Data Science and Big Data

  • ΤΟ ΠΡΟΓΡΑΜΜΑ

    Τα Μεγάλα Δεδομένα είναι γύρω μας. Κάθε μέρα, 2,5 πεντάκις εκατομμύρια bytes δεδομένν δημιουργούνται, με το 90% αυτών μόνο τα δύο τελευταία χρόνια. Συνεπώς η απαίτηση επεξεργασίας αυτών των δεδομένων και η απόκτηση γνώσης απαιτεί ένα σύνολο δεξιοτήτων για τις οποίες υπάρχει διαρκώς αυξανόμενη ζήτηση.

    Statistical Learning Στόχος του σεμιναρίου αποτελεί η ανάπτυξη του θεωρητικού υπόβαθρου και των πρακτικών δεξιοτήτων απαραίτητων για την εξαγωγή, ανάλυση, εκμετάλλευση και διαχείριση της πληροφορίας από μεγάλα σύνολα δεδομένων. Κατά τη διάρκεια της εκπαίδευσης θα παρουσιαστεί μία πληθώρα μεθόδων και τεχνικών, όπως αλγόριθμοι μηχανικής μάθησης, τεχνικές εξόρυξης δεδομένων, τεχνικές ανάλυσης και οπτικοποίησης δεδομένων.
    Information Visualization Το σεμινάριο παρέχει στους καταρτιζόμενους τη δυνατότητα να γνωρίσουν το βασικό θεωρητικό υπόβαθρο της οπτικοποίησης δεδομένων. Κατά τη διάρκεια της εκπαίδευσης οι εκπαιδευόμενοι θα είναι σε θέση να εργαστούν με διάφορα εξειδικευμένα εργαλεία οπτικοποίησης πάνω σε πραγματικά δεδομένα, ώστε να αναπτύξουν δεξιότητες απαραίτητες για την παρουσίαση της πληροφορίας που εμπεριέχεται στα δεδομένα και να επιλέξουν το κατάλληλο εργαλείο οπτικοποίησης.

    Σε ποιούς απευθύνεται:

    Σε πτυχιούχους Θετικών Επιστημών (STEM) ή Διοίκησης Επιχειρήσεων και Οικονομικών, που επιθυμούν να αποκτήσουν την απαραίτητη γνώση αναφορικά με την Ανάλυση Δεδομένων.
    Σε επαγγελματίες, ειδικούς στην Αναλυτική και την Επιστήμη Δεδομένων, που επιθυμούν να επεκτείνουν τις γνώσεις και τις δεξιότητές τους σε αυτό το αντικείμενο.

    Προαπαιτούμενες Γνώσεις:

    Οι υποψήφιοι καταρτιζόμενοι χρειάζεται να έχουν:

    Καλή γνώση Αγγλικών
    Βασικές Γνώσεις Η/Υ
    Βασικές Γνώσεις Μαθηματικών/Στατιστικής

    Εισηγητές:

    Οι εισηγητές μας είναι όλοι πιστοποιημένοι.

  • ΔΙΔΑΚΤΕΑ ΥΛΗ

    Statistical Learning

    • Introduction
    • Mathematical Background
    • Statistical Learning
    • Linear Regression
    • Classification
    • Resampling Methods
    • Linear Model Selection
    • Nonlinear Methods
    • Tree-Based Methods
    • Support Vector Machines
    • Unsupervised Learning
    • Review Session

    Information Visualization

    • Introduction
    • Data Preparation
    • Univariate Graphs
    • Multiariate Graphs
    • Maps
    • Time-dependent Graphs
    • Statistical Models
    • Other Graphs
    • Customizing Graphs
    • Interactive Graphs
    • Review / Best Practices

    Introduction to R Programming Language

    • Basics of R Programming for Data Science
    • Essentials of R Programming
    • Exploratory Data Analysis in R
    • Working with Continuous and Categorical Variables
    • Data Manipulation in R
    • Predictive Modeling using Machine Learning in R

    Introduction to Python Programming Language

    • Python Basics
    • Python Lists
    • Python Functions and Packages
    • Python Packages
    • Python Advanced Concepts
  • ΔΙΑΘΕΣΙΜΑ ΤΜΗΜΑΤΑ

    Τίτλος: Data Science and Big Data

    Διάρκεια: 100 ώρες

    Έναρξη Λήξη Ημέρες Ώρες Διάρκεια Συμμετοχή
    25/02/2020 02/06/2020 Τρίτη & Πέμπτη 18:00-21:45 8 ώρες/εβδομάδα Πληροφορίες
  • ΠΑΡΟΧΕΣ

    • Περιλαμβάνει:
      • • ΔΙΔΑΚΤΕΑ ΥΛΗ
        • ΔΩΡΕΑΝ PRACTICE TESTS
        • ΒΕΒΑΙΩΣΕΙΣ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ
        • ΠΡΑΚΤΙΚΗ ΕΞΑΣΚΗΣΗ
        • ΔΙΔΑΣΚΟΥΝ ΠΙΣΤΟΠΟΙΗΜΕΝΟΙ ΕΙΣΗΓΗΤΕΣ
        • ΣΥΜΒΟΥΛΕΥΤΙΚΕΣ ΥΠΗΡΕΣΙΕΣ ΕΚΠΑΙΔΕΥΤΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ
        • ΠΛΑΤΦΟΡΜΑ ΕΚΠΑΙΔΕΥΣΗΣ WEBEX ΓΙΑ ΤΗΝ ΠΑΡΑΚΟΛΟΥΘΗΣΗ ΤΩΝ ΜΑΘΗΜΑΤΩΝ ΑΠΟ ΑΠΟΣΤΑΣΗ