Εξέλιξη Κομματιού
Εβδομάδα 1 Μεγάλων Δεδομένων (Big Data) Έννοιες
- Ορισμός VVVV (Velocity, Volume, Variety, Veracity)
- Περιορισμοί της παραδοσιακής ικανότητας επεξεργασίας δεδομένων
- Διανεμημένη Επεξεργασία (Distributed Processing)
- Στατιστική Ανάλυση (Statistical Analysis)
- Τύποι Μηχανικής Μάθησης (Machine Learning Analysis Types)
- Οπτικοποίηση Δεδομένων (Data Visualization)
- Διανεμημένη Επεξεργασία (e.g. map-reduce)
- Εισαγωγή στις χρησιμοποιούμενες γλώσσες
- Εισαγωγή στη γλώσσα R (R language crash-course)
- Εισαγωγή στη γλώσσα Python (Python crash course)
Εβδομάδες 2&3 Εκτέλεση Ανάλυσης Δεδομένων
- Στατιστική Ανάλυση (Statistical Analysis)
- Περιγραφική Στατιστική σε μεγάλα σύνολα δεδομένων (e.g. υπολογισμός του μέσου)
- Συμπερασματική Στατιστική (Inferential Statistics, εκτίμηση)
- Προβλέψεις με υποδειγμάτων Συσχέτισης και Παλινδρόμησης (Forecasting with Correlation and Regression models)
- Ανάλυση χρονολογικών σειρών (Time Series analysis)
- Βασικές Έννοιες της Μηχανικής Μάθησης (Basics of Machine Learning)
- Επίβλεψη vs μη επιβλεπόμενη μάθηση (Supervised vs unsupervised learning)
- Ταξινόμηση και ομαδοποίηση (Classification and clustering)
- Εκτίμηση κόστους συγκεκριμένων μεθόδων
- Φίλτρο (Filter)
Εβδομάδα 4 Επεξεργασία Φυσικής Γλώσσας
- Επεξεργασία κειμένου (Processing text)
- Κατανόηση της σημασίας του κειμένου
- Αυτόματη δημιουργία κειμένου (Automatic text generation)
- Ανάλυση Συναισθήματος/Θέματος (Sentiment/Topic Analysis)
- Ορατότητα υπολογιστών (Computer Vision)
Εβδομάδες 5&6 Έννοιες Εργαλείων
- Λύσεις αποθήκευσης δεδομένων (SQL, NoSQL, ιεραρχικές, προσανατολισμένες σε αντικείμενα, προσανατολισμένες σε έγγραφα)
- MySQL, Cassandra, MongoDB, Elasticsearch, HDFS, κλπ...
- Επιλογή της κατάλληλης λύσης για το πρόβλημα
- Διανεμημένη Επεξεργασία (Distributed Processing)
- Spark
- Μηχανική Μάθηση με Spark (MLLib)
- Spark SQL
- Εξατομικόποιηση (Scalability)
- Δημόσιος Σύνδεσμος (Public cloud, AWS, Google, κλπ...)
- Ιδιωτικός Σύνδεσμος (Private cloud, OpenStack, cloud foundry)
- Αυτόματη εξατομικόποιηση (Autoscalability)
Εβδομάδα 7 Μαλακές Δεξιότητες
- Συμβουλευτικές & Ηγετικές Δεξιότητες (Advisory & Leadership Skills)
- Επίδραση: ιστορίες που βασίζονται στα δεδομένα
- Κατανόηση του ακροατηρίου (Understanding your audience)
- Αποτελεσματική παρουσίαση δεδομένων - μετάδοση του μηνύματός σας (Effective data presentation)
- Αποτελεσματική επίδραση και ηγεσία αλλαγών
- Χειρισμός δύσκολων καταστάσεων (Handling difficult situations)
Εξέταση
- Τελική εξέταση τερματισμού προγράμματος (End of Programme graduation exam)
Απαιτήσεις
Οι συμμετέχοντες να έχουν καλή βάση στα μαθηματικά, τουλάχιστον λυκείου.
Αν και δεν απαιτούνται δεξιότητες προγραμματισμού, οποιεσδήποτε δεξιότητες προγραμματισμού θα είναι χρήσιμες.
Οι συμμετέχοντες θα αξιολογηθούν και θα ερωτηθούν πριν από τη συμμετοχή τους σε αυτό το εκπαιδευτικό πρόγραμμα.
Σχόλια (5)
O Younes είναι έξυπνος εκπαιδευτής. Πάντα πρόθυμος να βοηθήσει και πολύ υπομονετικός. Θα του δω σε 5 αυλές. Επίσης, η εκπαίδευση QLIK sense ήταν υπέροχη, καθώς είχαμε έναν εξαιρετικό εκπαιδευτή.
Dietmar Glanninger - BMW
Κομμάτι - Qlik Sense for Data Science
Μηχανική Μετάφραση
Ο καθηγητής ήταν φιλόξενος. Και πραγματικά με ενθαρρύνατε να ακολουθήσω το μάθημα.
Grace Goh - DBS Bank Ltd
Κομμάτι - Python in Data Science
Μηχανική Μετάφραση
Παρουσίαση γνώσεων θέματος χρόνου
Aly Saleh - FAB banak Egypt
Κομμάτι - Introduction to Data Science and AI (using Python)
Μηχανική Μετάφραση
Είναι πολύ ωραίο το μάθημα να έχει επιτυχθεί κατόπιν των βασικών περιοχών που έχω διαγράψει στην προ-μαθήματος έρευνα. Αυτό είναι πραγματικά χρήσιμο για να απαντήσω στις ερωτήσεις μου και να συμβαδίσει με τους στόχους εξέλιξής μου.
Winnie Chan - Statistics Canada
Κομμάτι - Jupyter for Data Science Teams
Μηχανική Μετάφραση
Εμφανίζει πολλές μεθόδους με προετοιμασμένα σcenάρια - πολύ καλά επεξεργασμένα υλικά και εύκολα για αναμόνηση των βήματων.
Kamila Begej - GE Medical Systems Polska Sp. Zoo
Κομμάτι - Machine Learning – Data science
Μηχανική Μετάφραση