Apakah machine learning selalu berbicara untuk data yang banyak? Keterbatasan dalam pengumpulan data ternyata merupakan salah satu isu dalam implementasi algoritma statistical & machine learning dalam studi aerodinamika. Oleh karena itu, algoritma "spesial" seperti Gaussian Processes menjadi krusial untuk mengkuantifikasi ketidakpastian dan memberikan fleksibilitas yang cukup untuk pemodelan yang data efficient. Dr Pramudita Satria Palar berbagi pengalaman risetnya di bidang pengembangan metode dan aplikasi Gaussian Processes/Kriging dalam aerodinamika. Untuk yang tertarik belajar lebih lanjut, bisa mencoba membaca buku Gaussian Processes for Machine Learning dan melihat referensi lain dari Cambridge Machine Learning Group.

(0:25) Latar belakang pendidikan
(1:12) Pengalaman riset
(4:00) Statistical learning dalam aerodinamika
(8:18) Tujuan optimasi dan dampak finansialnya
(12:19) Gaussian Processes dan kelebihannya dalam data aerodinamika
(17:16) Proses pengumpulan data, limitasinya, dan simulasi sebagai alternatif
(22:52) Optimasi dengan genetic & evolutionary algorithm dan konferensi GECCO
(29:18) Cambridge Machine Learning Group dan referensi belajar Gaussian Processes
(31:05) Penutup dan visi riset: physics-informed machine learning dan grup riset multidisiplin