📚 Σκοπός του προγράμματος είναι η εκπαίδευση των συμμετεχόντων/-ουσών σε τεχνικές στατιστικής και μηχανικής μάθησης για την ανάλυση πραγματικών σετ δεδομένων από διάφορες επιστήμες (Κοινωνικές, Ιατρικές, Οικονομικές, Βιολογία, Γεωλογία και άλλες) μέσω γνωστών εργαλείων ελεύθερου λογισμικού στις γλώσσες προγραμματισμού Python και R.
Οι εκπαιδευόμενοι/-ες θα εξοικειωθούν με βασικά μοντέρνα εργαλεία που απαιτούνται για την επεξεργασία και ανάλυση των πραγματικών σετ δεδομένων με στατιστική και μηχανική μάθηση, καθώς και με βασικές γνώσεις προγραμματισμού σε υπολογιστή.
Στο πλαίσιο αυτό, το πρόγραμμα επιδιώκει την κατανόηση των εννοιών από τις επιστήμες των μαθηματικών, της στατιστικής και μηχανικής μάθησης, που αποτελούν τον βασικό πυλώνα για την ανάλυση δεδομένων.
Οι συμμετέχοντες/-ουσες, θα αποκτήσουν την απαραίτητη προαπαιτούμενη γνώση για θέσεις αναλυτή δεδομένων που παρουσιάζουν εκθετικά αυξανόμενη ζήτηση στην αγορά εργασίας.
Να αναπαράγεις και να αναπτύσσεις κώδικα για την εφαρμογή προηγμένων μεθόδων ανάλυσης δεδομένων, χρησιμοποιώντας τόσο τη γλώσσα προγραμματισμού Python όσο και τη R, με στόχο τη συστηματική επεξεργασία και ερμηνεία πολύπλοκων δεδομένων.
Να αναλύεις χρονοσειρές δεδομένων εφαρμόζοντας μοντέλα ARIMA, καθώς και τις ειδικές υποπεριπτώσεις τους (AR, MA, ARMA), προκειμένου να εντοπίζεις πρότυπα, να κάνεις προβλέψεις και να εξάγεις χρήσιμα συμπεράσματα από δυναμικά συστήματα.
Να επιλέγεις την κατάλληλη τεχνική επίλυσης προβλήματος ή ανάλυσης δεδομένων, με βάση τα χαρακτηριστικά του κάθε συνόλου δεδομένων και στις απαιτήσεις της εκάστοτε εφαρμογής.
Να εφαρμόζεις εξειδικευμένες τεχνικές επεξεργασίας σε πραγματικά σετ δεδομένων, ώστε να αναδεικνύεις κρίσιμες ιδιότητες και να βελτιώνεις την ποιότητα των δεδομένων.
Να χρησιμοποιείς σύνθετα εργαλεία της στατιστικής επιστήμης για την ανάλυση και τη μοντελοποίηση δεδομένων, υλοποιώντας διάφορες τεχνικές όπως παλινδρόμηση, ανάλυση διακύμανσης και πολυμεταβλητές μεθόδους.
Να εφαρμόζεις προηγμένες τεχνικές μηχανικής μάθησης για την επεξεργασία και ανάλυση δεδομένων, ενσωματώ-νοντας αλγορίθμους ταξινόμησης, ομαδοποίησης και πρόβλεψης, με στόχο την εξαγωγή γνώσης και τη λήψη αποφάσεων.
Να επιδεικνύεις δημιουργικότητα κατά τον σχεδιασμό λύσεων και την ανάπτυξη λογισμικού, συνδυάζοντας επιστημονική μεθοδολογία με καινοτόμες προσεγγίσεις για την αντιμετώπιση σύνθετων προβλημάτων ανάλυσης δεδομένων.
-
Προαπαιτούμενο Υπόβαθρο από τις Επιστήμες των Μαθηματικών και της Στατιστικής
-
Γραμμική άλγεβρα
-
Θεωρία βελτιστοποίησης
-
Εισαγωγή στη Στατιστική Επιστήμη
-
Θεωρία πιθανοτήτων, τυχαίες μεταβλητές και τυχαίες διαδικασίες
-
-
Εισαγωγή στα Εργαλεία Προγραμματισμού για Ανάλυση Δεδομένων
-
Εγκατάσταση και εξοικείωση με τα περιβάλλοντα των Python και R
-
Βασικές βιβλιοθήκες
-
Στοιχεία προγραμματισμού
-
Χρήσιμες συναρτήσεις
-
Οπτικοποίηση δεδομένων
-
-
Παλινδρόμηση και Διερευνητική Ανάλυση Δεδομένων
-
Γραμμική παλινδρόμηση
-
Διερευνητική ανάλυση δεδομένων
-
Τεχνικές εξομάλυνσης δεδομένων
-
-
Ανάλυση Δεδομένων με Μοντέλα Χρονοσειρών τύπου Autoregressive Integrated Moving Average (ARIMA)
-
Στάσιμα δεδομένα – Μοντέλα τύπου Autoregressive Moving Average (ARMA)
-
Πρόβλεψη μελλοντικών τιμών
-
Εκτίμηση παραμέτρων
-
Μη Στάσιμα δεδομένα – Μοντέλα τύπου Autoregressive Moving Average (ARΙMA)
-
-
O Αλγόριθμος Least Mean Square (LMS): Εισαγωγή στη Μηχανική Μάθηση με Νευρωνικά Δίκτυα ενός Επιπέδου
-
Ανάλυση δεδομένων με δομές φίλτρων
-
Βέλτιστα φίλτρα
-
Ο αλγόριθμος LMS
-
Εφαρμογές του αλγόριθμου LMS για την ανάλυση δεδομένων
-
-
Ανάλυση Δεδομένων με Νευρωνικά Δίκτυα Πολλαπλών Επιπέδων
-
Αρχιτεκτονικές και προαπαιτούμενα
-
Μαζική Μάθηση και μάθηση σε πραγματικό χρόνο
-
Ο Αλγόριθμος Back Propagation
-
Θέματα αρχικοποίησης, εκπαίδευσης, εκτέλεσης και επαλήθευσης σε νευρωνικά δίκτυα
-
Εφαρμογές στην Ανάλυση Δεδομένων
-
- Συνολικός χρόνος ενασχόλησης: 80 ώρες
- Online μαθήματα με τους εκπαιδευτές: 20 ώρες
- Διάρκεια: 3 μήνες
- Επωφεληθείτε από τις εκπτώσεις στα δίδακτρα έως 35%
- 🎓 Απονέμεται Πιστοποιητικό Επιμόρφωσης