Περιγραφή
Επιστήμη Δεδομένων και Τεχνητή Νοημοσύνη με τη γλώσσα R
Επιστήμη Δεδομένων & Τεχνητή Νοημοσύνη με R
Στην εποχή μας, οι επιστήμονες δεδομένων αναγνωρίζονται ως οι πλέον περιζήτητοι επαγγελματίες, καθώς διαδραματίζουν κρίσιμο ρόλο στην ανάλυση και την ερμηνεία των δεδομένων. Το πρόγραμμα στοχεύει στην κατάρτιση φοιτητών και επαγγελματιών στον τομέα της Επιστήμης των Δεδομένων, με έμφαση στη χρήση της γλώσσας προγραμματισμού R. Οι συμμετέχοντες θα εξερευνήσουν εφαρμογές επεξεργασίας και ανάλυσης δεδομένων, θα γνωρίσουν σύγχρονα εργαλεία και βιβλιοθήκες, και θα εισαχθούν σε δημοφιλή πακέτα μηχανικής μάθησης για Προγνωστική Ανάλυση (Predictive Analytics).
Σε ποιους απευθύνεται: Σε τελειόφοιτους ή πτυχιούχους που επιθυμούν να αποκτήσουν ή να βελτιώσουν τις γνώσεις τους στην Επιστήμη των Δεδομένων, σε επαγγελματίες με ενδιαφέρον για καριέρα στο Data Science, καθώς και σε εκπαιδευτικούς για μοριοδότηση σε ΙΕΚ, ΣΔΕ κ.λπ.
Μεθοδολογία Υλοποίησης
Κάντε κλικ στις καρτέλες για να δείτε πώς διεξάγεται η εξ αποστάσεως εκπαίδευση.
Μελέτη στα μέτρα σας
Η διδασκαλία διεξάγεται εξ ολοκλήρου e-learning μέσω της πλατφόρμας Moodle. Δεν απαιτείται ταυτόχρονη παρουσία σε συγκεκριμένη ώρα (ασύγχρονη μέθοδος).
- Πρόσβαση στο υλικό 24/7 από οποιαδήποτε συσκευή.
- Πλήρες ηλεκτρονικό σύγγραμμα, παρουσιάσεις PowerPoint και βιντεοδιαλέξεις βήμα-βήμα.
- Εκπαιδευτικό υλικό που αποδεσμεύεται σταδιακά ανά εβδομάδα.
Ευέλικτη Αξιολόγηση
Η επιτυχής ολοκλήρωση βασίζεται σε τρία μέρη αξιολόγησης — χωρίς απουσιολόγιο:
- α) Αυτοαξιολόγηση: 4 ασκήσεις ανά ενότητα (πολλαπλή επιλογή, σωστό-λάθος, αντιστοίχιση).
- β) Εβδομαδιαία εργασία: 1 εργασία ανάπτυξης κάθε εβδομάδα.
- γ) Τελική εργασία (Mini Project): Ολοκληρωμένη προγνωστική ανάλυση σε πραγματικά δεδομένα.
Αναγνωρισμένο Πιστοποιητικό
Με την επιτυχή ολοκλήρωση, λαμβάνετε επίσημο τίτλο σπουδών από δημόσιο Ανώτατο Εκπαιδευτικό Ίδρυμα.
- Πιστοποιητικό Επιμόρφωσης από το Κέντρο Επιμόρφωσης και Δια Βίου Μάθησης του Πανεπιστημίου Αιγαίου (Κ.Ε.ΔΙ.ΒΙ.Μ.), σύμφωνα με το ν. 4957/2022.
- Αναγραφή 5 πιστωτικών μονάδων ECTS.
- Μοριοδότηση για προκηρύξεις σε ΙΕΚ, ΣΔΕ και δομές εκπαίδευσης ενηλίκων.
🏅 Υπόδειγμα Πιστοποιητικού
Με την ολοκλήρωση κάθε Προγράμματος χορηγείται σε ηλεκτρονική μορφή Πιστοποιητικό Επιμόρφωσης (πιστοποιητικό μη τυπικής εκπαίδευσης) από το Κέντρο Επιμόρφωσης και Δια Βίου Μάθησης του Πανεπιστημίου Αιγαίου (Κ.Ε.ΔΙ.ΒΙ.Μ.), σύμφωνα με το ν. 4957/2022.
📄 Δείτε το Πρότυπο Πιστοποιητικό (PDF)📋 Συμπλήρωμα Επιμόρφωσης
Μαζί με το Πιστοποιητικό χορηγείται και Συμπλήρωμα Επιμόρφωσης — ένα αναλυτικό έγγραφο που περιγράφει το περιεχόμενο, τη μεθοδολογία και τα μαθησιακά αποτελέσματα του προγράμματος.
📋 Δείτε το Πρότυπο Συμπλήρωμα Επιμόρφωσης (PDF)Μαθησιακοί Στόχοι
Από τα βασικά της R και της Επιστήμης Δεδομένων έως τη Μηχανική Μάθηση και την Προγνωστική Ανάλυση.
- Χρήση γλώσσας προγραμματισμού R
- Εργαλεία και βιβλιοθήκες για Data Science
- Περιγραφικές Αναλύσεις (Descriptive Analytics)
- Προεπεξεργασία Δεδομένων (Data Munging)
- Οπτικοποίηση Δεδομένων (Data Visualization)
- Υπολογιστικές μέθοδοι στατιστικής
- Τεχνολογίες Hadoop και MapReduce
- Ανάλυση Μεγάλου Όγκου Δεδομένων
- Υπολογιστικές μέθοδοι κλίμακας
- Αλγόριθμοι Μηχανικής Μάθησης στη R
- Προγνωστική Ανάλυση (Predictive Analytics)
- Δημιουργία προγνωστικών μοντέλων
Πρόγραμμα Μαθημάτων
Τρεις διδακτικές ενότητες, 13 εβδομαδιαίες συνεδρίες. Κάντε κλικ για να δείτε τα περιεχόμενα κάθε συνεδρίας.
-
ΣΥΝ. 1Εισαγωγή στην Επιστήμη των Δεδομένων▼
- Γιατί η Data Science χρησιμοποιείται παντού σήμερα
- Τομείς εφαρμογών, ιστορία και μέλλον της Επιστήμης Δεδομένων
- Ρόλοι και δεξιότητες του Data Scientist
-
ΣΥΝ. 2Εισαγωγή στη γλώσσα προγραμματισμού R▼
- Εγκατάσταση R και RStudio — περιβάλλον εργασίας
- Βασική σύνταξη, τύποι δεδομένων και μεταβλητές
- Βασικές πράξεις και δομές δεδομένων στη R
-
ΣΥΝ. 3Η χρήση της R στην Επιστήμη Δεδομένων▼
- Βασικές εργασίες Data Science με R
- Εισαγωγή δεδομένων από CSV, Excel και βάσεις δεδομένων
- Εξερεύνηση και επισκόπηση dataset (summary, str, head)
-
ΣΥΝ. 4Εργαλεία και Βιβλιοθήκες R για Data Science▼
- Βασικές βιβλιοθήκες: dplyr, tidyr, ggplot2
- Tidy data αρχές και μετασχηματισμός δεδομένων
- Πρακτικές ασκήσεις με πραγματικά datasets
-
ΣΥΝ. 5Βασικές Έννοιες Στατιστικής▼
- Μέτρα κεντρικής τάσης και διασποράς στη R
- Κατανομές πιθανοτήτων και στατιστική συμπερασματολογία
- Περιγραφική ανάλυση δεδομένων με R
-
ΣΥΝ. 6Προεπεξεργασία Δεδομένων (Data Munging) με R▼
- Καθαρισμός δεδομένων: ελλείπουσες τιμές, outliers, duplicates
- Μετασχηματισμός και κανονικοποίηση δεδομένων
- Feature engineering και επιλογή μεταβλητών
-
ΣΥΝ. 7Οπτικοποίηση Δεδομένων (Data Visualization)▼
- Γραφήματα με ggplot2: scatter, bar, histogram, boxplot
- Διαδραστικά γραφήματα με plotly
- Αρχές αποτελεσματικής οπτικής αναπαράστασης δεδομένων
-
ΣΥΝ. 8Ανάλυση Μεγάλου Όγκου Δεδομένων (Big Data)▼
- Υπολογιστικές μέθοδοι και τεχνολογίες Big Data
- Hadoop και MapReduce — αρχές και εφαρμογές
- Διασύνδεση R με Big Data πλατφόρμες
-
ΣΥΝ. 9Εισαγωγή στη Μηχανική Μάθηση▼
- Supervised vs Unsupervised Learning — βασικές έννοιες
- Αξιολόγηση μοντέλων: Train/Test split, Cross-Validation
- Εισαγωγή στο πακέτο caret της R
-
ΣΥΝ. 10Αλγόριθμοι Μηχανικής Μάθησης▼
- Γραμμική και Λογιστική Παλινδρόμηση στη R
- Decision Trees και Random Forests
- K-Nearest Neighbor (KNN) και SVM
-
ΣΥΝ. 11Σημαντικά Θέματα στη Μηχανική Μάθηση▼
- Overfitting / Underfitting και τεχνικές αντιμετώπισης
- Dimensionality Reduction: PCA στη R
- Clustering: K-Means και ιεραρχική ομαδοποίηση
-
ΣΥΝ. 12Δημιουργία Προγνωστικών Μοντέλων▼
- Pipeline ανάπτυξης προγνωστικού μοντέλου από την αρχή
- Βελτιστοποίηση υπερπαραμέτρων (hyperparameter tuning)
- Σύγκριση μοντέλων και επιλογή βέλτιστου
-
ΣΥΝ. 13Τελική Εργασία (Mini Project)▼
- Ολοκληρωμένη ανάλυση σε πραγματικό dataset με R
- Προεπεξεργασία → Οπτικοποίηση → Μοντελοποίηση → Αξιολόγηση
- Παρουσίαση ευρημάτων και τεκμηριωμένα συμπεράσματα
Οι Καθηγητές
Έμπειροι ακαδημαϊκοί που εγγυώνται την ποιότητα της εκπαιδευτικής διαδικασίας.
Δίδακτρα & Εκπτωτική Πολιτική
Βασικά δίδακτρα 300€. Ισχύουν πολλαπλές εκπτώσεις — μία κατηγορία ανά εγγραφή.
