ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ (SUPERVISED LEARNING) ΜΕ ΧΡΗΣΗ PYTHON

Στο πρόγραμμα γίνεται αρχικά εισαγωγή στη μηχανική μάθηση και παρουσιάζονται διάφοροι τύποι προβλημάτων και εφαρμογές της. Στη συνέχεια οι εκπαιδευόμενοι μαθαίνουν πώς να αναλύουν και να οπτικοποιούν δεδομένα με την γλώσσα προγραμματισμού Python και τη χρήση των βιβλιοθηκών NumPy, Matplotlib, Pandas και Scikit-Learn. Ακολουθεί μία επισκόπηση των βασικών στοιχείων θεωρίας πιθανοτήτων & στατιστικής και στη συνέχεια οι εκπαιδευόμενοι εισάγονται στις μεθόδους της απλής και πολλαπλής παλινδρόμησης. Στη συνέχεια μαθαίνουν πώς να διαχωρίζουν δεδομένα για δοκιμή και εκπαίδευση μοντέλου, τις απαραίτητες μετρικές ταξινόμησης και αξιολόγησης, cross-validation και πώς να αντιμετωπίζουν περιπτώσεις υποπροσαρμογής και υπερπροσαρμογής. Τέλος, παρουσιάζονται οι ταξινομητές Naïve Bayes, τα δέντρα αποφάσεων και o αλγόριθμος k-NN.

Πάροχος

• Όνομα παρόχου: ΕΚΔΔΑ
• Σύνδεσμος παρόχου: https://www.ekdd.gr/
• Λίγα λόγια για τον πάροχο (προφίλ): Το Εθνικό Κέντρο Δημόσιας Διοίκησης και Αυτοδιοίκησης (ΕΚΔΔΑ) είναι ο εθνικός στρατηγικός φορέας ανάπτυξης του ανθρώπινου δυναμικού της δημόσιας διοίκησης και της τοπικής αυτοδιοίκησης. Ιδρύθηκε το 1983, είναι Νομικό Πρόσωπο Δημοσίου Δικαίου (ΝΠΔΔ) και υπάγεται στον Υπουργό Εσωτερικών.
• Λογότυπο παρόχου:

Χαρακτηριστικά μαθήματος

• Σε ποιους απευθύνεται (Ομάδα-στόχος): Business Analyst, Data Analyst, Financial Analyst, Innovation Manager, Govtech Specialist, Public Digital Leader, Emerging Technology Consultant, Data Manager
• Σύντομη περιγραφή: Το πρόγραμμα εστιάζει σε βασικές αρχές μηχανικής μάθησης, επεξεργασία δεδομένων, δημιουργία μοντέλων πρόβλεψης και αξιολόγηση της απόδοσής τους, καθιστώντας το ιδιαίτερα χρήσιμο για επαγγελματίες που εργάζονται στην ανάλυση δεδομένων, τη στρατηγική ψηφιακού μετασχηματισμού και την καινοτομία. Απευθύνεται σε στελέχη που επιθυμούν να αποκτήσουν γνώσεις και δεξιότητες στη μηχανική μάθηση με μεθόδους επιβλεπόμενης μάθησης (Supervised Learning). Μέσα από πρακτικές εφαρμογές και χρήση της γλώσσας προγραμματισμού Python, οι συμμετέχοντες θα μάθουν πώς να αναλύουν δεδομένα, να εκπαιδεύουν μοντέλα μηχανικής μάθησης και να βελτιστοποιούν προβλέψεις για τη λήψη αποφάσεων.
• Διδακτικοί στόχοι & μαθησιακά αποτελέσματα: Το επιμορφωτικό πρόγραμμα στοχεύει: • Να εισαγάγει τους συμμετέχοντες στις βασικές έννοιες της Μηχανικής Μάθησης (Supervised Learning) και τη σημασία της στη Δημόσια Διοίκηση. • Να αναπτύξει δεξιότητες στην επεξεργασία και ανάλυση δεδομένων χρησιμοποιώντας τη γλώσσα Python και δημοφιλείς βιβλιοθήκες όπως Pandas, NumPy και Scikit-Learn. • Να καθοδηγήσει τους συμμετέχοντες στη δημιουργία, εκπαίδευση και αξιολόγηση μοντέλων εποπτευόμενης μάθησης. • Να εξοικειώσει τους συμμετέχοντες με εργαλεία αξιολόγησης και βελτίωσης μοντέλων ώστε να μπορούν να εντοπίζουν και να βελτιστοποιούν τα αποτελέσματα των αλγορίθμων τους. Με την ολοκλήρωση του προγράμματος, οι συμμετέχοντες θα είναι σε θέση να: • Κατανοούν τις βασικές αρχές της Μηχανικής Μάθησης και των αλγορίθμων Supervised Learning. • Επεξεργάζονται και αναλύουν δεδομένα με Python και να τα προετοιμάζουν για χρήση σε μοντέλα μηχανικής μάθησης. • Αναπτύσσουν και αξιολογούν αλγορίθμους Supervised Learning. • Ερμηνεύουν τα αποτελέσματα των μοντέλων και να λαμβάνουν αποφάσεις βάσει δεδομένων. • Αξιοποιούν τη μηχανική μάθηση για βελτίωση υπηρεσιών, ανίχνευση ανωμαλιών και πρόβλεψη τάσεων. • Χρησιμοποιούν κατάλληλες μετρικές για την αξιολόγηση της απόδοσης των μοντέλων και να προβαίνουν σε βελτιώσεις.
• Λέξεις κλειδιά: Μηχανική Μάθηση (Machine Learning), Επιβλεπόμενη Μάθηση (Supervised Learning), Python, Ανάλυση Δεδομένων (Data Analysis), Τεχνητή Νοημοσύνη (Artificial Intelligence - AI), Γραμμική Παλινδρόμηση (Linear Regression), Δέντρα Απόφασης (Decision Trees), Αξιολόγηση Μοντέλων (Model Evaluation), Προβλεπτική Ανάλυση (Predictive Analytics), Αλγόριθμοι Μάθησης (Learning Algorithms), k-NN, Naïve Bayes, NumPy, Matplotlib, Pandas, Scikit-Learn
• Επίπεδο δυσκολίας: Προχωρημένο
• Διάρκεια: 23 ώρες
• Γλώσσα: Ελληνικά
• Προαπαιτούμενα: Βασικές γνώσεις γλώσσας προγραμματισμού Python και ανώτερων Μαθηματικών όπως Γραμμική Άλγεβρα, θεωρία Πιθανοτήτων και Στατιστική.
• Βίντεο:

Πρόσβαση στο μάθημα

• Σύνδεσμος πρόσβασης (URL) στο μάθημα: https://upskill.ekdd.gr/
• Απαιτείται προσωποποιημένη πρόσβαση (login):
• Πρόσβαση για άτομα με αναπηρία:

Βεβαίωση επιτυχούς ολοκλήρωσης

• Λήψη βεβαίωσης παρακολούθησης:
• Πληροφορίες για τη βεβαίωση παρακολούθησης:

Πνευματικά δικαιώματα

• Πνευματικά δικαιώματα: Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή (CC BY-NC-SA 4.0)
• Ημερομηνία: 04-04-2025

Συντελεστές

• Όνομα συντελεστών/ διδάσκοντος/διδασκόντων:
• Περισσότερα για τον/τους συντελεστές/διδάσκοντες:
• Φωτογραφία συντελεστή διδάσκοντος/διδασκόντων: