Περιγραφή
| Τίτλος | Προχωρημένη Python με εφαρμογές στη Μηχανική Μάθηση | ||
| Title | Advanced Python with applications in Machine Learning | ||
| Περίοδος Υλοποίησης | Από 20/5/2024 έως 19/07/2024 | ||
| Διάρκεια σε Μήνες | ΔΙΑΡΚΕΙΑ:
2 Μήνες ECVET: 3.2 |
Ώρες Επιμόρφωσης | 80 ώρες |
| Μέθοδος διδασκαλίας | Το πρόγραμμα πραγματοποιείται εξ αποστάσεως και ασύγχρονα, χωρίς την υποχρέωση παρακολούθησης διαλέξεων | ||
| Δίδακτρα | 250 ευρώ *Ισχύουν 3 δόσεις και εκπτώσεις:
Εφάπαξ πληρωμή διδάκτρων: έκπτωση 20% Πρόωρη εγγραφή, δηλαδή πληρωμή τουλάχιστον της 1ης δόσης, έως και 1 μήνα πριν την έναρξη του προγράμματος: έκπτωση 20% Φοιτητές: έκπτωση 20% Άνεργοι: έκπτωση 20% Πολύτεκνοι: έκπτωση 20% Ευρωπαϊκή Κάρτα Νέων: έκπτωση 20% AMEA: έκπτωση 20% |
||
Αντικείμενο & Σκοπός Προγράμματος
Ο σκοπός του προγράμματος «Προχωρημένη Python με εφαρμογές στη Μηχανική Μάθηση» είναι η επιμόρφωση φοιτητών/φοιτητριών και επαγγελματιών στην γλώσσα προγραμματισμού Python και τη Μηχανική Μάθηση. Οι εκπαιδευόμενες-οι θα γνωρίσουν βιβλιοθήκες της Python για Μηχανική Μάθηση (Scikit-learn, Tensorflow, keras). Θα μάθουν να κάνουν Προεπεξεργασία Δεδομένων (Data Munging), Οπτικοποίηση Δεδομένων (Data Visualization) καθώς και Προγνωστική Ανάλυση (Predictive Analytics) με χρήση αλγορίθμων Μηχανικής μάθησης. Θα παρουσιαστούν σημαντικά θέματα στη Μηχανική Μάθηση και οι επιμορφούμενες/οι θα γνωρίσουν και θα υλοποιήσουν με κώδικα Unsupervised Learning Algorithms όπως: K-Means και Principal Component Analysis καθώς και Supervised Learning Algorithms Algorithms όπως: Linear Regression , Logistic Regression, Support Vector Machines, Decision Trees and Random Forests, K-Nearest Neighbor. Τέλος, θα μάθουν να δουλεύουν με Neural Networks and Deep Learning μεθόδους (Συνελικτικά νευρωνικά δίκτυα – Convolution Neural Networks).
Το πρόγραμμα απευθύνεται σε κάθε ενδιαφερόμενο που θέλει να πιστοποιηθεί ως ειδικός Μηχανικής Μάθησης με τη χρήση της γλώσσας Python. Το πρόγραμμα απευθύνεται επίσης και σε επαγγελματίες που θέλουν να βελτιώσουν τις αντίστοιχες γνώσεις τους, κατόχους πτυχίου ή τελειόφοιτους που θέλουν να ακολουθήσουν καριέρα ως επιστήμονες δεδομένων, εκπαιδευτικούς που θέλουν να παρακολουθήσουν ένα state-of-the-art πρόγραμμα για μοριοδότηση σε ΙΕΚ, ΣΔΕ κ.λπ. Προϋποθέτει βασικές γνώσεις Python.
Μαθησιακοί Στόχοι Προγράμματος
Με την ολοκλήρωση του προγράμματος, οι επιμορφούμενες – οι θα είναι σε θέση:
- Να κάνουν Προεπεξεργασία Δεδομένων (Data Munging).
- Να κάνουν Οπτικοποίηση Δεδομένων (Data Visualization).
- Να κάνουν Προγνωστική Ανάλυση (Predictive Analytics) με χρήση αλγορίθμων Μηχανικής μάθησης.
- Να δουλεύουν με Supervised Learning Algorithms όπως: Linear Regression , Logistic Regression, Support Vector Machines, Decision Trees and Random Forests, K-Nearest Neighbor.
- Να δουλεύουν με Unsupervised Learning Algorithms όπως: K-Means και Principal Component Analysis.
- Να δουλεύουν με Neural Networks and Deep Learning μεθόδους.
ΚΑΘΗΓΗΤΕΣ
ΚΑΘΗΓ. ΣΠΥΡΟΣ ΚΟΚΟΛΑΚΗΣ
ΑΝΑΠ. ΚΑΘΗΓ. ΜΑΡΙΑ ΚΑΡΥΔΑ
ΔΡ ΙΩΑΝΝΗΣ ΣΤΥΛΙΟΣ
BSc, MSc, MEd, PhD
| 1.Διαδικασία υλοποίησης της επιμόρφωσης
Η εξ αποστάσεως ασύγχρονη ηλεκτρονική μάθηση (e-Learning), θα στηρίζεται σε μια σύγχρονη και ειδική διαδικτυακή πλατφόρμα (Moodle) όπου θα βρίσκεται διαθέσιμο για τους συμμετέχοντες το σύνολο του εκπαιδευτικού και του λοιπού υποστηρικτικού υλικού. Η πλατφόρμα αυτή θα μπορεί να υποστηρίζει και την επικοινωνία των εκπαιδευτών με τους εκπαιδευόμενους, την υποβολή των απαραίτητων ασκήσεων και εργασιών, τη συμπλήρωση των ερωτηματολογίων της αξιολόγησης κ.ά. Είναι αυτονόητο ότι τόσο το εκπαιδευτικό όσο και το λοιπό υποστηρικτικό υλικό είναι προσαρμοσμένο στις ανάγκες και στις ιδιαιτερότητες της ασύγχρονης εξ αποστάσεως εκπαίδευσης. |
| 2. Μέθοδοι υλοποίησης της επιμόρφωσης
Το εκπαιδευτικό υλικό θα χρησιμοποιηθεί για τη διδακτική στήριξη θα είναι κυρίως:
|
| 3. Μέθοδοι Αξιολόγησης & Κριτήρια Απόδοσης Πιστοποιητικού Επιμόρφωσης
Η μέθοδος αξιολόγησης θα αποτελείται από τρία μέρη: α) Αυτοαξιολόγηση: 5 ασκήσεις πολλαπλής επιλογής, σωστό-λάθος, αντιστοίχιση, κ.τ.λ. β) Αξιολόγηση: 1 εργασία ανάπτυξης κάθε εβδομάδα. γ) Τελική εργασία. Ο τελικός βαθμός προκύπτει από το αποτέλεσμα των εβδομαδιαίων εργασιών και της τελικής εργασίας. Το πρόγραμμα δεν θα διατηρεί απουσιολόγιο. |
Οδηγός Σπουδών
Περίγραμμα Προγράμματος
| Διδακτική Ενότητα 1 | |
| Τίτλος | Σημαντικά θέματα στη Μηχανική Μάθηση και Unsupervised Learning Algorithms |
| Περιγραφή
|
Στην παρούσα ενότητα θα γίνει εισαγωγή στη χρήση της γλώσσας προγραμματισμού Python για machine learning. Επίσης θα γίνει αναφορά σε Σημαντικά θέματα Μηχανικής Μάθησης και θα δούμε Unsupervised Learning Algorithms όπως: K-Means και Principal Component Analysis. |
| Σύνολο φόρτου εργασίας επιμορφούμενου/ης σε ώρες | 40 |
| Ακαδημαϊκά Υπεύθυνος/η Ενότητας
|
Μαρία Καρύδα, Αναπ. καθηγήτρια Τμ. Μηχ/κών ΠΕΣ |
| Εβδομαδιαίες Συνεδρίες | |
| Εβδομαδιαία Συνεδρία 1 | Τίτλος συνεδρίας: Python και Μηχανική Μάθηση – Εισαγωγή στην Python.
Όνομα Διδάσκοντα: Ιωάννης Στύλιος, Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ |
| Εβδομαδιαία Συνεδρία 2 | Τίτλος συνεδρίας: Machine Learning & Deep Learning Evaluation – Εισαγωγή στην Python.
Όνομα Διδάσκοντα: Ιωάννης Στύλιος, Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ |
| Εβδομαδιαία Συνεδρία 3 | Τίτλος συνεδρίας: Βιβλιοθήκες Python για Μηχανική Μάθηση (Pandas, NumPy, Matplotlib, Scikit-learn, Tensorflow, keras).
Όνομα Διδάσκοντα: Ιωάννης Στύλιος, Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ |
| Εβδομαδιαία Συνεδρία 4 | Τίτλος συνεδρίας: Unsupervised Learning Algorithms (K-Means, Principal Component Analysis).
Όνομα Διδάσκοντα: Ιωάννης Στύλιος, Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ |
| Διδακτική Ενότητα 2 | |
| Τίτλος | Supervised Learning Algorithms – Neural Networks and Deep Learning |
| Περιγραφή
|
Στην παρούσα διδακτική ενότητα οι εκπαιδευόμενοι θα μάθουν Supervised Learning Algorithms όπως: Linear Regression, Logistic Regression, Support Vector Machines, Decision Trees and Random Forests, K-Nearest Neighbor. Επίσης θα μάθουν να δουλεύουν με Neural Networks and Deep Learning μεθόδους. |
| Σύνολο φόρτου εργασίας επιμορφούμενου/ης σε ώρες |
40
|
| Ακαδημαϊκά Υπεύθυνος/η Ενότητας
|
Σπύρος Κοκολάκης, Καθηγητής Τμ. Μηχ/κών ΠΕΣ |
| Εβδομαδιαίες Συνεδρίες
|
|
| Εβδομαδιαία Συνεδρία 5 | Τίτλος συνεδρίας: Linear Regression, Logistic Regression, Support Vector Machines.
Όνομα Διδάσκοντα: Ιωάννης Στύλιος, Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ |
| Εβδομαδιαία Συνεδρία 6 | Τίτλος συνεδρίας: Decision Trees and Random Forests, K-Nearest Neighbor.
Όνομα Διδάσκοντα: Ιωάννης Στύλιος, Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ |
| Εβδομαδιαία Συνεδρία 7 | Τίτλος συνεδρίας: Neural Networks and Deep Learning: Συνελικτικά νευρωνικά δίκτυα (Convolution Neural Networks).
Όνομα Διδάσκοντα: Ιωάννης Στύλιος, Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ |
| Εβδομαδιαία Συνεδρία 8 | Τίτλος συνεδρίας: Τελική εργασία (Mini project).
Όνομα Διδάσκοντα: Ιωάννης Στύλιος, Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ |
