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 Ποσών Δεδομένων
- Επισκόπηση Επιστήμης Δεδομένων
- Επισκόπηση Μεγάλων Ποσών Δεδομένων
- Δομές Δεδομένων
- Στοιχεία και περιπλοκότητες των Μεγάλων Ποσών Δεδομένων
- Η οικοσφαίρα των Μεγάλων Ποσών Δεδομένων και μια νέα προσέγγιση στην ανάλυση
- Βασικές τεχνολογίες Μεγάλων Ποσών Δεδομένων
- Ο προβληματισμός και οι δυσκολίες του Data Mining
- Εξορύγμα συσχέτισης μοτίβων
- Συστήματα κατάταξης δεδομένων
- Ανίχνευση απόκλισης
- Κατάταξη δεδομένων
Εισαγωγή στον κύκλο ζωής της ανάλυσης δεδομένων
- Ανακαλυψία
- Προετοιμασία δεδομένων
- Σχεδιασμός μοντέλου
- Κατασκευή μοντέλου
- Παρουσίαση/Επικοινωνία των αποτελεσμάτων
- Η εφαρμογή
- Άσκηση: Μελέτη περιπτώσεων
Από αυτό το σημείο, η πλειοψηφία (80%) του χρόνου εκπαίδευσης θα αφιερωθεί σε παραδείγματα και άσκησες με R και σχετικές τεχνολογίες μεγάλων ποσών δεδομένων.
Εισαγωγή στο R
- Εγκατάσταση R και Rstudio
- Χαρακτηριστικά της γλώσσας R
- Αντικείμενα στο R
- Δεδομένα στο R
- Χειρισμός δεδομένων
- Ζητήματα μεγάλων ποσών δεδομένων
- Άσκηση
Εισαγωγή στο Hadoop
- Εγκατάσταση Hadoop
- Κατανόηση των καθεστώτων Hadoop
- HDFS (Hadoop Distributed File System)
- Αρχιτεκτονική MapReduce
- Επισκόπηση σχετικών προ젝τών Hadoop
- Γραφτικά προγράμματα με Hadoop MapReduce
- Άσκηση
Ενσωμάτωση R και Hadoop με RHadoop
- Συστατικά του RHadoop
- Εγκατάσταση RHadoop και σύνδεση με Hadoop
- Αρχιτεκτονική του RHadoop
- Hadoop streaming με R
- Επίλυση προβλημάτων ανάλυσης δεδομένων με RHadoop
- Άσκηση
Προεπεξεργασία και προετοιμασία δεδομένων
- Βήματα προετοιμασίας δεδομένων
- Εξαγωγή χαρακτηριστικών (feature extraction)
- Καθάριση δεδομένων (data cleaning)
- Ενσωμάτωση και μετασχηματισμός δεδομένων
- Μείωση δεδομένων - εξαγωγή δειγμάτων, επιλογή υποσυνόλου χαρακτηριστικών
- Μείωση διάστασης (dimensionality reduction)
- Διακριματικότητα και βαθμολόγηση (discretization and binning)
- Άσκησες και μελέτη περιπτώσεων
Εξερευνητικές μέθοδοι ανάλυσης δεδομένων στο R
- Περιγραφική στατιστική (descriptive statistics)
- Εξερευνητική ανάλυση δεδομένων (exploratory data analysis)
- Οπτικοποίηση - πρώτα βήματα
- Παρουσίαση με τη χρήση ενός μεταβλητού (visualizing single variable)
- Εξέταση πολλαπλών μεταβλητών
- Στατιστικές μέθοδοι αξιολόγησης (statistical methods for evaluation)
- Επιστημονική υπόθεση (hypothesis testing)
- Άσκηση και μελέτη περιπτώσεων
Οπτικοποίηση δεδομένων (Data Visualizations)
- Βασική οπτικοποίηση στο R
- Πακέτα για οπτικοποίηση δεδομένων (ggplot2, lattice, plotly, lattice)
- Μόρφωση πλάνων στο R
- Προηγμένα γράφημα
- Άσκηση
Επανάληψη (Regression - Εκτίμηση μελλοντικών τιμών)
- Γραμμική επανάληψη (linear regression)
- Χρησιμοποιίες και περιπτώσεις χρήσης (use cases)
- Περιγραφή του μοντέλου (model description)
- Διάγνωση προβλημάτων (diagnostics)
- Προβλήματα στη γραμμική επανάληψη (problems with linear regression)
- Συσταδικές μεθόδους, ρίγγινγκ και το λασσώ (shrinkage methods, ridge regression, the lasso)
- Γενίκευση και μη γραμμικότητα (generalizations and nonlinearity)
- Επαναληπτικές πλέξεις (regression splines)
- Τοπική πολυωνύμικη επανάληψη (local polynomial regression)
- Γενικευμένα αποδοτικά μοντέλα (generalized additive models)
- Επανάληψη με RHadoop
- Άσκηση και μελέτη περιπτώσεων
Κατάταξη (Classification)
- Προβλήματα σχετικά με την κατάταξη (the classification related problems)
- Επανεκδίδασμα Μπέϋζιαν (Bayesian refresher)
- Ναιϊβού Μπέϊζιαν (Naïve Bayes)
- Γραμμική κατάταξη (logistic regression)
- K-γείτονες (K-nearest neighbors)
- Αλγόριθμος δέντρων απόφασης (decision trees algorithm)
- Νευρωνικά δίκτυα (neural networks)
- Μηχανή υποστήριξης διανύσματος (support vector machines)
- Διάγνωση κατατακτικών μεθόδων (diagnostics of classifiers)
- Σύγκριση των μεθόδων κατάταξης (comparison of classification methods)
- Κλίμακας κατάταξης αλγορίθμων (scalable classification algorithms)
- Άσκηση και μελέτη περιπτώσεων
Αξιολόγηση της επίδοσης του μοντέλου και η επιλογή (Assessing model performance and selection)
- Προκατάληψη, διαφορετικότητα και περιπλοκότητα του μοντέλου (bias, variance and model complexity)
- Ακρίβεια αντί για ερμηνευσιμότητα (accuracy vs interpretability)
- Αξιολόγηση κατατακτικών μεθόδων (evaluating classifiers)
- Μέτρα απόδοσης του μοντέλου/αλγορίθμου (measures of model/algorithm performance)
- Η μέθοδος οικοδόχων δεδομένων (hold-out method of validation)
- Τυπική αξιολόγηση (cross-validation)
- Παραμετροθέτηση μηχανών μάθησης με το πακέτο caret (tuning machine learning algorithms with caret package)
- Οπτικοποίηση της επίδοσης του μοντέλου με καμπύλες Profit ROC και Lift (visualizing model performance with Profit ROC and Lift curves)
Συστήματα πολλαπλών συστημάτων (Ensemble Methods)
- Bagging
- Random Forests
- Boosting
- Gradient boosting
- Άσκηση και μελέτη περιπτώσεων
Μηχανή υποστήριξης διανύσματος για κατάταξη και επανάληψη (Support vector machines for classification and regression)
- Κλασσικοί κλάδοι κατατακτικών μεθόδων
- Μηχανή υποστήριξης διανύσματος (support vector classifiers)
- Μηχανή υποστήριξης διανύσματος (support vector machines)
- Μηχανή υποστήριξης διανύσματος για προβλήματα κατάταξης (SVM’s for classification problems)
- Μηχανή υποστήριξης διανύσματος για προβλήματα επανάληψης (SVM’s for regression problems)
- Άσκηση και μελέτη περιπτώσεων
Αναγνώριση άγνωστων συμπλοκών εντός ενός συνόλου δεδομένων (Identifying unknown groupings within a data set)
- Εξαγωγή χαρακτηριστικών για κατάταξη (feature selection for clustering)
- Αλγόριθμοι με βάση αντιπροσωπευτές: k-means, k-medoids
- Ιεραρχικοί αλγόριθμοι: συσχετικές και διαιρετικές μεθόδους (hierarchical algorithms: agglomerative and divisive methods)
- Πιθανοφανιστικά βάση αλγόριθμοι: EM
- Αλγόριθμοι με βάση πυκνότητα: DBSCAN, DENCLUE
- Επαλήθευση συστάδων (cluster validation)
- Προηγμένες έννοιες κατάταξης (advanced clustering concepts)
- Κατάταξη με RHadoop
- Άσκηση και μελέτη περιπτώσεων
Ανακαλύψη συνδέσεων με Σύστημα Ανάλυσης Δεσμού (Link Analysis)
- Σύνθετες εννοιές του Συστήματος Ανάλυσης Δεσμού
- Μετρικές για την ανάλυση δικτύων (metrics for analyzing networks)
- Ο αλγόριθμος Pagerank
- Εξορύγμα με βάση Υπερδέσμους και Αναζήτηση (Hyperlink-Induced Topic Search)
- Πρόβλεψη δεσμών (Link Prediction)
- Άσκηση και μελέτη περιπτώσεων
Εξορύγμα συσχέτισης (Association Pattern Mining)
- Μοντέλο εξόρυξης συχνών μοτίβων (frequent pattern mining model)
- Ζητήματα κλιμακωτότητας σε ανάλυση δεδομένων (scalability issues in frequent pattern mining)
- Αλγόριθμοι βίαιης ένδρασης (brute force algorithms)
- Αλγόριθμος Apriori
- Η προσέγγιση FP growth
- Εξέταση ιδιοτήτων υποψήφιων κανόνων (evaluation of candidate rules)
- Εφαρμογές Συνδεδεμένων Κανόνων (applications of association rules)
- Επαλήθευση και δοκιμή (validation and testing)
- Διάγνωση (diagnostics)
- Συσχέτιση κανόνων με R και Hadoop
- Άσκηση και μελέτη περιπτώσεων
Κατασκευή συστημάτων αναβίβασης (Constructing recommendation engines)
- Κατανόηση των συστημάτων αναβίβασης (understanding recommender systems)
- Τεχνικές μεταξύ δεδομένων που χρησιμοποιούνται σε συστήματα αναβίβασης (data mining techniques used in recommender systems)
- Συστήματα αναβίβασης με το πακέτο recommenderlab
- Αξιολόγηση συστημάτων αναβίβασης (evaluating the recommender systems)
- Αναβίβαση με RHadoop
- Άσκηση: Κατασκευή συστήματος αναβίβασης (Exercise: Building recommendation engine)
Ανάλυση κειμένου (Text analysis)
- Βήματα ανάλυσης κειμένου (text analysis steps)
- Συλλογή αρχικού κειμένου (collecting raw text)
- Σακίδιο λέξεων (bag of words)
- Συχνότητα Λέξεων - Γινώσκωντας τη Δοκιμή (Term Frequency – Inverse Document Frequency)
- Καθορισμός συναισθημάτων (determining sentiments)
- Άσκηση και μελέτη περιπτώσεων
35 Ώρες
Σχόλια (2)
Εντονότητα, Υλικά και εμπειρία κατάρτισης, Καθαρότητα, Αριστηγενής 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
