Ευχαριστούμε που στάλθηκε η αποσαφήνισή σας! Ένα μέλος της ομάδου μας θα επικοινωνήσει μαζί σας σύντομα.
Ευχαριστούμε για την εκδήλωση κράτησης! Ένας από τους συνεργάτες μας θα επικοινωνήσει μαζί σας σύντομα.
Εξέλιξη Κομματιού
Εισαγωγή στην Επιστήμη Δεδομένων για την Ανάλυση Μεγάλων Ποσοστών Δεδομένων
- Επισκόπηση της Επιστήμης Δεδομένων
- Επισκόπηση μεγάλων ποσοστών δεδομένων
- Δομές Δεδομένων
- Κινητήριες δυνάμεις και πολυπλοκότητα των μεγάλων ποσοστών δεδομένων
- Η οικοσύστημα μεγάλων ποσοστών δεδομένων και νέα προσέγγιση στην ανάλυση
- Βασικές τεχνολογίες μεγάλων ποσοστών δεδομένων
- Η διαδικασία εξόρυξης δεδομένων και τα προβλήματα αυτής
- Εξόρυξη σχέσεων (Association Pattern Mining)
- Ομαδοποίηση δεδομένων (Data Clustering)
- Ανίχνευση εκτός κανονικών σημείων (Outlier Detection)
- Ταξινόμηση δεδομένων (Data Classification)
Εισαγωγή στο κύκλο ζωής ανάλυσης δεδομένων
- Ανακάλυψη
- Προετοιμασία δεδομένων
- Σχεδιασμός μοντέλου
- Κατασκευή μοντέλου
- Παρουσίαση/Επικοινωνία αποτελεσμάτων
- Εφαρμογή (Operationalization)
- Άσκηση: Συγκριτική μελέτη περίπτωσης
Από αυτό το σημείο, το 80% του χρόνου εκπαίδευσης θα προορίζεται για παραδείγματα και ασκήσεις στην R και σχετικές τεχνολογίες μεγάλων ποσοστών δεδομένων.
Χρήση της R
- Εγκατάσταση της R και του Rstudio
- Χαρακτηριστικά της γλώσσας R
- Αντικείμενα στην R
- Δεδομένα στην R
- Μεταχείριση δεδομένων
- Προβλήματα μεγάλων ποσοστών δεδομένων
- Άσκηση
Χρήση του Hadoop
- Εγκατάσταση του Hadoop
- Κατανόηση των λειτουργιών του Hadoop
- HDFS (Ηλεκτρονικό Σύστημα Αποθήκευσης)
- Αρχιτεκτονική MapReduce
- Επισκόπηση σχετικών προ젝τών Hadoop
- Συγγραφή προγραμμάτων στο MapReduce του Hadoop
- Άσκηση
Ενσωμάτωση R και Hadoop με RHadoop
- Συστατικά του RHadoop
- Εγκατάσταση του RHadoop και σύνδεση με Hadoop
- Αρχιτεκτονική του RHadoop
- Streaming Hadoop με R
- Λύση προβλημάτων ανάλυσης δεδομένων με RHadoop
- Άσκηση
Προεπεξεργασία και προετοιμασία δεδομένων
- Βήματα προεπεξεργασίας δεδομένων
- Εκχώρηση χαρακτηριστικών (Feature Extraction)
- Καθαρισμός δεδομένων (Data Cleaning)
- Ενσωμάτωση και μετατροπή δεδομένων
- Μείωση δεδομένων - δειγματοληψία, εξαγωγή υποσυνόλων χαρακτηριστικών
- Μείωση διάστασης (Dimensionality Reduction)
- Αποδοχή και επιβολή όριων (Discretization and Binning)
- Άσκηση και συγκριτική μελέτη περίπτωσης
Εξερευνητικές μέθοδοι ανάλυσης δεδομένων στην R
- Περιγραφική στατιστική (Descriptive Statistics)
- Εξερευνητική ανάλυση δεδομένων
- Οπτικοποίηση - προαρχικά βήματα
- Εξέταση μεταβλητών αυθαίρετως
- Στατιστικές μέθοδοι εκτίμησης
- Εξετασμός υποθέσεων (Hypothesis Testing)
- Άσκηση και συγκριτική μελέτη περίπτωσης
Οπτικοποίηση δεδομένων
- Βασική οπτικοποίηση στην R
- Πακέτα για οπτικοποίηση δεδομένων: ggplot2, lattice, plotly, lattice
- Μόρφωση ζωγραφιών στην R
- Προηγμένα γράφηματα
- Άσκηση
Απόδοση (Εκτίμηση μελλοντικών τιμών)
- Γραμμική απόδοση
- Περιπτωμένες χρήσεις
- Περιγραφή μοντέλου
- Διαγνώστικη ανάλυση (Diagnostics)
- Προβλήματα γραμμικής απόδοσης
- Μεθόδους υποχώρησης, ρίγκ διάστασης (ridge regression), λασό (lasso)
- Γενίκευση και μη γραμμικότητα
- Σπλάιν εξάρτησης (Regression splines)
- Τοπική πολυωνύμικη απόδοση (Local polynomial regression)
- Σχετικά μοντέλα συναυξανόμενης γραμμικότητας
- Απόδοση με RHadoop
- Άσκηση και συγκριτική μελέτη περίπτωσης
Ταξινόμηση (Classification)
- Προβλήματα σχετικά με τη ταξινόμηση
- Επανεξέταση βαυζιανικών ιδεών (Bayesian refresher)
- Ναιϊβος Βάυζιανος (Naïve Bayes)
- Γραμμική απόδοση (Logistic regression)
- K-γείτονες (K-nearest neighbors)
- Αλγόριθμος δέντρων απόφασης
- Νευρωνικά δίκτυα (Neural networks)
- Μηχανή υποστήριξης διανύσματος (Support vector machines)
- Διαγνώστικη ανάλυση των ταξινομητών
- Σύγκριση μεθόδων ταξινόμησης
- Μεγάλη κλίμακα αλγόριθμοι ταξινόμησης
- Άσκηση και συγκριτική μελέτη περίπτωσης
Αξιολόγηση ταξινομητών και επιλογή μοντέλου
- Προκατάληψη, διαφορετικότητα και περιπλοκότητα των μοντέλων
- Ακρίβεια vs Εξήγηση (Accuracy vs Interpretability)
- Εκτίμηση ταξινομητών
- Μέτρα απόδοσης μοντέλων/αλγορίθμων
- Η μέθοδος κράτησης (Hold-out method of validation)
- Καταστοιχισμός επαλήθευσης
- Ρύθμιση μηχανών μάθησης αλγορίθμων με το πακέτο caret
- Οπτικοποίηση της απόδοσης του μοντέλου με καμπύλες Profit ROC και Lift curves
Συνολικές Μέθοδοι (Ensemble Methods)
- Bagging
- Τυχαία Δάση (Random Forests)
- Boosting
- Gradient Boosting
- Άσκηση και συγκριτική μελέτη περίπτωσης
Μηχανές υποστήριξης διανύσματος για ταξινόμηση και απόδοση (Support Vector Machines for Classification and Regression)
- Μηχανές Μεγίστης Περιθώριας (Maximal Margin classifiers)
- Ταξινομητής υποστήριξης διανύσματος
- Μηχάνες υποστήριξης διανύσματος (Support vector machines)
- Μηχανές υποστήριξης διανύσματος για προβλήματα ταξινόμησης
- Μηχανές υποστήριξης διανύσματος για προβλήματα απόδοσης
- Άσκηση και συγκριτική μελέτη περίπτωσης
Αναγνώριση άγνωστων ομάδων εντός συνόλου δεδομένων (Identifying unknown groupings within a data set)
- Εκχώρηση χαρακτηριστικών για ομαδοποίηση
- Αλγόριθμοι που βασίζονται σε εκπροσώπους: k-άριθμο, k-medoids
- Ιεραρχικοί αλγόριθμοι: ηθικές και διαιρητικές μέθοδοι (Hierarchical algorithms: agglomerative and divisive methods)
- Πιθανοφάνειες αλγόριθμοι: EM
- Αλγόριθμοι που βασίζονται σε πυκνότητα: DBSCAN, DENCLUE
- Επιβεβαίωση ομάδων (Cluster validation)
- Προηγμένα εννοιών ομαδοποίησης
- Ομαδοποίηση με RHadoop
- Άσκηση και συγκριτική μελέτη περίπτωσης
Ανακάλυψη συνδέσεων (Discovering connections with Link Analysis)
- Εννοιών ανακάλυψης συνδέσεων
- Μετρήτες για την ανάλυση δικτύων (Metrics for analyzing networks)
- Ο αλγόριθμος Pagerank
- Αναζήτηση θέματος βάσει υπερδέσμων (Hyperlink-Induced Topic Search)
- Πρόβλεψη συνδέσεων
- Άσκηση και συγκριτική μελέτη περίπτωσης
Εξόρυξη Σχετικών Μοτίβων (Association Pattern Mining)
- Μοντέλο εξόρυξης συχνών μοτίβων
- Προβλήματα κλίμακας στην εξόρυξη συχνών μοτίβων (Scalability issues in frequent pattern mining)
- Βάσεις Βίαιου Δύναμης (Brute Force algorithms)
- Αλγόριθμος Apriori
- Η προσέγγιση FP growth
- Εκτίμηση υποψήφιων κανόνων (Evaluation of Candidate Rules)
- Εφαρμογές των συχνών κανόνων
- Επιβεβαίωση και δοκιμή (Validation and Testing)
- Διάγνωση (Diagnostics)
- Συχνοί κανόνες με R και Hadoop
- Άσκηση και συγκριτική μελέτη περίπτωσης
Δημιουργία ανάδειξης συστημάτων (Constructing recommendation engines)
- Κατανόηση των συστημάτων ανάδειξης
- Τεχνικές εξόρυξης δεδομένων που χρησιμοποιούνται στα συστήματα ανάδειξης
- Συστήματα ανάδειξης με το πακέτο recommenderlab
- Εκτίμηση των συστημάτων ανάδειξης
- Ανάδειξη με RHadoop
- Άσκηση: Δημιουργία συστήματος ανάδειξης (Building recommendation engine)
Ανάλυση κειμένου
- Βήματα ανάλυσης κειμένου
- Συσσωρεύση ωριμού κειμένου (Collecting raw text)
- Τζάμα λέξεων (Bag of words)
- Συχνότητα Λέξεων – Αντίστροφη Συχνότητα Δοκιμής (Term Frequency – Inverse Document Frequency)
- Ορισμός αισθήματος (Determining Sentiments)
- Άσκηση και συγκριτική μελέτη περίπτωσης
35 Ώρες
Σχόλια (2)
Εντάση, Υλικό εκπαίδευσης και εμπειρογνωμοσύνη, Κlarity, Excellent επικοινωνία με την Alessandra
Marija Hornis Dmitrovic - Marija Hornis
Κομμάτι - Data Science for Big Data Analytics
Μηχανική Μετάφραση
The example and training material were sufficient and made it easy to understand what you are doing.
Teboho Makenete
Κομμάτι - Data Science for Big Data Analytics
Μηχανική Μετάφραση
