Σύντομη περιγραφή προγράμματος
Το πρόγραμμα απευθύνεται τόσο σε αρχάριους όσο και επαγγελματίες που θέλουν μια εις βάθος κατανόηση των τεχνικών και των εργαλείων της επιστήμης των δεδομένων που απαιτούνται στον σύγχρονο επιχειρηματικό κόσμο. Μέσα από ένα ισορροπημένο συνδυασμό θεωρητικής διδασκαλίας και πρακτικών εφαρμογών, οι καταρτιζόμενοι θα μάθουν να επεξεργάζονται δεδομένα και να αναπτύσσουν αλγόριθμους μηχανικής μάθησης για τη δημιουργία προγνωστικών μοντέλων. Το πρόγραμμα απευθύνεται σε όσους επιθυμούν να ενισχύσουν τις δεξιότητές τους, να αναβαθμίσουν την καριέρα τους στον τομέα των δεδομένων ή να αποκτήσουν τις αναγκαίες γνώσεις για να συνεχίσουν τις σπουδές τους σε μεταπτυχιακό επίπεδο.
Τρόπος διεξαγωγής
Οι καταρτιζόμενοι μπορούν να παρακολουθήσουν το πρόγραμμα με δύο διαφορετικούς τρόπους: με
δια ζώσης παρακολούθηση, ή παρακολούθηση με
Live Streaming, δηλαδή μέσω ηλεκτρονικής πλατφόρμας από τον χώρο της επιλογής τους. Οι συμμετέχοντες με φυσική παρουσία στην αίθουσα (δια ζώσης τρόπος παρακολούθησης) θα πρέπει να φέρνουν laptop την ώρα του μαθήματος. Οι καταρτιζόμενοι επιλέγουν τον τρόπο παρακολούθησης στην αίτησή τους. H Live Streaming μέθοδος παρέχει τις εξής δυνατότητες:
- Παρακολούθηση των διαλέξεων (Live) από το χώρο του εκπαιδευόμενου, χωρίς γεωγραφικούς περιορισμούς
- Δυνατότητα υποβολής ερωτήσεων στον διδάσκοντα
- Δυνατότητα παρακολούθησης της βιντεοσκοπημένης διάλεξης σε μεταγενέστερο χρόνο
- Ηλεκτρονική διάθεση του εκπαιδευτικού υλικού του Προγράμματος (ολόκληρο το εκπαιδευτικό υλικό προσφέρεται δωρεάν)
Μαθησιακά αποτελέσματα
Με την επιτυχή περάτωση του προγράμματος ο εκπαιδευόμενος θα μπορεί να
- προγραμματίζει στην Python με ευχέρεια,
- χρησιμοποιεί δημοφιλή πακέτα όπως NumPy, Pandas, και Scikit-learn, Keras και θα είναι σε θέση να τα χρησιμοποιεί για την ανάπτυξη και αξιολόγηση μοντέλων μηχανικής μάθησης,
- κατανοεί τις θεμελιώδεις και απαραίτητες, για το αντικείμενο, γνώσεις Λογισμού, Άλγεβρας και Στοχαστικών μεθόδων,
- σχεδιάζει και να εκτελεί αποτελεσματικά SQL queries για την προετοιμασία δεδομένων για μοντέλα μηχανικής μάθησης,
- ενσωματώνει σχεσιακά δεδομένα σε μοντέλα μηχανικής μάθησης για την ανάλυση και επεξεργασία δεδομένων σε μεγάλη κλίμακα.
- εκπαιδεύει και να αξιολογεί μοντέλα επιβλεπόμενης μάθησης χρησιμοποιώντας τεχνικές όπως γραμμική παλινδρόμηση και δέντρα αποφάσεων,
- αναγνωρίζει και να ερμηνεύει υποκείμενα μοτίβα σε αδόμητα δεδομένα,
- δημιουργεί και να παρουσιάζει οπτικοποιήσεις δεδομένων που διευκολύνουν τη λήψη στρατηγικών επιχειρηματικών αποφάσεων,
- αναλύει επιχειρηματικά δεδομένα και να εξάγει πολύτιμες πληροφορίες μέσω πρηγμένων εργαλείων οπτικοποίησης,
- διαχειρίζεται μεγάλου όγκου δεδομένα χρησιμοποιώντας τεχνολογίες όπως Hadoop και Spark,
- χρησιμοποιεί τεχνικές NoSQL και cloud-based εφαρμογές για την αποδοτική ανάλυση μεγάλων δεδομένων,
- εφαρμόζει συστήματα συστάσεων χρησιμοποιώντας τεχνικές όπως το φιλτράρισμα βάσει περιεχομένου και συνεργατικό φιλτράρισμα,
- αναπτύσσει και να εκπαιδεύει νευρωνικά δίκτυα για την ανάλυση δεδομένων και την επεξεργασία φυσικής γλώσσας,
- αποκτήσει δεξιότητες στην εφαρμογή τεχνικών NLP για την κατανόηση και παραγωγή ανθρώπινης γλώσσας σε διάφορες εφαρμογές.
Θεματικές ενότητες
- Python για Μηχανική Μάθηση
Η ενότητα έχει σχεδιαστεί για να παρέχει στους καταρτιζόμενους τις απαραίτητες γνώσεις προγραμματισμού στην γλώσσα Python και στην εξοικείωση με τα δημοφιλή πακέτα της για τις εφαρμογές της Μηχανικής Μάθησης και της Ανάλυσης Δεδομένων. - Τα Μαθηματικά της Μηχανικής Μάθησης και Ανάλυσης Δεδομένων
Αυτή η ενότητα καλύπτει όλες τις απαραίτητες μαθηματικές γνώσεις (Λογισμός, Γραμμική Άλγεβρα, Πιθανότητες, Στατιστική) χρήσιμες για την κατανόηση των τεχνικών της Μηχανικής Μάθησης και της Ανάλυσης Δεδομένων. Κύριο χαρακτηριστικό της ενότητας η εκτενής σύνδεση θεωρητικών εννοιών με την πρακτική παράμετρο δίνοντας έμφαση σε πραγματικά σενάρια και εφαρμογές αποφεύγοντας την υπερβολική θεωρητικολογία και την στείρα αναφορά τύπων - SQL και Σχεσιακές Βάσεις Δεδομένων
Η ενότητα έχει σχεδιαστεί για να παρέχει στους συμμετέχοντες τις γνώσεις και δεξιότητες που απαιτούνται για την αποτελεσματική διαχείριση και αξιοποίηση των σχεσιακών βάσεων δεδομένων στο πλαίσιο της μηχανικής μάθησης και της ανάλυσης δεδομένων. Η ενότητα καλύπτει βασικές έννοιες όπως ο σχεδιασμός βάσεων δεδομένων, SQL ερωτήματα, διαχείριση δεδομένων και ενσωμάτωση σχεσιακών δεδομένων σε μοντέλα μηχανικής μάθησης, με έμφαση στις πρακτικές εφαρμογές για αποδοτική και κλιμακούμενη διαχείριση δεδομένων. - Επιβλεπόμενη Μάθηση
H ενότητα εστιάζει στις βασικές αρχές και μεθόδους της επιβλεπόμενης μάθησης. Οι συμμετέχοντες θα μάθουν πώς να εκπαιδεύουν μοντέλα χρησιμοποιώντας δεδομένα με ετικέτες, καλύπτοντας τεχνικές όπως η γραμμική και λογιστική παλινδρόμηση, δέντρα αποφάσεων, κΝΝ, SVM κ.α. Η ενότητα δίνει έμφαση στην πρακτική εφαρμογή, με εργαστηριακές ασκήσεις και projects που επιτρέπουν στους μαθητές να αναπτύξουν και να αξιολογήσουν μοντέλα σε πραγματικά δεδομένα. - Μη Επιβλεπόμενη Μάθηση
Η ενότητα εστιάζει σε τεχνικές που επιτρέπουν την ανάλυση και κατανόηση δεδομένων χωρίς την ανάγκη για ετικέτες ή επιβλέποντα παράγοντα. Οι συμμετέχοντες θα μάθουν μεθόδους όπως η ανάλυση συσταδοποίησης (clustering), η μείωση διαστάσεων (dimensionality reduction), και η ανάλυση κύριων συνιστωσών (PCA). Η ενότητα περιλαμβάνει πρακτικές ασκήσεις, που δίνουν τη δυνατότητα στους συμμετέχοντες να εφαρμόσουν τις τεχνικές αυτές σε πραγματικά δεδομένα, ανακαλύπτοντας υποκείμενα μοτίβα και δομές. - Επιχειρηματική Ευφυία και Οπτικοποίηση Δεδομένων
Η ενότητα "Επιχειρηματική Ευφυΐα και Οπτικοποίηση Δεδομένων" επικεντρώνεται στην ανάπτυξη δεξιοτήτων για την ανάλυση δεδομένων και την εξαγωγή επιχειρηματικών πληροφοριών μέσω προηγμένων τεχνικών οπτικοποίησης. Οι συμμετέχοντες θα μάθουν να χρησιμοποιούν εργαλεία και πλατφόρμες οπτικοποίησης για να μετατρέπουν σύνθετα δεδομένα σε κατανοητά γραφήματα και πίνακες, διευκολύνοντας τη λήψη αποφάσεων. Η ενότητα προσφέρει πρακτική εξάσκηση σε πραγματικά επιχειρηματικά σενάρια, ενισχύοντας την ικανότητα παρουσίασης και ερμηνείας δεδομένων με τρόπο που υποστηρίζει στρατηγικές επιχειρηματικές επιλογές. - Συστήματα και Τεχνικές Διαχείρισης Μεγάλων Δεδομένων
Η ενότητα εστιάζει στις σύγχρονες τεχνολογίες και μεθόδους για τη διαχείριση και ανάλυση πολύ μεγάλου όγκου δεδομένων. Οι καταρτιζόμενοι θα εξοικειωθούν με συστήματα διαχείρισης μεγάλων δεδομένων, όπως Hadoop και Spark, καθώς και με τεχνικές αποθήκευσης, επεξεργασίας και ανάλυσης δεδομένων σε κλίμακα. Επίσης θα εντρυφήσουν No SQL μοντέλα και θα εκπαιδευτούν στις εφαρμογές του Azure cloud. Η ενότητα συνδυάζει θεωρία και πρακτική, προσφέροντας εργαστηριακές ασκήσεις που επιτρέπουν στους εκπαιδευόμενους να αναπτύξουν τις απαραίτητες δεξιότητες για την αποτελεσματική διαχείριση και αξιοποίηση μεγάλων δεδομένων σε πραγματικές εφαρμογές. - Βαθιά Μάθηση και Επεξεργασία Φυσικής Γλώσσας
Η ενότητα συνδυάζει δύο σημαντικά πεδία της μηχανικής μάθησης. Στην ενότητα της Βαθιάς Μάθησης, οι συμμετέχοντες θα μάθουν πώς να αναπτύσσουν και να εκπαιδεύουν νευρωνικά δίκτυα για την ανάλυση δεδομένων και την επίλυση σύνθετων προβλημάτων. Στην ενότητα της Επεξεργασίας Φυσικής Γλώσσας (NLP), θα επικεντρωθούν σε τεχνικές για την κατανόηση και παραγωγή ανθρώπινης γλώσσας. Η ενότητα περιλαμβάνει πρακτική εξάσκηση, δίνοντας στους συμμετέχοντες τις δεξιότητες να εφαρμόσουν τεχνολογίες αιχμής σε εφαρμογές που συνδυάζουν αυτές τις δύο περιοχές. - Συστήματα Συστάσεων
Η ενότητα επικεντρώνεται στην ανάπτυξη και εφαρμογή αλγορίθμων που προτείνουν προϊόντα, υπηρεσίες ή περιεχόμενο στους χρήστες με βάση τις προτιμήσεις και τα δεδομένα τους. Οι συμμετέχοντες θα μάθουν τις βασικές αρχές των συστημάτων συστάσεων, όπως φιλτράρισμα βάσει περιεχομένου, συνεργατικό φιλτράρισμα και υβριδικά μοντέλα. Η ενότητα δίνει έμφαση στην πρακτική εφαρμογή, με τη χρήση εργαλείων και τεχνικών για την υλοποίηση συστημάτων συστάσεων σε πραγματικά σενάρια, προσφέροντας πολύτιμες δεξιότητες για σύγχρονες εφαρμογές.
Εκπαιδευτικό υλικό
Το εκπαιδευτικό υλικό θα περιλαμβάνει ζωντανές παρουσιάσεις, βιντεοσκοπημένες παρουσιάσεις, ομαδικές/ατομικές ασκήσεις, εργαστηριακές ασκήσεις, τεστ αυτοαξιολόγησης, μελέτες περίπτωσης, ηλεκτρονικά βιβλία, ηλεκτρονικές διαφάνειες, ηλεκτρονικές σημειώσεις, βιβλία ή τμήματα βιβλίων.
Η αξία του προγράμματος
Η παρακολούθηση του προγράμματος προσφέρει:
- Απόκτηση Εξειδίκευσης: Οι συμμετέχοντες μαθαίνουν τις πιο σύγχρονες τεχνικές και εργαλεία που απαιτούνται στην επιστήμη των δεδομένων.
- Επαγγελματική Ανάπτυξη: Ενισχύει τις δεξιότητες των συμμετεχόντων, βελτιώνοντας τις επαγγελματικές τους προοπτικές σε έναν συνεχώς αναπτυσσόμενο τομέα.
- Ευκαιρίες Καριέρας: Ανοίγει δρόμους για νέες καριέρες ή για προαγωγές σε ρόλους που σχετίζονται με τα δεδομένα και τη μηχανική μάθηση.
- Βάση για Μεταπτυχιακές Σπουδές: Παρέχει τις αναγκαίες γνώσεις για περαιτέρω σπουδές σε μεταπτυχιακό επίπεδο.
- Εφαρμογή σε Πραγματικά Σενάρια: Μέσω πρακτικών εφαρμογών, οι συμμετέχοντες αποκτούν εμπειρία σε ρεαλιστικά έργα, ενισχύοντας την ικανότητά τους να εφαρμόζουν τις γνώσεις τους στον επαγγελματικό τους χώρο.
Εβδομαδιαίο πρόγραμμα
Τα μαθήματα διεξάγονται καθημερινές, Δευτέρα έως Παρασκευή, 18.00-21.00 (1-5η εβδομάδα μαθημάτων) και Δευτέρα, Τετάρτη, Παρασκευή, 18.00-21.00 (6-20η εβδομάδα μαθημάτων), στους χώρους του ΚΕΔΙΒΙΜ του Οικονομικού Πανεπιστημίου Αθηνών (Κεφαλληνίας 46, 11251, Αθήνα, 6ος όροφος).
Μέθοδοι αξιολόγησης και υπολογισμού τελικού βαθμού
Εξέταση μέσω πλατφόρμας εκπόνηση εργασιών σε θεματικές ενότητες και εκπόνηση τελικής εργασίας. Όλο το πρόγραμμα απαρτίζεται από 9 θεματικές ενότητες. Κάθε μία θα αξιολογείται με βαθμό 100. Ο τελικός βαθμός θα προκύπτει από τον μέσο όρο της βαθμολογίας που θα λάβει ο καταρτιζόμενος σε κάθε θεματική ενότητα.