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/συμμετέχουσες, θα αποκτήσουν την απαραίτητη προαπαιτούμενη γνώση για θέσεις αναλυτή δεδομένων που παρουσιάζουν εκθετικά αυξανόμενη ζήτηση στην αγορά εργασίας.
-
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