Εισαγωγή στην Επιστήμη των Δεδομένων-Introduction to Data Science

ΑΝΤΙΚΕΙΜΕΝΟ – ΠΑΡΑΔΟΤΕΟ ΥΛΙΚΟ

• 1^ο Μάθημα: Εισαγωγή στη Στατιστική για Ανάλυση Δεδομένων
  • Περιγραφική Στατιστική – Descriptive Statistics
    Τύποι Δεδομένων. Περιγραφή δεδομένων με γραφήματα και πίνακες. Παρουσίαση των βασικών στατιστικών μέτρων για τη περιγραφή δεδομένων.
  • Βασικά Στοιχεία Πιθανοτήτων –Basic Probability
    Ιδιότητες της Πιθανότητας, ενδεχόμενα, ανεξαρτησία ενδεχομένων, δεσμευμένη πιθανότητα, θεώρημα Bayes.
• 2^ο Μάθημα: Τυχαίες Μεταβλητές
  • Βασικά Στοιχεία Τυχαίων Μεταβλητών
    Τι είναι οι τυχαίες μεταβλητές, Διακριτές και Συνεχείς τυχαίες μεταβλητές, Κατανομές τυχαίων μεταβλητών, μέτρα και ιδιότητες τυχαίων μεταβλητών (μέσος, διασπορά, …).
  • Είδη τυχαίων μεταβλητών
    Κατανομές Bernoulli, διωνυμικες, Poisson. Κανονικές τυχαίες μεταβλητές. Ο Νόμος των Μεγάλων Αριθμών και το Κεντρικό Οριακό Θεώρημα.
• 3^ο Μάθημα: Εκτιμητική και Στατιστική Συμπερασματολογία
  • Δειγματοληψία και Διαστήματα Εμπιστοσύνης
    Μέθοδοι δειγματοληψίας. Σημειακή εκτίμηση. Εκτιμητές. Διαστήματα εμπιστοσύνης.
  • Έλεγχος Υποθέσεων
    Η έννοια του Ελέγχου Υποθέσεων. Πόσο ισχυρά συμπεράσματα βγάζουμε; Πώς καθορίζεται η Μηδενική και η Εναλλακτική υπόθεση; Τύποι σφαλμάτων που μπορεί να προκύψει (σφάλματα τύπου Ι και ΙΙ).
• 4^ο Μάθημα: Εισαγωγή στη γλώσσα R για την Επιστήμη των Δεδομένων.
  • Ορισμένοι Βασικοί Έλεγχοι
    Έλεγχοι για τους μέσους, τις αναλογίες και τη διαφορά μέσων δύο πληθυσμών. Ο έλεγχος Χ² για ανεξαρτησία.
  • Βασικά χαρακτηριστικά της R
    Ποιά είναι η γλώσσα R. Πώς την εγκαθιστούμε και πώς τη χρησιμοποιούμε.
• 5^ο Μάθημα: Χρήσιμες δομές δεδομένων της R
  • Γράφοντας τον πρώτο μας κώδικα
    Η δομή των εντολών της R. Βασικοί τύποι δεδομένων. Μεταβλητές.
  • Διανύσματα και Πίνακες στην R
    Δημιουργία, ονομασία. Επιλογή στοιχείων από διανύσματα. Βασικές πράξεις χρησιμοποιώντας πίνακες. Η πρώτη μας εφαρμογή.
  • Factors, Data Frames και Lists
    Δημιουργία, επιλογή και σύγκριση κατηγορικών δεδομένων με τη χρήση Factors. Αποθήκευση πινάκων δεδομένων σε Data Frames. Επιλογή στοιχείων από ένα Data Frame και μετατροπή σε Πίνακα. Αποθήκευση δεδομένων διαφορετικών τύπων σε λίστες.
  • Βασικά πακέτα γραφικών στην R
    Δημιουργία γραφημάτων και οπτικοποίηση δεδομένων.
• 6^ο Μάθημα: Στοιχεία της Επιστήμης των Δεδομένων.
  • Οι διαδικασίες στην Επιστήμη των Δεδομένων
    Η προσέγγιση και οι βασικές αρχές της Επιστήμης των Δεδομένων. Η διαδικασία που ακολουθούμε στην Επιστήμη των Δεδομένων.
  • Εισαγωγή και ανάγνωση Δεδομένων στην R
    Οι βασικές εντολές ανάγνωσης δεδομένων.
  • Εισαγωγή στη Μηχανική Μάθηση (Machine Learning)
  • Πιθανότητες και Στατιστική στην Επιστήμη των Δεδομένων
    Εφαρμογή σε δεδομένα της εύρεσης διαστημάτων εμπιστοσύνης και του ελέγχου υποθέσεων. Η έννοια της συσχέτισης.
  • Προσομοιώσεις
    Δεδομένα που προκύπτουν από προσομοιώσεις. Προσομοιώσεις Monte-Carlo. Re-sampling δεδομένων.
• 7^ο Μάθημα: Δουλεύοντας με Δεδομένα.
  • Προετοιμασία Δεδομένων και Data Ingestion
    Τα βασικά επιλογής δεδομένων. Η σημασία του ελέγχου και «ξεκαθαρίσματος» των δεδομένων (data cleaning).
  • Εισαγωγή Δεδομένων από ιστοσελίδες
    Χρήση πακέτων της R. Έλεγχος, καθάρισμα και μετασχηματισμός δεδομένων (data munging). Εφαρμογή με πραγματικές ιστοσελίδες.
• 8^ο Μάθημα: Εισαγωγή στη Γραμμική Παλινδρόμηση
  • Το Απλό Γραμμικό Υπόδειγμα
    Απλή γραμμική παλινδρόμηση. Βασικές υποθέσεις. Μέθοδοι εκτίμησης. Ερμηνεία των παραμέτρων του υποδείγματος. Ιδιότητες των εκτιμητών
• 9^ο Μάθημα: Ανάλυση Πολλαπλής Παλινδρόμησης
  • Βασικές υποθέσεις και ερμηνεία των παραμέτρων. Αμεροληψία και αποτελεσματικότητα των εκτιμητών ελαχίστων τετραγώνων. Έλεγχος υποθέσεων. Πολυσυγγραμμικότητα. Omitted Variable Bias. Συνέπεια και ασυμπτωτική αποτελεσματικότητα των εκτιμητών ελαχίστων τετραγώνων.
  • Ετεροσκεδαστικότητα
    Συνέπειες. Έλεγχοι ετεροσκεδαστικότητας. Επίλυση του προβλήματος.
• 10^ο Μάθημα: Ειδικά Θέματα Παλινδρόμησης
  • Binary (Dummy) Variables
    Όταν κάποιοι από τους regressors είναι Ερμηνεία. Η περίπτωση που η εκξαρτημένη μεταβλητή είναι Binary (το γραμμικό υπόδειγμα πιθανότητας).
  • Τα υποδείγματα Probit και Logit
• 11^ο Μάθημα: Αρχές Ανάλυσης Δεδομένων Χρονοσειρών
  • Στάσιμες Στοχαστικές Ανελίξεις
    Αυτοσυσχέτιση. Ασθενώς Εξαρτημένες Χρονοσειρές
  • Ορισμένοι Βασικοί Τύποι Ανελίξεων
    Ανιλίξεις κινητού μέσου (MA(q)). Αυτοπαλίνδρομες ανελίξεις (AR(p)). Ανελίξεις ARMA(p,q). Ο τελεστής
  • Ανελίξεις Μοναδιαίας Ρίζας
    Ιδιότητες. Έλεγχοι ύπαρξης μοναδιαίας ρίζας.
  • Προσομοιώσεις Ανελίξεων ARIMA(p,d,q) και έλεγχοι μοναδιαίας ρίζας στην R
• 12^ο Μάθημα: Αρχές Machine Learning
  • Εισαγωγή στο Supervised Learning
    Βασικές αρχές του Supervised Learning. Βασικές διαφορές με το Unsupervised Learning. Απλά μοντέλα Machine Learning στην R.
  • Βελτιώνοντας ένα μοντέλο Supervised Learning
    Η διαδικασία επιλογής χαρακτηριστικών. Τα προβλήματα της υπερ-παραμετροποίησης (over-parametrization) και τις ανάλυσης φαινομένων σε πολλές διαστάσεις (curse of dimensionality). Τεχνικές για αντιμετώπιση αυτών των προβλημάτων (reguralization, dimensionality reduction).
• 13^ο Μάθημα: Αλγόριθμοι Ταξινόμησης
  • Linear Discriminant Analysis (LDA)
  • Classification and Regression Trees (CART).
  • k-Nearest Neighbors (kNN).
  • Support Vector Machines (SVM) with a linear kernel.
  • Random Forests (RF)
  • Unsupervised Learning στην R
  • Μέθοδοι Clustering και Εφαρμογή στην R
  • Recommender Systems και Εφαρμογή στην R
• 14^ο Μάθημα: Εισαγωγή στις Βάσεις Δεδομένων
  • Εισαγωγή στον SQL server
    Τύποι δεδομένων και η λέξη NULL. Queries. Queries σε πολλαπλούς πίνακες με την εντολή JOIN. Τελεστές. Subqueries και η εντολή Τροποποίηση δεδομένων.
  • Επικοινωνώντας με τον SQL server – Βάσεις Δεδομένων και η R

Η παρακολούθηση γίνεται αποκλειστικά από το Διαδίκτυο μέσω απλού εκπαιδευτικού λογισμικού (πλατφόρμα ασύγχρονης τηλεκπαίδευσης), παρέχεται ψηφιακό εκπαιδευτικό υλικό και συνεχή εκπαιδευτική υποστήριξη. Από τη στιγμή που ένας υποψήφιος γίνεται δεκτός στο Πρόγραμμα, δημιουργείται λογαριασμός χρήστη στην πλατφόρμα τηλεκπαίδευσης, στον οποίο δίνεται πρόσβαση στην εκπαιδευτική ενότητα της επιλογής του. Στα πλαίσια της κάθε εκπαιδευτικής ενότητας γίνεται ανάρτηση σε εβδομαδιαία βάση στην πλατφόρμα τηλεκπαίδευσης ηλεκτρονικού εκπαιδευτικού υλικού του υπεύθυνου διδάσκοντα. Το εκπαιδευτικό υλικό περιλαμβάνει ηλεκτρονικές σημειώσεις με θεωρία και παραδείγματα τα οποία είναι σε μορφή pdf με δυνατότητα αποθήκευσης και εκτύπωσης, ώστε να είναι εφικτή η μελέτη και offline. Κατά τη διάρκεια του μαθήματος υπάρχει η δυνατότητα ανάθεσης εργασιών ή τεστ αυτοαξιολόγησης. Ο εκπαιδευόμενος έχει πρόσβαση, οποιαδήποτε στιγμή και από οπουδήποτε έχει σύνδεση Internet, σε όλες τις δραστηριότητες, πηγές πληροφοριών και ανακοινώσεις του εκάστοτε μαθήματος και του κοινοποιούνται στοιχεία επικοινωνίας με τον διδάσκοντα για επίλυση αποριών. Οι συμμετέχοντες πρέπει να :

• μελετούν την ύλη και τις σημειώσεις
• χρησιμοποιούν τις συνδέσεις που σχετίζονται με την ύλη του μαθήματος
• υποβάλλουν εργασίες, τεστ αυτοαξιολόγησης και απαντήσεις τελικής εξέτασης

Οι συμμετέχοντες πρέπει να διαθέτουν πρόσβαση στο διαδίκτυο, βασικές γνώσεις χειρισμού ηλεκτρονικών υπολογιστών καθώς και προσωπικό λογαριασμό e-mail.

H εξεταστική διαδικασία πραγματοποιείται εξ αποστάσεως μέσα από την πλατφόρμα e-learning με τη συμπλήρωση τεστ επίδοσης (ερωτήσεων πολλαπλής επιλογής) το οποίο είναι διαθέσιμο σε συγκεκριμένες ημερομηνίες ή με την ανάρτηση θεμάτων (ερωτήσεων- ασκήσεων τελικής εξέτασης) σε μορφή ανάθεσης εργασίας με προθεσμία υποβολής των απαντήσεων. Υπάρχει η δυνατότητα να προγραμματιστεί σε συνεννόηση με τον εκπαιδευόμενο η εκπρόθεσμη συμμετοχή του στην τελική εξέταση με την προϋπόθεση ότι δεν έχει παρέλθει διάστημα πάνω από ένα έτος από την εγγραφή του στην αντίστοιχη διδακτική ενότητα.