Πληροφοριες Προγραμματος
- Προθεσμια Υποβολης Αιτησεων:
- 7/1/2027
- Εναρξη Μαθηματων:
- 11/1/2027
- Διαρκεια:
- 3 Μήνες (66 ώρες)
Έναρξη Μαθημάτων
11/1/2027
Εισαγωγή
Σκοπός του προγράμματος είναι η εκπαίδευση των συμμετεχόντων/ουσών σε βασικές αρχές και τεχνικές σχετικά με την Ανάλυση Δεδομένων, τη Μηχανική Μάθηση και τα Νευρωνικά Δίκτυα, μέσα από πρακτικές εφαρμογές.
Στο πλαίσιο αυτό, αρχικά, οι εκπαιδευόμενοι/ες θα εξοικειωθούν με τις βασικές αρχές των γλωσσών προγραμματισμού R και Python, προκειμένου να μπορούν να αναπτύσσουν βασικές εφαρμογές με τη χρήση τους. Παράλληλα, θα εισαχθούν στις κύριες κατηγορίες των μοντέλων μηχανικής μάθησης και στα νευρωνικά δίκτυα για την επίλυση των προβλημάτων παλινδρόμησης, κατηγοριοποίησης και αναγνώρισης προτύπων και μοτίβων, ενώ θα εμβαθύνουν σε τεχνικές ανάπτυξης και επεξεργασίας δεδομένων και θα κατανοήσουν φαινόμενα όπως το Overfitting και το Underfitting.
Εν συνεχεία, μέσα από πλήθος πρακτικών εφαρμογών και παραδειγμάτων, θα αναλυθούν τα κυριότερα μοντέλα συνδυαστικής μάθησης και τα προβλήματα που αυτά επιλύουν. Ιδιαίτερη έμφαση θα δοθεί στην πρακτική εξάσκηση, καθώς οι συμμετέχοντες/ουσες θα έχουν τη δυνατότητα να αναπτύξουν από την αρχή το δικό τους μοντέλο μηχανικής μάθησης, χρησιμοποιώντας δεδομένα που θα τους παρέχονται στο πλαίσιο του προγράμματος. Με την ολοκλήρωση του προγράμματος, οι εκπαιδευόμενοι/ες θα έχουν αποκτήσει γνώσεις αναφορικά με εφαρμογές και μοντέλα μηχανικής μάθησης και νευρωνικών δικτύων, σε θεωρητικό και πρακτικό επίπεδο, τις οποίες θα είναι σε θέση να αξιοποιούν, τόσο στον χώρο της εργασίας τους όσο και στο πεδίο της έρευνας.
Το πρόγραμμα απευθύνεται σε απόφοιτους Πανεπιστημιακής Εκπαίδευσης/ΤΕΙ της ημεδαπής και της αλλοδαπής, καθώς και σε απόφοιτους Δευτεροβάθμιας Εκπαίδευσης με συναφή στο αντικείμενο εργασιακή εμπειρία.
Προαπαιτούμενα: Απαιτείται βασική γνώση Μαθηματικών
Μαθήματα Προγράμματος
Το πρόγραμμα περιλαμβάνει τα εξής μαθήματα:
| Μάθημα 1 | Βασικές Αρχές Python και R |
|---|---|
|
|
| Μάθημα 2 | Μοντέλα |
|
|
| Μάθημα 3 | Νευρωνικά Δίκτυα |
|
|
| Μάθημα 4 | Μοντέλα Συνδυαστικής Μάθησης (Ensemble Learning) για Πρόβλεψη και Κατηγοριοποίηση Δεδομένων |
|
|
Κόστος Προγράμματος
Εκπτώσεις έως 40% στα δίδακτρα των Προγραμμάτων. Δυνατότητα αποπληρωμής σε έως 10 μηνιαίες δόσεις.
Προεγγραφή με 80€ για αιτήσεις έως 02/12/2026 και 15% έκπτωση σε όλους λόγω early entry.
Ανταποκρινόμενοι στις ανάγκες και στα νέα δεδομένα που έχουν προκύψει στην κοινωνία λόγω του περιορισμού στο διαθέσιμο εισόδημα, παρέχουμε σε όλους διευκολύνσεις και παρατάσεις ως προς την πληρωμή των διδάκτρων τους σε συνεννόηση με τη Γραμματεία. Αυτό σημαίνει στην πράξη, ότι πέραν του ποσού της εγγραφής σας το υπολειπόμενο ποσό των διδάκτρων, δύναται να καταβληθεί σε μηνιαίες δόσεις που σας εξυπηρετούν μέχρι τη λήξη του Προγράμματός σας.
Παράλληλα, ισχύει εκπτωτική πολιτική για Ανέργους (30%), Κατόχους Ευρωπαϊκής Κάρτας Νέων (30%), ΑμεΑ (25%), Πολύτεκνους (20%), κ.ά. Δείτε στον παρακάτω πίνακα πως διαμορφώνονται τα δίδακτρα για κάθε ομάδα που δικαιούται έκπτωση.
Για αιτήσεις που έχουν υποβληθεί στον 95_96 κύκλο σπουδών από 30/10/206 μέχρι και 02/12/2026 ισχύει έκπτωση 15% λόγω early entry. Η εγγραφή στο πλαίσιο της έγκαιρης προκράτησης θέσης, κατοχυρώνεται με καταβολή μέρους των διδάκτρων ύψους 80 ευρώ. Η αποπληρωμή του υπόλοιπου ποσού γίνεται σε δόσεις κατά τη διάρκεια του προγράμματος.
Η έκπτωση λόγω early entry εφαρμόζεται επί του συνόλου των διδάκτρων εφόσον έχουν αφαιρεθεί τυχόν άλλες εκπτώσεις.
Για τη χορήγηση του πιστοποιητικού είναι απαραίτητη η αποπληρωμή του συνόλου των διδάκτρων.
| Διάρκεια (μήνες) | 3 |
| Δίδακτρα (σε δόσεις) |
|
| Αριθμός δόσεων | 3 |
| Ποσό δόσης |
|
| Δίδακτρα (εφάπαξ) |
|
| Δίδακτρα με έκπτωση | ||||
| Έκπτωση | 15% | 20% | 25% | 30% |
| Δίδακτρα |
|
|
|
|
| Δόση |
|
|
|
|
|
Το E-Learning του Κέντρου Επιμόρφωσης και Δια Βίου Μάθησης του Ε.Κ.Π.Α., στο πλαίσιο του μη κερδοσκοπικού χαρακτήρα της παροχής αυτοχρηματοδοτούμενων προγραμμάτων εξ αποστάσεως επιμόρφωσης, εφαρμόζει ειδική εκπτωτική πολιτική για συγκεκριμένες κατηγορίες εκπαιδευόμενων. Αναφορικά με τους όρους χορήγησης εκπτώσεων και την εταιρική εκπτωτική πολιτική δείτε περισσότερα εδώ. |
| Ομαδα Α: Εκπτωση 30% |
|
| Ομαδα Β: Εκπτωση 25% |
|
| Ομαδα Γ: Εκπτωση 20% |
|
| Ομαδα Δ: Εκπτωση 15% |
|
| Ομαδα Ε: Εκπτωση 15% |
|
Ακαδημαϊκός Υπεύθυνος Προγράμματος
Στοιχεία Ακαδημαϊκού Υπευθύνου
Εμμανουηλ Ιωαννης
Καθηγητής Τμήματος Μαθηματικών ΕΚΠΑ
Συντελεστές Προγράμματος
Στοιχεία Συντελεστών του Προγράμματος
Κυριακοπουλος Κωνσταντινος
PhD: Machine Learning Expert | Data Analytics and AI Instructor.
Συγγραφέας
Βαρβουνης Γερασιμος
MSc: Machine Learning Expert | Data Analytics and AI Instructor.
Συγγραφέας
Πιστοποιητικά Προγράμματος
Δείτε δείγμα του χορηγούμενου Πιστοποιητικού
Πότε λήγει το Early Entry;
Απομένουν 24 μέρες για την λήξη του Early Entry
Συχνές Ερωτήσεις
| Τι είναι το πρόγραμμα Data Analyst: Ανάλυση Δεδομένων, Μηχανική Μάθηση και Νευρωνικά Δίκτυα με Πρακτικές Εφαρμογές σε Python και R του E-Learning ΕΚΠΑ; |
|
Το πρόγραμμα Data Analyst: Ανάλυση Δεδομένων, Μηχανική Μάθηση και Νευρωνικά Δίκτυα με Πρακτικές Εφαρμογές σε Python και R του E-Learning ΕΚΠΑ είναι πρόγραμμα επιμόρφωσης στην ανάλυση δεδομένων και στη μηχανική μάθηση. Εστιάζει στις βασικές αρχές Python και R, στην επεξεργασία δεδομένων, στα μοντέλα πρόβλεψης και κατηγοριοποίησης και στα νευρωνικά δίκτυα. |
| Τι περιλαμβάνει η ύλη του προγράμματος Data Analyst: Ανάλυση Δεδομένων, Μηχανική Μάθηση και Νευρωνικά Δίκτυα με Πρακτικές Εφαρμογές σε Python και R; |
|
Η ύλη του προγράμματος Data Analyst του E-Learning ΕΚΠΑ καλύπτει βασικές αρχές Python και R, εισαγωγή στη μηχανική μάθηση, επεξεργασία, ανάλυση και καθαρισμό δεδομένων. Περιλαμβάνει επίσης μοντέλα παλινδρόμησης, μοντέλα κατηγοριοποίησης, μη επιβλεπόμενη μάθηση, αναγνώριση προτύπων, νευρωνικά δίκτυα, βαθιά μάθηση, forecasting, μοντέλα συνδυαστικής μάθησης και ολοκληρωμένο μοντέλο μηχανικής μάθησης. |
| Σε ποιους απευθύνεται το πρόγραμμα Data Analyst: Ανάλυση Δεδομένων, Μηχανική Μάθηση και Νευρωνικά Δίκτυα με Πρακτικές Εφαρμογές σε Python και R; |
|
Το πρόγραμμα Data Analyst του E-Learning ΕΚΠΑ απευθύνεται σε αποφοίτους Πανεπιστημιακής Εκπαίδευσης/ΤΕΙ και σε αποφοίτους Δευτεροβάθμιας Εκπαίδευσης με συναφή εργασιακή εμπειρία. Αφορά άτομα που ενδιαφέρονται για την ανάλυση δεδομένων, τη μηχανική μάθηση, τα νευρωνικά δίκτυα και την πρακτική εφαρμογή τεχνικών ανάλυσης με Python και R. |
| Ποιος είναι ο τρόπος παρακολούθησης του προγράμματος Data Analyst: Ανάλυση Δεδομένων, Μηχανική Μάθηση και Νευρωνικά Δίκτυα με Πρακτικές Εφαρμογές σε Python και R του E-Learning ΕΚΠΑ; |
|
Το πρόγραμμα Data Analyst: Ανάλυση Δεδομένων, Μηχανική Μάθηση και Νευρωνικά Δίκτυα με Πρακτικές Εφαρμογές σε Python και R του E-Learning ΕΚΠΑ παρακολουθείται εξ αποστάσεως μέσω διαδικτύου, χωρίς φυσική παρουσία. Το εκπαιδευτικό υλικό διατίθεται σταδιακά, ανά διδακτική ενότητα, μέσα από ειδικά διαμορφωμένες ηλεκτρονικές τάξεις. Μετά τη μελέτη κάθε ενότητας, η αξιολόγηση γίνεται ηλεκτρονικά μέσω του αντίστοιχου τεστ. |
| Τι πιστοποιητικό χορηγείται στο πρόγραμμα Data Analyst: Ανάλυση Δεδομένων, Μηχανική Μάθηση και Νευρωνικά Δίκτυα με Πρακτικές Εφαρμογές σε Python και R; |
|
Μετά την ολοκλήρωση του προγράμματος Data Analyst: Ανάλυση Δεδομένων, Μηχανική Μάθηση και Νευρωνικά Δίκτυα με Πρακτικές Εφαρμογές σε Python και R του E-Learning ΕΚΠΑ χορηγείται Πιστοποιητικό Επιμόρφωσης. Το πρόγραμμα έχει αντικείμενο την ανάλυση δεδομένων, τη μηχανική μάθηση, τα νευρωνικά δίκτυα, τη βαθιά μάθηση και τις πρακτικές εφαρμογές σε Python και R. |
| Ποιες γνώσεις χρειάζονται για την ανάλυση δεδομένων και τη μηχανική μάθηση; |
|
Η ανάλυση δεδομένων και η μηχανική μάθηση απαιτούν κατανόηση δεδομένων, καθαρισμού, επεξεργασίας, μοντελοποίησης και αξιολόγησης αποτελεσμάτων. Χρειάζεται επίσης εξοικείωση με γλώσσες προγραμματισμού όπως Python και R, καθώς και κατανόηση μοντέλων παλινδρόμησης, κατηγοριοποίησης, μη επιβλεπόμενης μάθησης και νευρωνικών δικτύων. Το πρόγραμμα Data Analyst του E-Learning ΕΚΠΑ οργανώνει αυτές τις θεματικές σε ενιαίο πλαίσιο. |
| Πώς συνδέονται η Python και η R με την πρακτική ανάλυση δεδομένων; |
|
Η Python και η R συνδέονται με την πρακτική ανάλυση δεδομένων επειδή χρησιμοποιούνται για επεξεργασία, καθαρισμό, μοντελοποίηση, πρόβλεψη και παρουσίαση αποτελεσμάτων. Μέσα από αυτές μπορούν να αναπτυχθούν μοντέλα μηχανικής μάθησης, νευρωνικά δίκτυα και εφαρμογές πρόβλεψης ή αναγνώρισης προτύπων. Το πρόγραμμα Data Analyst του E-Learning ΕΚΠΑ εξετάζει αυτή τη σύνδεση μέσα από θεωρία και πρακτικές εφαρμογές. |
