Data Science with R

Παράταση εγγραφών έως τις 20/12/2023.

Αίτηση εγγραφής

Με την εγγραφή σας στο πρόγραμμα μπορείτε να πιστοποιηθείτε και ως προγραμματιστές Python δωρεάν.

 

Περιγραφή

 

Τίτλος Η επιστήμη των δεδομένων με τη γλώσσα R
Title Data Science with R
Περίοδος Υλοποίησης Από Από 04/12/2023 έως 03/03/2024
Διάρκεια σε Μήνες & ECVET 3 Μήνες

ECVET: 5,2

Ώρες Επιμόρφωσης 130 ώρες
Μέθοδος διδασκαλίας Το πρόγραμμα πραγματοποιείται εξ αποστάσεως και ασύγχρονα, χωρίς την υποχρέωση παρακολούθησης διαλέξεων.
Δίδακτρα 350 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%

Με την εγγραφή σας στο πρόγραμμα μπορείτε να πιστοποιηθείτε και ως προγραμματιστές Python δωρεάν.


Αντικείμενο & Σκοπός Προγράμματος

Σκοπός του προγράμματος «Data Science with R» είναι η επιμόρφωση φοιτητών/φοιτητριών και επαγγελματιών στην Επιστήμη των Δεδομένων (Data Science) με χρήση της γλώσσας προγραμματισμού R. Το πρόγραμμα παρέχει όλα όσα χρειάζονται για να ξεκινήσει το ταξίδι στην επιστήμη των δεδομένων με εύκολο στην κατανόηση του περιεχομένου τρόπο. Θα δούμε γιατί η επιστήμη των δεδομένων χρησιμοποιείται σήμερα παντού, τους τομείς εφαρμογών της, την ιστορία και το μέλλον της. Θα γίνει εισαγωγή στη γλώσσα προγραμματισμού R με επέκταση σε βασικές εργασίες της επιστήμης των δεδομένων. Θα δούμε εργαλεία, τεχνικές, τεχνολογίες και βιβλιοθήκες για Data Science. Επίσης, οι εκπαιδευόμενοι θα μάθουν να κάνουν Περιγραφικές Αναλύσεις (Descriptive Analytics), να κάνουν προεπεξεργασία των δεδομένων (Data Munging), να υπολογίζουν διάφορα στατιστικά μέτρα και να κάνουν οπτικοποίηση των δεδομένων (Data Visualization). Θα μάθουν Υπολογιστικές Μεθόδους και Τεχνολογίες (Hadoop και MapReduce) για Ανάλυση Μεγάλων Δεδομένων (Big Data). Επιπλέον, θα γνωρίσουν δημοφιλή πακέτα μηχανικής μάθησης (Machine Learning). Με τη χρήση των αλγορίθμων μηχανικής μάθησης οι αναγνώστες θα μάθουν να κάνουν Προγνωστική Ανάλυση (Predictive Analytics) κάτι που αποτελεί βασική εργασία και χαρακτηριστικό της επιστήμης των δεδομένων (Data Science).

Το πρόγραμμα απευθύνεται σε κάθε ενδιαφερόμενο που θέλει να αποκτήσει ένα γνωστικό υπόβαθρο σχετικό με την Επιστήμη των Δεδομένων και τη γλώσσα προγραμματισμού R. 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 των δεδομένων, εκπαιδευτικούς που θέλουν να παρακολουθήσουν ένα state-of-the-art πρόγραμμα για μοριοδότηση σε ΙΕΚ, ΣΔΕ κ.λπ.

Μαθησιακοί Στόχοι Προγράμματος

Με την ολοκλήρωση του προγράμματος, οι επιμορφούμενοι θα είναι σε θέση να:

  1. Χρησιμοποιούν τη γλώσσα προγραμματισμού R.
  2. Kάνουν Περιγραφικές Αναλύσεις (Descriptive Analytics).
  3. Κάνουν Προεπεξεργασία των Δεδομένων (Data Munging).
  4. Κάνουν Οπτικοποίηση Δεδομένων (Data Visualization).
  5. Χρησιμοποιούν υπολογιστικές μεθόδους και τεχνολογίες (Hadoop και MapReduce) για Ανάλυση Μεγάλων Δεδομένων (Big Data).
  6. Κάνουν Προγνωστική Ανάλυση (Predictive Analytics) με χρήση αλγορίθμων Μηχανικής μάθησης.

ΚΑΘΗΓΗΤΕΣ 

ΚΑΘΗΓ. ΣΠΥΡΟΣ ΚΟΚΟΛΑΚΗΣ

Ακαδημαϊκός και επιστημονικός υπεύθυνος των προγραμμάτων.

ΑΝΑΠ. ΚΑΘΗΓ. ΜΑΡΙΑ ΚΑΡΥΔΑ

Maria Karyda
Ακαδημαϊκός υπεύθυνος των προγραμμάτων.

ΔΡ ΙΩΑΝΝΗΣ ΣΤΥΛΙΟΣ

BSc, MSc, MEd, PhD

Διδάσκων & συγγραφέας του εκπαιδευτικού υλικού των προγραμμάτων.

Μεθοδολογία Υλοποίησης Προγράμματος

 

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:

  • Πλήρες ηλεκτρονικό σύγγραμμα.
  • Παρουσιάσεις power point που θα κατευθύνουν τους φοιτητές και τις φοιτήτριες στη μελέτη και στην κατανόηση του εκπαιδευτικού υλικού.
  • Ασύγχρονη τηλεκπαίδευση με βιντεοδιαλέξεις.
  • Σύντομες ασκήσεις αυτοαξιολόγησης και εργασίες.
  • Η μέθοδος εκπαίδευσης είναι η ασύγχρονη τηλεκπαίδευση. Το εκπαιδευτικό υλικό θα διατίθεται σταδιακά, ανά εβδομάδα, ακολουθώντας τη ροή του μαθήματος.
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 Εισαγωγή στην επιστήμη των δεδομένων με τη γλώσσα προγραμματισμού R.
Περιγραφή

 

Αντικείμενο της διδακτικής ενότητας είναι η εξέταση της επιστημολογίας της Επιστήμης των Δεδομένων (Data Science) και η εισαγωγή στη γλώσσα προγραμματισμού R. Η παρούσα διδακτική ενότητα έχει δημιουργηθεί έχοντας κατά νου έναν αρχάριο της επιστήμης των δεδομένων. Παρέχει όλα όσα χρειάζονται για να ξεκινήσει, με εύκολο στην κατανόηση του περιεχομένου τρόπο, το ταξίδι στην επιστήμη των δεδομένων. Θα δούμε γιατί η επιστήμη των δεδομένων χρησιμοποιείται σήμερα παντού, τους τομείς εφαρμογών της, την ιστορία και το μέλλον της. Θα γίνει εισαγωγή στη γλώσσα προγραμματισμού R με επέκταση σε βασικές εργασίες της επιστήμης των δεδομένων. Θα δούμε εργαλεία, τεχνικές και τεχνολογίες για Data Science ώστε οι εκπαιδευόμενοι να αποκτήσουν το μέγιστο όφελος.
Σύνολο φόρτου εργασίας επιμορφούμενου/ης σε ώρες 40
Ακαδημαϊκά Υπεύθυνος Ενότητας

 

Μαρία Καρύδα, Αναπ. καθηγήτρια Τμ. Μηχ/κών ΠΕΣ
Εβδομαδιαίες Συνεδρίες
Εβδομαδιαία Συνεδρία 1

 

Τίτλος συνεδρίας: Εισαγωγή στην Επιστήμη των Δεδομένων

Όνομα Διδάσκοντα:

Ιωάννης Στύλιος,  Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ

Εβδομαδιαία Συνεδρία 2

 

Τίτλος συνεδρίας: Εισαγωγή στη γλώσσα προγραμματισμού R

Όνομα Διδάσκοντα:

Ιωάννης Στύλιος,  Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ

Εβδομαδιαία Συνεδρία 3 Τίτλος συνεδρίας: Η χρήση της γλώσσας R στην Επιστήμη των Δεδομένων.

 Όνομα Διδάσκοντα:

Ιωάννης Στύλιος,  Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ

Εβδομαδιαία Συνεδρία 4 Τίτλος συνεδρίας: Εργαλεία και βιβλιοθήκες της R για εφαρμογές Επιστήμης Δεδομένων.

 Όνομα Διδάσκοντα:

Ιωάννης Στύλιος,  Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ

 

Διδακτική Ενότητα  2
Τίτλος Επιστήμη των δεδομένων με τη γλώσσα προγραμματισμού R.
Περιγραφή

 

Στην παρούσα διδακτική ενότητα οι εκπαιδευόμενοι θα δούνε βασικές έννοιες της στατιστικής και των πιθανοτήτων που χρησιμοποιούνται στην επιστήμη των δεδομένων. Θα δούνε επίσης τεχνικές και βιβλιοθήκες της γλώσσας R για τον χειρισμό, τον καθαρισμό και την προεπεξεργασία των δεδομένων. Θα δούνε τεχνικές για την οπτικοποίηση των δεδομένων (Data Visualization). Θα μάθουν υπολογιστικές μεθόδους και τεχνολογίες (Hadoop και MapReduce) για ανάλυση Μεγάλων Δεδομένων (Big Data).
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: Βασικές έννοιες της στατιστικής.

 Όνομα Διδάσκοντα:

Σπύρος Κοκολάκης, Καθηγητής Τμ. Μηχ/κών ΠΕΣ

Εβδομαδιαία Συνεδρία 2

 

Τίτλος συνεδρίας: Προεπεξεργασία Δεδομένων (Data Munging) με τη γλώσσα R

 Όνομα Διδάσκοντα:

Ιωάννης Στύλιος,  Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ

Εβδομαδιαία Συνεδρία 3 Τίτλος συνεδρίας: Οπτικοποίηση των δεδομένων (Data Visualization).

Όνομα Διδάσκοντα:

Ιωάννης Στύλιος,  Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ

Εβδομαδιαία Συνεδρία 4 Τίτλος συνεδρίας: Ανάλυση Μεγάλου Όγκου Δεδομένων (Big Data).

Όνομα Διδάσκοντα:

Ιωάννης Στύλιος,  Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ

 

 

Διδακτική Ενότητα  3
Τίτλος Επιστήμη των δεδομένων και μηχανική μάθηση
Περιγραφή

 

Στην παρούσα διδακτική ενότητα θα επικεντρωθούμε στους αλγόριθμους μηχανικής μάθησης. Πρόκειται να διερευνήσουμε και να συζητήσουμε τους πιο σημαντικούς αλγορίθμους και πως υλοποιούνται στη γλώσσα R. Η κατανόηση θεμάτων μηχανικής μάθησης είναι ζωτικής σημασίας για τους επιστήμονες των δεδομένων. Με τη χρήση των αλγορίθμων μηχανικής μάθησης οι αναγνώστες θα μάθουν να κάνουν Προγνωστική Ανάλυση (Predictive Analytics) κάτι που αποτελεί βασική εργασία και χαρακτηριστικό της επιστήμης των δεδομένων (Data Science).  
Σύνολο φόρτου εργασίας επιμορφούμενου/ης σε ώρες 50
Ακαδημαϊκά Υπεύθυνος/η Ενότητας

 

Σπύρος Κοκολάκης, Καθηγητής, Τμ. Μηχ/κών ΠΕΣ
Εβδομαδιαίες Συνεδρίες
Εβδομαδιαία Συνεδρία 1

 

Τίτλος συνεδρίας: Εισαγωγή στην μηχανική μάθηση.

Όνομα Διδάσκοντα:

Σπύρος Κοκολάκης,  Καθηγητής Τμ. Μηχ/κών ΠΕΣ

Εβδομαδιαία Συνεδρία 2

 

Τίτλος συνεδρίας: Αλγόριθμοι Μηχανικής Μάθησης

Όνομα Διδάσκοντα:

Ιωάννης Στύλιος,  Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ

Εβδομαδιαία Συνεδρία 3 Τίτλος συνεδρίας: Σημαντικά θέματα στην Μηχανική Μάθηση..

 Όνομα Διδάσκοντα:

Ιωάννης Στύλιος,  Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ

Εβδομαδιαία Συνεδρία 4 Τίτλος συνεδρίας: Δημιουργία προγνωστικών Μοντέλων.

Όνομα Διδάσκοντα:

Ιωάννης Στύλιος,  Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ

Εβδομαδιαία Συνεδρία 5 Τίτλος συνεδρίας: Τελική εργασία (Mini project).

Όνομα Διδάσκοντα:

Ιωάννης Στύλιος,  Διδάκτωρ Τμ. Μηχ/κών ΠΕΣ