Τεχνητή Νοημοσύνη και Τεχνικές Μηχανικής Μάθησης
ΧΡΗΣΤΟΣ ΣΚΟΥΡΛΑΣ - ΚΛΕΙΩ ΣΓΟΥΡΟΠΟΥΛΟΥ - ΑΝΑΣΤΑΣΙΟΣ ΤΣΟΛΑΚΙΔΗΣ - ΧΡΗΣΤΟΣ ΤΡΟΥΣΣΑΣ
Πληροφορίες
Περιεχόμενο μαθήματος
Το Μάθημα έχει σκοπό την ανάπτυξη των απαραίτητων γνώσεων και δεξιοτήτων για την εξόρυξη γνώσης από βάσεις δεδομένων, μέσω σύγχρονων τεχνικών και μεθοδολογιών. Οι εκπαιδευόμενοι θα έχουν τη δυνατότητα να έρθουν σε επαφή με τους αλγορίθμους συσταδοποίησης (clustering), ομαδοποίησης (classification), δέντρων αποφάσεων (decision trees) και κανόνων συσχετίσεων. Επίσης θα γνωρίσουν την μεθοδολογία που απαιτείται για το σχεδιασμό, ανάπτυξη και εφαρμογή ενός συστήματος εξόρυξης γνώσης με σκοπό την πρόβλεψη πιθανών καταστάσεων και την εξαγωγή χρήσιμων συμπερασμάτων. Το σεμινάριο αυτό αποτελεί το εισαγωγικό μάθημα ενός κύκλου μαθημάτων που θα οδηγήσει σε πιστοποίηση στον τομέα της Επιστήμης Δεδομένων (Data Science). Μετά την επιτυχή ολοκλήρωση του προγράμματος και του κύκλου μαθημάτων οι σπουδαστές θα έχουν αποκτήσει όλες τις απαραίτητες γνώσεις και δεξιότητες που απαιτούνται για να μπορέσουν να σταδιοδρομήσουν στον τομέα της Επιστήμης Δεδομένων (Data Science), ο οποίος αποτελείται από πολλούς και αλληλεπικαλυπτόμενους τομείς της επιστήμης.
Ομάδα στόχος
Το μάθημα απευθύνεται σε:
• Αποφοίτους όλων των επιστημονικών πεδίων οι οποίοι επιθυμούν να απασχοληθούν με την ανάλυση δεδομένων
• Στελέχη επιχειρήσεων και οργανισμών που επιθυμούν να χρησιμοποιήσουν τις τεχνικές της εξόρυξης δεδομένων
• Φοιτητές ή αποφοίτους ΑΕΙ που επιθυμούν να αποκτήσουν γνώσεις σχετικά με την ανάλυση δεδομένων.
Διδάσκοντες
Χρήσιμες Οδηγίες
Για να μπορέστε να στείλετε τις ερωτήσεις σας, σχετικά με το μάθημα παρακολουθήστε το παρακάτω βίντεο.
Όνομα χρήστη: datascience_demo
Συνθηματικό: q1K5z#ctb9
Το Μάθημα έχει σκοπό την ανάπτυξη των απαραίτητων γνώσεων και δεξιοτήτων για την εξόρυξη γνώσης από βάσεις δεδομένων, μέσω σύγχρονων τεχνικών και μεθοδολογιών. Οι εκπαιδευόμενοι θα έχουν τη δυνατότητα να έρθουν σε επαφή με τους αλγορίθμους συσταδοποίησης (clustering), ομαδοποίησης (classification), δέντρων αποφάσεων (decision trees) και κανόνων συσχετίσεων. Επίσης θα γνωρίσουν την μεθοδολογία που απαιτείται για το σχεδιασμό, ανάπτυξη και εφαρμογή ενός συστήματος εξόρυξης γνώσης με σκοπό την πρόβλεψη πιθανών καταστάσεων και την εξαγωγή χρήσιμων συμπερασμάτων. Το σεμινάριο αυτό αποτελεί το εισαγωγικό μάθημα ενός κύκλου μαθημάτων που θα οδηγήσει σε πιστοποίηση στον τομέα της Επιστήμης Δεδομένων (Data Science). Μετά την επιτυχή ολοκλήρωση του προγράμματος και του κύκλου μαθημάτων οι σπουδαστές θα έχουν αποκτήσει όλες τις απαραίτητες γνώσεις και δεξιότητες που απαιτούνται για να μπορέσουν να σταδιοδρομήσουν στον τομέα της Επιστήμης Δεδομένων (Data Science), ο οποίος αποτελείται από πολλούς και αλληλεπικαλυπτόμενους τομείς της επιστήμης.
Το μάθημα απευθύνεται σε:
• Αποφοίτους όλων των επιστημονικών πεδίων οι οποίοι επιθυμούν να απασχοληθούν με την ανάλυση δεδομένων
• Στελέχη επιχειρήσεων και οργανισμών που επιθυμούν να χρησιμοποιήσουν τις τεχνικές της εξόρυξης δεδομένων
• Φοιτητές ή αποφοίτους ΑΕΙ που επιθυμούν να αποκτήσουν γνώσεις σχετικά με την ανάλυση δεδομένων.
Για να μπορέστε να στείλετε τις ερωτήσεις σας, σχετικά με το μάθημα παρακολουθήστε το παρακάτω βίντεο.
Όνομα χρήστη: datascience_demo
Συνθηματικό: q1K5z#ctb9
Σκοπός της διδακτικής ενότητας είναι η εισαγωγή στη διαχείριση γνώσης από βάσεις δεδομένων παρουσιάζοντας τη μεθοδολογία του “Knowledge Discovery from Databases”.
Πλέον των παραπάνω, θα μελετηθεί ο σχεδιασμός και η διαχείριση μιας βάσης δεδομένων. Επίσης, θα παρουσιαστεί το εργαλείο “RapidMiner“ που θα χρησιμοποιηθεί κατά τη διάρκεια του προγράμματος.
Μετά το πέρας της Διδακτικής Ενότητας οι εκπαιδευόμενοι θα διαθέτουν:
- Βασικές Αρχές Εξόρυξης Γνώσης
- Ανάλυση μεθοδολογίας Knowledge Discovery from Databases (KDD)
- Ανάπτυξη γνώσεων και δεξιοτήτων σχετικά με την σχεδιασμό και διαχείριση
- Βάσεων δεδομένων
Σκοπός της διδακτικής ενότητας είναι η μελέτη του τρόπου επεξεργασίας, μετασχηματισμού, προετοιμασίας και διαχείρισης των δεδομένων. Θα παρουσιαστούν τεχνικές και μεθοδολογίες διαχείρισης των μεταβλητών.
Μετά το πέρας της Διδακτικής Ενότητας οι εκπαιδευόμενοι θα μπορούν να:
- Κατανοούν τις βασικές αρχές επεξεργασίας δεδομένων
- Εφαρμόζουν τεχνικές διαχείρισης δεδομένων σε περιπτώσεις ελλιπών (missing data) ή ασυνεπών δεδομένων (inconsistent data)
- Εφαρμόζουν τεχνικές διαχείρισης των κριτηρίων / μεταβλητών σε σχέση με τον τύπο τους ή το πλήθος
- Εφαρμόζουν τεχνικές συσχετίσεων των μεταβλητών.
Σκοπός της διδακτικής ενότητας είναι η μελέτη και εφαρμογή των βασικών αλγορίθμων συσταδοποίησης.
Οι αλγόριθμοι θα παρουσιαστούν μέσω παραδειγμάτων και τα αποτελέσματά τους θα αξιολογηθούν με σκοπό την επιλογή του βέλτιστου αλγορίθμου.
Μετά το πέρας της Διδακτικής Ενότητας οι εκπαιδευόμενοι θα μπορούν να:
- Προετοιμάζουν και μετατρέπουν τα δεδομένα στην απαραίτητη μορφή προκειμένου να εκτελεστεί ο αλγόριθμος
- Εφαρμόζουν τους αλγορίθμους συσταδοποίησης
- Χτίζουν μοντέλα ανάλυσης
- Εφαρμόζουν μοντέλα ανάλυσης
- Ερμηνεύουν και να αξιολογούν τα αποτελέσματα.
Σκοπός της διδακτικής ενότητας είναι η μελέτη και εφαρμογή των κανονών συσχετίσεων.
Θα παρουσιαστεί μέσω παραδειγμάτων η εφαρμογή των κανόνων συσχετίσεων και θα αξιολογηθούν τα αποτελέσματά χρήσης τους.
Μετά το πέρας της Διδακτικής Ενότητας οι εκπαιδευόμενοι θα μπορούν να:
- Προετοιμάζουν και μετατρέπουν τα δεδομένα στην απαραίτητη μορφή προκειμένου να εκτελεστεί ο αλγόριθμος
- Εφαρμόζουν τους κανόνες συσχετίσεων
- Χτίζουν μοντέλα ανάλυσης
- Εφαρμόζουν μοντέλα ανάλυσης
- Ερμηνεύουν και να αξιολογούν τα αποτελέσματα.
Σκοπός της διδακτικής ενότητας είναι η μελέτη και εφαρμογή των βασικών μοντέλων κατηγοριοποίησης.
Οι αλγόριθμοι θα παρουσιαστούν μέσω παραδειγμάτων και τα αποτελέσματά τους θα αξιολογηθούν με σκοπό την επιλογή του βέλτιστου αλγορίθμου.
Μετά το πέρας της Διδακτικής Ενότητας οι εκπαιδευόμενοι θα μπορούν να:
- Προετοιμάζουν και μετατρέπουν τα δεδομένα στην απαραίτητη μορφή προκειμένου να εκτελεστεί ο αλγόριθμος
- Εφαρμόζουν τους αλγορίθμους κατηγοριοποίησης
- Χτίζουν μοντέλα ανάλυσης
- Εφαρμόζουν μοντέλα ανάλυσης
- Ερμηνεύουν και να αξιολογούν τα αποτελέσματα.
Σκοπός της διδακτικής ενότητας είναι η μελέτη και εφαρμογή των βασικών μοντέλων γραμμικής παλινδρόμησης.
Οι αλγόριθμοι θα παρουσιαστούν μέσω παραδειγμάτων και τα αποτελέσματα τους θα αξιολογηθούν με σκοπό την επιλογή του βέλτιστου αλγορίθμου. Μετά το πέρας της Διδακτικής Ενότητας οι εκπαιδευόμενοι θα μπορούν να:
- Προετοιμάζουν και μετατρέπουν τα δεδομένα στην απαραίτητη μορφή προκειμένου να εκτελεστεί ο αλγόριθμος
- Εφαρμόζουν τους αλγορίθμους γραμμικής παλινδρόμησης
- Χτίζουν μοντέλα ανάλυσης
- Εφαρμόζουν μοντέλα ανάλυσης
- Ερμηνεύουν και να αξιολογούν τα αποτελέσματα.
Ημερολόγιο
Ανακοινώσεις
- - Δεν υπάρχουν ανακοινώσεις -
