cadangan UNESCO tentang Etika AI 2021 (Malaysia adalah penandatangan) dan rangka kerja tempatan PDPA 2010 + Akta Cybersecurity 2024.
- 01Python 3 ialah lingua franca AI/DS, dipilih kerana SPM Sains Komputer 4571 sudah diperiksa dalam Python (KSSM DSKP), dan PyTorch / TensorFlow / scikit-learn semuanya Python-dahulu
- 02Prasyarat matematik adalah nyata tetapi diajar bersama: algebra linear (vektor, matriks, hasil darab titik), statistik deskriptif + inferens (min, varians, ujian hipotesis, nilai p), kalkulus asas (terbitan untuk gradient descent)
- 03Kit ML: scikit-learn (Pedregosa et al. 2011 JMLR) untuk regresi, klasifikasi, kluster; pandas (McKinney 2010) untuk data jadual; NumPy (Harris et al. 2020 Nature) untuk array; Matplotlib (Hunter 2007) + Seaborn untuk plot
- 04Kit deep learning: TensorFlow 2 + Keras (Google 2015) dan PyTorch (Meta 2016), kedua-duanya diajar kerana universiti dan industri MY berpecah lebih kurang 50/50
- 05Kaggle (pertandingan + Notebooks + Datasets) ialah portfolio awam, Kaggle Notebooks berfungsi seperti repo GitHub saintis data
- 06Senarai pendek MDEC PDTI untuk ibu bapa memilih ijazah DS/AI MY: APU, MMU, Sunway, Taylor's, ditambah IPTA awam UM/USM/UKM/UTM/UPM/UiTM
- 07AI-Rakyat (MDEC, dilancarkan 2023), kurikulum literasi AI kebangsaan percuma dibangunkan bersama Intel, boleh dituntut sebagai bukti literasi asas untuk permohonan peringkat masuk
- 08Tuntutan HRD Corp tersedia untuk pelajar dewasa: 800+ kursus AI / sains data / Python / ML disenaraikan di Carian Kursus Boleh Dituntut HRD Corp
- 09MAGIC + Cradle Fund menjadi tonggak ekosistem startup AI MY untuk pelajar laluan pengasas (geran CIP sehingga RM 150K, MAGIC ASEAN deep-tech)
Apa yang diliputi bimbingan Asas Sains Data & AI dengan Edustar
Skop jujur: tiada gred terjamin, tiada pekerjaan data pertama terjamin, hanya bimbingan sepanjang tahun berstruktur dari Python ke ML ke pengenalan deep learning dengan portfolio Kaggle + GitHub awam pada akhirnya.
Tingkatan 1 – Dewasa
Laluan semua peringkat umur disokong
6 bulan → 12 bulan
Asas → urutan asas-ke-lanjutan penuh
3 modul
Python + statistik → ML scikit-learn → deep learning TensorFlow + PyTorch
Seluruh negara
Bersemuka atau dalam talian
Apa yang diliputi Kursus Asas Sains Data & AI
Tiga modul dari sifar hingga fasih ML: asas Python + statistik, asas ML scikit-learn (regresi / klasifikasi / kluster), dan pengenalan deep learning TensorFlow + PyTorch. Asas 6 bulan → lanjutan 12 bulan untuk kedalaman portfolio + permohonan ijazah.
Modul 1: Asas Python + statistik (NumPy, pandas, Matplotlib + statistik deskriptif & inferens + ulang kaji algebra linear)
Minggu 1-10. Bina asas Python + matematik. Pada penghujungnya, pelajar boleh memuatkan CSV dengan pandas, membersihkannya, menjalankan statistik deskriptif, memplotnya, dan menjalankan ujian hipotesis asas.
Asas Python 3: pembolehubah, aliran kawalan, lists / tuples / dicts / sets, list comprehensions, fungsi, kelas, pengendalian pengecualian, persekitaran maya (venv / conda), disiplin pip install. NumPy (Harris et al. 2020 Nature): ndarray, broadcasting, operasi vektor, primitif algebra linear (hasil darab titik, pendaraban matriks, eigenvalues untuk PCA kemudian). pandas (McKinney 2010): Series dan DataFrame, read_csv / read_excel, pengindeksan (.loc /.iloc), groupby, merge / join, pivot, time-series resample, pengendalian data hilang (.dropna /.fillna). Matplotlib (Hunter 2007) + Seaborn untuk plot: garis, bar, scatter, histogram, box plot, heatmap, matriks korelasi. Statistik deskriptif: min, median, mod, varians, sisihan piawai, kuartil, IQR. Statistik inferens: taburan persampelan, teorem had memusat, selang keyakinan, ujian hipotesis (t-test, chi-square, ANOVA), nilai p dan kesilapan biasa. Ulang kaji algebra linear: vektor, matriks, hasil darab titik, songsangan matriks, eigenvalues / eigenvectors (asas untuk PCA, hadapan suap rangkaian neural). Kalkulus asas, terbitan, peraturan rantai (asas untuk gradient descent). Aliran kerja Jupyter Notebook + Google Colab: kawalan versi, sel naratif Markdown, analisis yang boleh dihasilkan semula. Kaggle Notebook awam pertama menjelang minggu ke-6 (EDA bersih pada set data sebenar). Sesuai untuk pemula sejati dengan keselesaan matematik peringkat sekolah menengah, termasuk pelajar KSSM Tingkatan 1-3 dengan Python dari Asas Sains Komputer.
Modul 2, Asas ML dengan scikit-learn (regresi + klasifikasi + kluster + penilaian model)
Minggu 11-24. Machine learning klasik dari awal kemudian dengan scikit-learn. Pada penghujungnya, pelajar boleh merangka masalah sebenar sebagai ML diselia atau tidak diselia, memilih model yang betul, melatihnya, menilainya secara jujur, dan menerangkannya.
Rangka masalah, pembelajaran diselia vs tidak diselia vs pengukuhan; klasifikasi vs regresi; pemisahan latihan / pengesahan / ujian; pertukaran bias-varians; underfitting vs overfitting. Regresi: regresi linear ringkas (bentuk tertutup + gradient descent), regresi linear berbilang, regresi polinomial, pengaturan (Ridge L2, Lasso L1, Elastic Net). Klasifikasi: regresi logistik (dan mengapa ia klasifikasi bukan regresi), k-Nearest Neighbours (kNN), pokok keputusan (CART, Gini vs entropy), random forest (bagging), gradient boosting (pengenalan XGBoost, LightGBM), Support Vector Machine (kernel linear + RBF). Kluster: k-means (dan kaedah siku), pengelompokan hierarki, DBSCAN (berdasarkan kepadatan). Pengurangan dimensi, PCA, t-SNE untuk visualisasi. API saluran paip scikit-learn (Pedregosa et al. 2011 JMLR): Pipeline, ColumnTransformer, GridSearchCV, cross_val_score. Penilaian model, matriks kekeliruan, precision / recall / F1 / ROC-AUC untuk klasifikasi; MAE / MSE / RMSE / R² untuk regresi; skor silhouette untuk kluster. Pengesahan silang (k-fold, stratified k-fold). Kejuruteraan ciri: one-hot encoding, ordinal encoding, penskalaan (StandardScaler, MinMaxScaler), pemilihan ciri. Penyertaan pertandingan Kaggle pertama menjelang minggu ke-18 (biasanya Titanic + House Prices sebagai penanda aras peringkat masuk, kemudian pertandingan Featured semasa). Set data MY sebenar: data terbuka Bank Negara Malaysia, set data hackathon Petronas, statistik pendidikan data terbuka KPM. Sesuai untuk semua pelajar selepas Modul 1, termasuk pelajar Tingkatan 4-5 SPM 4571 yang menyediakan kedalaman peringkat universiti.
Modul 3, Pengenalan deep learning dengan TensorFlow + PyTorch (asas rangkaian neural + computer vision + pengenalan NLP + portfolio Kaggle)
Minggu 25-48. Asas deep learning dengan kedua-dua kerangka utama. Pada penghujungnya, pelajar boleh membina, melatih dan menilai MLP asas dan CNN kecil, menerangkan backpropagation secara intuitif, menggunakan Kaggle Notebook dengan model terlatih, dan membincangkan etika AI + bias.
Asas rangkaian neural: perceptron, fungsi pengaktifan (ReLU, sigmoid, tanh, softmax), hadapan suap, fungsi kerugian (cross-entropy, MSE), intuisi backpropagation, gradient descent + varian (SGD, momentum, Adam). Multi-layer perceptron (MLP / suap hadapan bersambung penuh) pada MNIST dan Fashion-MNIST. TensorFlow 2 + Keras (Google 2015): API sekuensial dan fungsional, gelung latihan tersuai, saluran paip input tf.data, model.fit / model.evaluate / model.predict, callbacks (EarlyStopping, ModelCheckpoint). PyTorch (Meta 2016), operasi tensor, corak nn.Module, torch.optim, DataLoader + Dataset, gelung latihan ditulis dari awal, mengapa PyTorch ialah lalai di makmal penyelidikan MY manakala TensorFlow kekal biasa dalam pengeluaran industri. Pengenalan Convolutional Neural Network (CNN): lapisan conv, pooling, padding, dropout, batch normalisation; latih CNN kecil pada CIFAR-10 dalam kedua-dua kerangka. Pembelajaran pemindahan, muatkan ResNet / VGG / MobileNet yang sudah dilatih, halusi pada set data tersuai kecil (contohnya pengelas imej masakan tempatan MY atau pengelas corak batik). Pengenalan natural language processing: pemecahan kata, bag-of-words, TF-IDF, word embeddings (intuisi word2vec), satu penghalusan pada Hugging Face transformers (BERT kecil untuk klasifikasi sentimen). Kesedaran etika AI + bias: Cadangan UNESCO tentang Etika AI 2021 (MY penandatangan), bias set data (bias persampelan, bias label, bias sejarah), metrik keadilan (demographic parity, equalised odds), asas pematuhan PDPA 2010 + Akta Cybersecurity 2024 + Akta Perlindungan Data Peribadi (pindaan 2024). Pemolesan portfolio Kaggle: 3-5 Kaggle Notebook awam yang besar (satu EDA + satu regresi + satu klasifikasi + satu kluster + satu deep learning), satu penyertaan pertandingan Kaggle dengan kemasukan diranking, sumbangan Kaggle Datasets pilihan. Cermin GitHub, disiplin README, environment.yml / requirements.txt yang boleh dihasilkan semula, video demo. Kursus percuma NVIDIA Deep Learning Institute (DLI) untuk pelajar MY melalui program duta UPM / USM / UTM. Sesuai untuk pelajar pertengahan selepas Modul 2, termasuk siswazah CS universiti yang membina CV kemasukan untuk MSc / industri, dan penukar kerjaya dewasa yang membina portfolio pertama.
Untuk siapa tuisyen Asas Sains Data & AI di Malaysia
Jurulatih, intensiti matematik dan kadens projek ditala kepada tempat pelajar sebenarnya berada: penukar kerjaya, lulusan baru mengejar peranan data pertama, penganalisis bekerja melangkah ke saintis data, atau pengasas startup AI mempelajari asas sebelum mengambil pekerja.
Penukar kerjaya (28-40, latar belakang bukan tech, pelajar petang / hujung minggu)
Pelajar sains data Edustar yang paling biasa. Pada masa ini dalam kewangan, pemasaran, operasi, kejuruteraan atau penjagaan kesihatan; melihat isyarat permintaan MyDigital 2030 dan mahu bertukar kepada peranan data dalam 12-18 bulan. Terhad masa (maksimum 5-8 jam seminggu), sedar bajet (tuntutan HRD Corp melalui majikan adalah pembuka kunci), dan berhati-hati secara rasional tentang berhenti kerja stabil untuk bootcamp 3 bulan. Kadens petang atau hujung minggu 1-ke-1 Edustar + urutan asas-ke-lanjutan 12 bulan ialah padanan semula jadi. Sasaran hasil: peranan penganalisis data atau saintis data junior pertama + pangkat Kaggle Contributor + 3-5 Kaggle Notebook awam + repo GitHub menjelang akhir tahun pertama.
- Tidak boleh berhenti kerja sepenuh masa untuk bootcamp 3 bulan; memerlukan bimbingan petang / hujung minggu yang fleksibel
- Matematik terasa menakutkan selepas bertahun-tahun jauh dari sekolah; memerlukan jurulatih yang akan mengajar algebra linear + statistik bersama, bukan sebagai senarai semak pra-penerbangan
- Tidak pasti sama ada hendak menuntut di bawah HRD Corp melalui bajet L&D majikan, memerlukan pecahan latihan berstruktur untuk memfailkan
- Tertekan oleh pilihan Python vs R, TensorFlow vs PyTorch, ML klasik vs deep learning, mahukan rangka kerja jujur dipadan dengan pasaran kerja MY
Lulusan baru menyasarkan kerjaya data pertama (siswazah tahun akhir → 6 bulan pertama selepas tamat pengajian)
Siswazah IPTA atau PDTI tahun akhir (paling kerap Sains Komputer, Matematik, Statistik, Sains Aktuari, Kejuruteraan, atau Ekonomi) yang telah menyelesaikan beberapa Python dan statistik dalam kerja kursus tetapi tahu jurang portfolio. Matlamat ialah tawaran penganalisis data / saintis data junior / jurutera ML pertama dalam 6-12 bulan selepas tamat pengajian. Bimbingan Edustar memberi tumpuan kepada kedalaman portfolio (Kaggle Notebook + GitHub) dan penyediaan temu duga (SQL, pengekodan langsung Python, reka bentuk sistem ML, asas statistik). Selalunya melakukan ini semasa masih dalam tahun akhir; kadangkala semasa jurang 3-6 bulan antara tamat pengajian dan tawaran disahkan.
- Kerja kursus universiti memberikan teori tetapi tiada pengalaman projek ML hujung-ke-hujung gred pengeluaran Python
- Tidak boleh menyatakan perbezaan antara ML klasik dan deep learning dalam temu duga, walaupun lulus modul berkaitan
- Tiada profil Kaggle, tiada repo GitHub awam, tiada bukti LinkedIn kerja data, tidak kelihatan kepada perekrut
- Menyasarkan firma MY (CelcomDigi, Grab MY, Shopee MY, Petronas, Bank Negara Malaysia) dan firma SG / luar negara, perlu lulus kedua-dua bar teknikal
Penganalisis bekerja meningkatkan kemahiran ke saintis data (fasih SQL + Excel; memerlukan kedalaman Python + statistik + ML)
Penganalisis pertengahan kerjaya (2-5 tahun pengalaman) sudah fasih dalam SQL, Excel, mungkin Tableau atau Power BI, yang mencapai siling analisis deskriptif dan mahu bergerak ke kerja ramalan / preskriptif: ramalan, pemodelan churn, sistem cadangan, NLP asas. Jurang matematik, Python dan ML ialah halangan. Bimbingan Edustar adalah paling pantas untuk segmen ini kerana penganalisis sudah memahami data, konteks perniagaan dan komunikasi pihak berkepentingan; kerjanya ialah Python + statistik + scikit-learn + pengenalan deep learning yang ditambah. Sasaran hasil: kenaikan pangkat dalaman ke peranan saintis data, atau peralihan luaran dengan kenaikan gaji 30-60%.
- SQL + Excel + Tableau sedang menurun; pasukan melakukan semua kerja menarik dalam Python dan penganalisis ditinggalkan menjalankan papan pemuka
- Kursus dalam talian (Coursera, DataCamp) terasa terpisah daripada masalah kerja harian sebenar, memerlukan jurulatih yang akan bekerja melalui set data sebenar penganalisis
- Pengurus sanggup membiayai peningkatan kemahiran di bawah HRD Corp tetapi memerlukan pecahan kursus berstruktur untuk meluluskan
- Mempunyai 8-12 jam seminggu (petang hari minggu + pagi Sabtu); memerlukan kadens yang sesuai
Pengasas startup AI mempelajari asas (laluan MAGIC / Cradle Fund, menilai ROI AI sebelum mengambil pekerja)
Pengasas atau pengasas bersama startup MY peringkat awal (biasanya pra-benih hingga benih; selalunya penerima geran pemecut MAGIC atau CIP Cradle), selalunya bukan teknikal atau teknikal ringan, yang memerlukan kefasihan AI yang cukup untuk: (1) memberi taklimat kepada pengasas bersama teknikal atau pengambilan jurutera ML pertama, (2) menilai sama ada ciri AI realistik memandangkan data + bajet, (3) menulis dek pitch yang sejajar NAIR4 yang boleh dipercayai, dan (4) mengelak daripada dijual penyelesaian AI ajaib oleh vendor. Bimbingan Edustar lebih pendek dan berbentuk matlamat, biasanya 3-6 bulan memberi tumpuan kepada Modul 1 + topik Modul 2 terpilih + kursus pantas etika + tadbir urus seminggu. Sasaran hasil: pengasas boleh membaca semakan kod jurutera ML, memahami model card, dan mencabar tuntutan vendor.
- Perlu menilai kebolehlaksanaan ciri AI untuk peta jalan produk tetapi tidak dapat membezakan sama ada tuntutan vendor realistik
- Dek pitch geran Cradle Fund atau MAGIC memerlukan rangka kerja AI / NAIR4 yang boleh dipercayai tanpa overclaim
- Mahu memberi taklimat kepada pengambilan jurutera ML pertama tanpa terlalu jauh secara teknikal dalam temu duga
- Masa terhad (maksimum 4-6 jam seminggu); tidak boleh mengambil ijazah penuh atau bootcamp; memerlukan asas berbentuk pengasas yang tertumpu
Dari panggilan pertama ke Kaggle Notebook pertama
Cara memulakan bimbingan Asas Sains Data & AI dengan Edustar berfungsi: Python + matematik + ML + DL dengan kadens dipadan dengan matlamat pelajar, kadens mingguan, kadens portfolio sepanjang tahun dibina sekitar Kaggle Notebooks + GitHub.
- 1
Penilaian keperluan percuma (Hari 0)
Kongsi tahap pelajar semasa (peringkat sekolah / siswazah / profesional bekerja / pengasas), pendedahan Python dan matematik terdahulu (SPM 4571 Python, Add-Math 3472, STPM Math T 954, A-Level 9709, statistik universiti, tiada), keadaan akhir sasaran (peranan data pertama, kenaikan pangkat dalaman, permohonan ijazah MDEC PDTI, asas pengasas, pertandingan Kaggle), kadens tersedia (jam seminggu), dan bajet (poket sendiri vs tuntutan HRD Corp). Kami memberi taklimat secara jujur tentang apa yang realistik dalam tetingkap asas 6 bulan atau asas-ke-lanjutan 12 bulan.
~15 min - 2
Diagnostik: Semakan asas Python + statistik
Diagnostik pendek mengikut tahap: tugas menulis fungsi Python (FizzBuzz + pandas one-liner) untuk menyemak pengekodan asas, soalan statistik deskriptif + ujian hipotesis (kira min / varians / jalankan tafsiran t-test) untuk menyemak keselesaan matematik, dan soalan rangka 'bagaimana anda akan mendekati masalah data ini' terbuka untuk menyemak pemikiran berstruktur. Tiada lulus/gagal, tujuannya ialah menetapkan modul permulaan secara jujur.
Sebelum pelajaran 1 - 3
Padanan jurulatih (pakar saintis data)
Kami padankan jurulatih dengan spesialisasi yang betul: ML klasik + statistik untuk peningkatan penganalisis, saluran paip Python + matematik + ML + DL penuh untuk penukar kerjaya, asas AI + etika + tadbir urus untuk laluan pengasas, strategi pertandingan Kaggle untuk pembina portfolio, urutan permohonan ijazah MDEC PDTI untuk pelajar sekolah. Padanan pakar subjek bermakna tiada minggu yang sia-sia pada sukatan pelajaran yang salah.
1-3 hari - 4
Pelajaran pertama: persekitaran + Jupyter / Colab + persediaan Kaggle
Jurulatih membantu menyediakan Python 3 + persekitaran venv atau conda yang bersih, VS Code dengan sambungan Python dan Jupyter, akaun GitHub peribadi, akaun Kaggle peribadi, dan Google Colab untuk akses GPU. Pelajaran 1 melakukan komit Jupyter Notebook 'hello pandas' pertama ke GitHub dan memuat naik Kaggle Notebook pertama (EDA bersih pada set data Titanic Kaggle atau set data terbuka MY sebenar).
Pelajaran 1 - 5
Latihan modul mingguan: Modul 1 (minggu 1-10) → Modul 2 (minggu 11-24) → Modul 3 (minggu 25-48)
Sesi mingguan 1.5-2 jam berstruktur sekitar urutan modul yang dipilih: asas Python + statistik minggu 1-10, asas ML scikit-learn minggu 11-24, pengenalan deep learning TensorFlow + PyTorch minggu 25-48. Setiap minggu pelajar mendorong Jupyter Notebook ke GitHub dan (dari minggu 6) menerbitkan Kaggle Notebook awam. Matematik diajar bersama, bukan sebelum: algebra linear masuk apabila kami sampai PCA, kalkulus masuk apabila kami sampai gradient descent, statistik masuk apabila kami sampai ujian hipotesis.
Berterusan: asas 6 bulan, urutan asas-ke-lanjutan 12 bulan penuh - 6
Pertandingan Kaggle pertama + projek portfolio GitHub pertama yang besar
Menjelang bulan 4-5 pelajar menyerahkan penyertaan pertandingan Kaggle pertama (biasanya Titanic + House Prices sebagai penanda aras, kemudian pertandingan Featured semasa dengan kemasukan diranking). Menjelang bulan 6-7 pelajar menghantar projek portfolio GitHub pertama yang besar, saluran paip hujung-ke-hujung (pengambilan data → pembersihan → EDA → model → penilaian → README + kebolehulang) pada set data dunia sebenar yang dipilih. Data Terbuka Bank Negara Malaysia, set data hackathon Petronas, statistik pendidikan KPM, atau set data yang dikikis sendiri semuanya sah.
Bulan 4-7 - 7
Kemuncak + penyediaan temu duga / permohonan ijazah / pemolesan laluan pengasas
2-3 bulan terakhir. Projek kemuncak: projek ML atau DL hujung-ke-hujung yang besar digunakan ke Kaggle Notebooks + GitHub (contohnya pengelas imej CNN pada set data konteks MY, penghalusan BERT untuk sentimen Bahasa Malaysia, model ramalan churn pada set data sebenar atau sintetik). Kemudian pemolesan hasil khusus: penyediaan temu duga (SQL + pengekodan langsung Python + reka bentuk sistem ML + asas statistik) untuk pelajar laluan pekerjaan, urutan permohonan ijazah (gred STPM Math T 954 + ICT 958 + portfolio) untuk pelajar sekolah, pemolesan laluan pengasas (bahasa pitch sejajar NAIR4 + disiplin model card + rangka etika AI) untuk pengasas. Rancang urutan seterusnya: MLOps + awan (AWS SageMaker / Azure ML / Google Vertex AI), deep learning lanjutan (transformers + penghalusan LLM), atau pengambilan pertama / peranan pertama.
2-3 bulan terakhir + semakan berterusan
Things parents ask us first
Python dahulu, bukan R, untuk laluan AI / sains data di Malaysia
Soalan permulaan yang paling kerap ditanya. Kami menjadikan Python 3 lalai (bukan R) atas empat sebab khusus MY: (1) SPM Sains Komputer 4571 sudah diperiksa dalam Python (KSSM DSKP), jadi penyalur sekolah ialah Python-asli; (2) TensorFlow, PyTorch, Hugging Face transformers, dan JAX semuanya Python-dahulu: R tiada ekosistem deep learning yang setanding; (3) ijazah Sains Data MDEC PDTI di APU, MMU, Sunway, UM, USM, UKM, UTM semuanya mengajar Python sebagai utama; (4) Kaggle Notebooks lalai kepada Python. R tetap berguna di MY untuk biostatistik (Fakulti Perubatan UM, Sains Kesihatan USM) dan beberapa penyelidikan ekonomi di IIUM dan FEP UM, jika itu sasarannya, kami mengajar R bersama. Untuk yang lain, Python ialah jawapannya.
Prasyarat matematik adalah nyata: algebra linear + statistik + sedikit kalkulus
Tanpa asas matematik, machine learning terasa seperti panggilan pustaka kotak hitam dan pelajar mencapai siling pada 'saya boleh jalankan model.fit() tetapi saya tidak tahu mengapa satu model menewaskan yang lain.' Minimum yang jujur: algebra linear (vektor, matriks, hasil darab titik, pendaraban matriks: Khan Academy atau Essence of Linear Algebra 3Blue1Brown memadai), statistik deskriptif + inferens (min / varians / taburan / ujian hipotesis / selang keyakinan, setara dengan KSSM Tingkatan 4-5 Add-Math 3472 + topik statistik STPM Math T 954 atau Math M 950 tahun pertama), dan kalkulus asas (terbitan + peraturan rantai untuk gradient descent, STPM Math T 954 / A-Level Math 9709 Pure Math 2 meliputinya). Kami mengajar matematik bersama, bukan sebelum, setiap konsep masuk apabila ia diperlukan untuk model, bukan sebagai senarai semak pra-penerbangan abstrak.
Etika AI + kesedaran bias: UNESCO 2021 + prinsip kepercayaan NAIR4 Malaysia
Malaysia adalah penandatangan kepada Cadangan UNESCO tentang Etika Kecerdasan Buatan (diterima pakai November 2021 oleh kesemua 193 negara anggota), dan Pelan Tindakan AI Kebangsaan 2021-2025 (NAIR4) secara eksplisit menyenaraikan empat prinsip kepercayaan (keadilan, akauntabiliti, ketelusan, etika) sebagai asas. Di peringkat tempatan, Akta Perlindungan Data Peribadi (PDPA) 2010 dan Akta Cybersecurity 2024 (Akta Keselamatan Siber 2024) menetapkan pematuhan; pindaan PDPA 2024 mengetatkan pemindahan data merentas sempadan dan pemberitahuan pelanggaran. Implikasi praktikal untuk pelajar AI: setiap model yang dilatih pada data peribadi menimbulkan persoalan persetujuan, bias, dan kebolehjelasan. Jurulatih Edustar mengajar pengesanan bias (bias persampelan, bias label, bias sejarah), metrik keadilan (demographic parity, equalised odds, equal opportunity), dan disiplin model cards / data sheets dari Modul 3 dan seterusnya, menjadikannya amalan profesional yang standard sejak peringkat awal.
Laluan portfolio Kaggle: Notebooks ialah GitHub awam anda untuk sains data
Kaggle (pertandingan + Datasets + Notebooks + Discussions) ialah portfolio saintis data de facto global. Pelajar serius berpangkalan di MY yang menamatkan 12 bulan asas sepatutnya mempunyai: 3-5 Kaggle Notebook awam yang besar (satu analisis data penerokaan, satu regresi, satu klasifikasi, satu kluster, satu deep learning), sekurang-kurangnya satu penyertaan pertandingan Featured dengan kemasukan diranking, dan idealnya satu Dataset yang disumbangkan (hackathon Petronas, Data Terbuka Bank Negara Malaysia, statistik pendidikan KPM semuanya pilihan sebenar). Pangkat Kaggle (Novice → Contributor → Expert → Master → Grandmaster) berfungsi sebagai bukti kemahiran, Contributor boleh dicapai dalam 6 bulan penyiaran konsisten. Jurulatih Edustar menggalakkan Notebook awam pertama menjelang minggu ke-6 dan penyertaan pertandingan pertama menjelang minggu ke-18.
Isyarat permintaan MyDigital AI 2030: kuat, dirangka dengan baik, dan bukan jaminan pekerjaan
Malaysia Digital Economy Blueprint MOSTI (MyDigital, 2021-2030) menyasarkan ~500,000 pekerja digital menjelang 2025-2030, dengan AI dan sains data secara eksplisit dinamakan sebagai salah satu daripada enam tonggak teknologi pemangkin di bawah Pelan Tindakan AI Kebangsaan (NAIR4). Pengiktirafan Premier Digital Tech Institutes (PDTI) MDEC mempercepatkan siswazah dari APU, MMU, Sunway, Taylor's, UM, USM, UKM, UTM ke dalam ekosistem tenaga kerja Malaysia Digital; AI-Rakyat MDEC (dilancarkan 2023) meletakkan modul literasi AI percuma yang dibangunkan Intel di hadapan setiap rakyat MY. Ini adalah isyarat permintaan sebenar yang diterbitkan, tetapi ia bukan janji pekerjaan terjamin. Hasil bergantung pada kedalaman portfolio (Kaggle Notebook + repo GitHub awam), rekod prestasi pertandingan, pendedahan internship, dan pembelajaran berterusan. Jurulatih Edustar menyusun pemisahan asas / lanjutan (6 bulan → 12 bulan) dengan tepat supaya menjelang akhir tahun pertama, pelajar mempunyai portfolio untuk memohon dengan meyakinkan.
Tuntutan HRD Corp berfungsi untuk kursus AI / DS dewasa: semak status levi majikan anda
Jika anda pelajar dewasa yang bekerja dengan majikan berdaftar HRD Corp (kebanyakan syarikat dengan jualan tahunan melebihi RM 2.5J atau lebih daripada 10 pekerja membayar levi), latihan sains data dan AI adalah antara kategori boleh dituntut HRD Corp yang paling banyak dibiayai. Carian Kursus Boleh Dituntut HRD Corp menyenaraikan 800+ kursus AI / sains data / Python / ML; kategori layak meliputi pengaturcaraan Python, machine learning, deep learning, MLOps, AI awan (AWS SageMaker, Azure ML, Google Vertex AI), dan penyediaan pensijilan (TensorFlow Developer, AWS Machine Learning Specialty, Azure Data Scientist Associate). Edustar menyediakan pecahan latihan berstruktur (jam modul, hasil pembelajaran, profil tutor, sijil siap) yang membantu pasukan HR / L&D anda memfailkan tuntutan. Perkara yang sama tidak terpakai pada tuisyen SPM 4571 / IGCSE 0478 / A-Level 9618 peringkat sekolah (itu kekal poket sendiri / yuran sekolah).
Jurulatih sains data 1-ke-1 Edustar vs bootcamp 3 bulan vs belajar sendiri (Coursera + Kaggle) vs ijazah Sains Data MDEC PDTI
Empat laluan dari sifar hingga fasih ML di Malaysia: kebanyakan pelajar serius menggunakan gabungan, tetapi laluan utama yang betul bergantung pada umur, masa tersedia, bajet dan matlamat akhir.
Jurulatih sains data 1-ke-1 Edustar
Format
Pair-programming 1-ke-1 mingguan dengan jurulatih saintis data, sepanjang tahun, mengikut ketersediaan pelajar (berfungsi bersama Tingkatan 4-5 / STPM / kerja sepenuh masa)
Sesuai untuk
Penukar kerjaya memerlukan fleksibiliti, penganalisis bekerja meningkatkan kemahiran bersama kerja, pelajar SPM 4571 / IGCSE / A-Level CS membina permulaan awal, pengasas startup AI mempelajari asas
Jumlah kos (MYR)
RM 100-260 sejam 1-ke-1; urutan asas + lanjutan 12 bulan biasanya RM 12,000-30,000 keseluruhan bergantung pada kadens
Kedalaman + keluasan kurikulum
Tersuai, liputan Python / statistik / ML / DL tepat dipadan dengan matlamat pelajar; boleh diskop kepada asas 6 bulan atau dilanjutkan kepada 12 bulan + pemolesan portfolio
Portfolio + komuniti pada akhirnya
3-5 Kaggle Notebook awam + repo GitHub + sekurang-kurangnya satu penyertaan pertandingan Kaggle menjelang bulan 9-12; projek kemuncak diselenggara jurulatih
Bootcamp coding / data 3 bulan (dewasa, sepenuh masa)
Format
Imersif sepenuh masa 12 minggu (Isnin-Jumaat 9-5), bersemuka atau jauh, berasaskan kohort, hanya dewasa
Sesuai untuk
Penukar kerjaya dengan 3 bulan sepenuh masa tersedia + bajet; matlamat jelas mendapat pekerjaan dev / data analyst pertama dalam 6-12 bulan
Jumlah kos (MYR)
RM 8,000-25,000 keseluruhan (12 minggu); tuntutan HRD Corp tersedia melalui majikan pembayar levi (boleh menurunkan kos bersih hampir sifar)
Kedalaman + keluasan kurikulum
Dalam pada laluan kejuruteraan data full-stack atau penganalisis data praktikal; lebih ringan pada asas matematik dan teori deep learning
Portfolio + komuniti pada akhirnya
Portfolio kuat (3-5 projek digunakan + kemuncak + hari demo kepada rakan kongsi pengambilan); rangkaian kohort
Belajar sendiri (Coursera Andrew Ng + Kaggle + DeepLearning.AI)
Format
Pelajaran kendiri dalam talian; tiada jurulatih langsung; sokongan komuniti Discord dan forum Kaggle
Sesuai untuk
Pelajar berdorong tinggi dengan disiplin bacaan English yang kuat dan keselesaan Python atau matematik sedia ada
Jumlah kos (MYR)
RM 0 (audit Coursera) hingga ~RM 2,500/tahun (Coursera Plus + spesialisasi DeepLearning.AI) + Kaggle percuma
Kedalaman + keluasan kurikulum
Kandungan kuliah bertaraf dunia (Spesialisasi ML + DL Andrew Ng ialah standard emas global) tetapi tiada akauntabiliti, tiada semakan projek, tiada konteks MY
Portfolio + komuniti pada akhirnya
Sekuat usaha pelajar; tiada akauntabiliti luaran; Kaggle Notebooks jika pelajar bermotivasi sendiri untuk menerbitkan
Ijazah Sains Data MDEC PDTI (APU / MMU / Sunway / UM / USM / UKM / UTM)
Format
Ijazah sarjana muda sepenuh masa 3-4 tahun; kuliah + tutorial + makmal + projek tahun akhir + penempatan industri
Sesuai untuk
Lulusan sekolah (STPM, A-Level, IGCSE, IB) komited kepada laluan akademik 3-4 tahun dengan kredensial ijazah sebagai matlamat
Jumlah kos (MYR)
IPTA awam RM 8,000-15,000 keseluruhan 3-4 tahun; PDTI swasta (APU / MMU / Sunway / Taylor's) RM 60,000-130,000 keseluruhan
Kedalaman + keluasan kurikulum
Komprehensif: matematik (algebra linear, kalkulus berbilang pembolehubah, statistik), teori CS, pangkalan data, ML + DL penuh, projek penyelidikan tahun akhir, kredensial bertauliah MQA
Portfolio + komuniti pada akhirnya
Projek tahun akhir + internship + sijil ijazah + rangkaian alumni + laluan pantas PDTI ke ekosistem tenaga kerja Malaysia Digital
Di mana tuisyen Asas Sains Data & AI berada dalam laluan Malaysia
Dari Python KSSM Asas Sains Komputer melalui SPM 4571, STPM ICT 958 atau Cambridge A-Level 9618, ke dalam ijazah Sains Data MDEC PDTI bertauliah MQA, dan seterusnya ke industri + peningkatan kemahiran HRD Corp, saluran paip penuh sekolah-ke-kerjaya dirangka oleh MyDigital 2030 dan NAIR4.
- 01
Tingkatan 1-3 (KSSM Asas Sains Komputer)
KSSM Asas Sains Komputer di menengah rendah memperkenalkan asas Python 3: pembolehubah, aliran kawalan, fungsi, reka bentuk algoritma asas. Pendedahan pertama kepada pengendalian data. PT3 tiada kertas CS terminal tetapi ini adalah tetingkap penyalur untuk kesediaan sains data.
- 02
Tingkatan 4-5 (SPM Sains Komputer 4571 + Add-Math 3472)
SPM Sains Komputer 4571 (KPM/LPM, KSSM DSKP, diperiksa dalam Python 3) meliputi Kertas 1 teori dan Kertas 2 pengaturcaraan praktikal + SQL, asas praktikal untuk kerja data. Add-Math 3472 meliputi kalkulus, statistik, vektor, asas matematik. Gabungan SPM 4571 + Add-Math 3472 ialah penyalur aliran sekolah yang paling kuat ke ijazah DS / AI.
- 03
Tingkatan 6 / Pra-U (STPM ICT 958 / A-Level CS 9618 / IB DP CS)
STPM ICT 958 (MPM, 3 semester) untuk aliran STPM meliputi pangkalan data, pemikiran komputasi, reka bentuk algoritma asas + pengendalian data. STPM Math T 954 (atau Math M 950) memberikan kedalaman algebra linear + statistik + kalkulus. Cambridge A-Level Computer Science 9618 (4 kertas) + A-Level Mathematics 9709 (Pure Math + Statistics + Mechanics) untuk aliran A-Level. IB DP Computer Science HL/SL + IB Math HL untuk pelajar IB di ISKL, Mont Kiara, Marlborough.
- 04
Universiti (Ijazah DS / AI bertauliah MQA di MDEC PDTI / IPTA)
Ijazah Sains Data / AI MDEC Premier Digital Tech Institutes (PDTI): APU BSc Data Science / BSc Computer Science dengan spesialisasi AI, MMU BCS Hons Data Science, Sunway BSc Data Analytics, Taylor's. IPTA awam: UM FCSIT (BCS AI), USM School of Computer Sciences (Intelligent Systems), UKM FTSM (Data Science), UTM Computing (Bioinformatics / Data Science), UPM, UiTM. Laluan kemasukan: STPM Math T 954 + ICT 958 CGPA 3.00+ biasa, Matrikulasi, Cambridge A-Level 9618 + 9709, IB DP, atau Foundation / Diploma yang diiktiraf.
- 05
Industri + peningkatan kemahiran dewasa (Tenaga kerja MyDigital + HRD Corp + MAGIC / Cradle Fund)
Saluran paip industri dirangka oleh MyDigital 2030 (sasaran 500K pekerja digital) dan tonggak NAIR4. Peningkatan kemahiran dewasa melalui kursus boleh dituntut HRD Corp (800+ senarai AI / DS / Python / ML) untuk majikan pembayar levi. Ekosistem startup AI: pemecut MAGIC (Malaysian Global Innovation & Creativity Centre) + geran CIP Cradle Fund (sehingga RM 150K) + VC swasta. Kursus duta universiti NVIDIA Deep Learning Institute (DLI) percuma (UPM, USM, UTM). Saluran paip olimpiad PERMATApintar Negara @ UKM untuk pelajar laluan berbakat.
Soalan Lazim
Soalan biasa daripada penukar kerjaya Malaysia, lulusan baru, penganalisis bekerja dan pengasas startup AI tentang bimbingan asas sains data dan AI.
Mulakan bimbingan Asas Sains Data & AI dengan Edustar
Satu penilaian keperluan percuma dahulu, kemudian jurulatih saintis data disusun dalam masa satu hingga tiga hari. Python, matematik, ML dan DL berkadens mengikut matlamat anda, diajar bersemuka ataupun atas talian ke mana-mana negeri.
- Penilaian keperluan percuma + taklimat urutan 6 bulan vs 12 bulan yang jujur
- Jurulatih dipadan mengikut spesialisasi (ML klasik / deep learning / MLOps / asas pengasas)
- Lalai pair-programming: jurulatih + pelajar dalam Jupyter Notebook yang sama
- Kaggle Notebooks awam + portfolio GitHub dari minggu ke-6; penyertaan pertandingan pertama menjelang minggu ke-18
- Etika AI + UNESCO 2021 + rangka kerja NAIR4 dianyam ke dalam Modul 3, bukan ditambah
- Sokongan tuntutan HRD Corp untuk pelajar dewasa yang layak
- Rumah atau dalam talian: seluruh negara
Edustar — Malaysian private tuition, KPM-aligned tutors.
