Predictive Analytics Seminar

 

29 & 30 Ιουνίου

Days
Hours
Minutes
Seconds

Γιατί να μάθεις Predictive Analytics;

Ζούμε στην εποχή της πληροφορίας, όμως οι πληροφορίες και τα δεδομένα δεν έχουν ουσία αν δεν μελετηθούν και αξιοποιηθούν. Η ισχύς τους βρίσκεται ακριβώς στη σωστή επεξεργασία τους. Με εφαρμογή βασικών τεχνικών ανάλυσης δεδομένων μπορούμε να μεταμορφώσουμε τα δεδομένα μας σε πρακτική γνώση και να βγάλουμε αξιόπιστα συμπεράσματα, που θα οδηγήσουν σε σωστές αποφάσεις.

Διάρκεια εκπαίδευσης: 2 ημέρες  |  Κόστος συμμετοχής: 150 ευρώ.

Τα μαθήματα διεξάγονται:

Σάββατο 29/6 στις 10:00-17:00:

  • Python Crash course
  • Machine Learning Basics: Concepts and important Python libraries
  • Exploratory Data Analysis
    • Importing our data
    • Basic data description
    • Data pre-processing (missing values, cleaning, outlier detection etc.)
    • Data visualization (plots and charts)
  • Using our data to make predictions
    • Supervised and Unsupervised Learning

Κυριακή 30/6 στις 10:00-17:00:

  • Supervised Predictive Models: Regression & Classification
  • Unsupervised Predictive Models: Clustering
  • Data Preparation
    • Correlation Identification & Feature Selection
    • Data normalization & transformations
  • An overview of BI tools: Tableau (public version) and Orange
  • Group project

Σωκράτης Σοφιανόπουλος

Main Instructor

Dr. Sokratis Sofianopoulos graduated from the Dept. of Computer Science of the University of Ioannina (2002) and holds an MSc in Distributed & Multimedia Information Systems from the Dept. of Computer Science of Heriot-Watt University, Edinburgh (2003). He received his PhD degree from the School of Electrical and Computer Engineering of the National Technical University of Athens (NTUA) in June 2010, on research he conducted at ILSP on Language Modelling for Machine Translation Systems and multi-objective optimisation techniques. Since 2005 he is a research associate and software engineer at ILSP. His research interests include Natural Language Processing, machine translation, machine learning with emphasis on evolutionary computation approaches, data modeling etc. He has worked in several European R&D programs (METIS-II (FP6-IST-003768), PRESEMT (FP7-ICT-248307)), QTLaunchPad (FP7-ICT-296347), ELRC (European Language Resource Coordination). Since October 2016 he is an adjunct lecturer at the Hellenic American College.

Γιώργος Μπράβος

Academic Director

Ο Δρ. Γιώργος Μπράβος είναι διπλωματούχος Ηλεκτρολόγος Μηχανικός & Μηχανικός Η/Υ από το Εθνικό Μετσόβειο Πολυτεχνείο (2002), και διδάκτορας του Πανεπιστημίου Πειραιώς (2008). Από το 2009 ως το 2013 εργάστηκε ως επιστημονικός συνεργάτης και εισηγητής στο ΤΕΙ Χαλκίδας. Από το 2013 εργάζεται σαν ερευνητής και λέκτορας στο Χαροκόπειο Πανεπιστήμιο. Από τον Οκτώβριο του 2014 είναι διευθυντής των προγραμμάτων IT και Engineering του Hellenic – American University.

Γιάννης Παπίδης

Coding School Mentor

Ο κ. Γιάννης Παπίδης είναι Μηχανικός Πληροφορικής και κάτοχος μεταπτυχιακού στην Διοίκηση Επιχειρήσεων από το ALBA.  Είναι Σύμβουλος Διοίκησης σε θέματα Καινοτομίας και Ψηφιακού μετασχηματισμού και συμμετέχει στη διαμόρφωση της στρατηγικής και του οράματος της εταιρείας κατά την μετάβαση στην ψηφιακή εποχή.

Ξεκίνησε την καριέρα του το 1986 στην Commodore Business Machines και συμμετείχε ως ιδρυτικό μέλος σε 3 τεχνολογικά startups ( ComNet, Acropolis Net, PowerLine Alarm System) την δεκαετία 1990-2000.

Έχει διατελέσει Δ/ντής Πληροφορικής στον Όμιλο ΟΤΕ (IT Customer Systems  ΟΤΕ/Cosmote) οδηγώντας σημαντικά μετασχηματιστικά έργα τόσο σε συστήματα διαχείρισης της Εμπειρίας του Πελάτη όσο και σε συστήματα Λειτουργίας Πεδίου και Υποδομών. Παράλληλα συνεισέφερε στην δημιουργία & υλοποίηση καινοτόμων υπηρεσιών αξιοποιώντας νέες τεχνολογίες και σύγχρονα επιχειρηματικά μοντέλα. Έχει μεγάλη εμπειρία στην αυτοματοποίηση μεγάλου εύρους επιχειρησιακών λειτουργιών και βαθιά γνώση της τεχνολογίας και των συγχρόνων τάσεων της. Βρέθηκε στο δυναμικό του ΟΤΕ τον Σεπτέμβριο του 2008 ως Δ/ντής Διαχείρισης Εφαρμογών Πληροφορικής. Από το 2001 μέχρι και το 2007 κατείχε τη θέση του Δ/ντη Πληροφορικής της ΟΤΕΝΕΤ.

Όλοι οι συμμετέχοντες, κατά την ολοκλήρωση του εκπαιδευτικού προγράμματος και της εξεταστικής διαδικασίας με την παρουσίαση του group project θα λάβουν πιστοποιητικό επιτυχούς παρακολούθησης και εξειδικευμένης επιμόρφωσης από το kariera.gr.

Η πιστοποίηση φέρει την επίσημη σφραγίδα του Coding School κατοχυρώνοντας τον έλεγχο και την έγκριση του εκπαιδευτικού φορέα για τη διασφάλιση των επαρκών ωρών παρακολούθησης και της συστηματικής συμμετοχής στο εκπαιδευτικό πρόγραμμα.

Με όλα τα παραπάνω διασφαλίζεται η διαφάνεια των διαδικασιών εκπαίδευσης, η σωστή και επαρκής εκμάθηση του υλικού του εκπαιδευτικού προγράμματος και η διαρκής παροχή εξειδικευμένων, αξιόπιστων και υψηλής ποιότητας εκπαιδευτικών υπηρεσιών σε όλους τους εκπαιδευόμενους.

Κάθε πιστοποιητικό είναι ονομαστικό, αναφέρει την τεχνολογία εξειδίκευσης, την ημερολογιακή ολοκλήρωση του προγράμματος, υπογράφεται από τον ακαδημαϊκό και τεχνικό διευθυντή κάθε Coding School και δίδεται με τη λήξη του προγράμματος.

Εδώ μπορείτε να δείτε ένα δείγμα από Πιστοποιητικό επιτυχούς ολοκλήρωσης ενός προγράμματος στο Coding School.

Το συνολικό κόστος συμμετοχής και για τις 2 ημέρες είναι 150€ και περιλαμβάνει:

  • Συμμετοχή στην 2ήμερη εκπαίδευση
  • Coffee και Lunch Break
  • Λήψη του εκπαιδευτικού υλικού που θα διδαχθεί
  • Πιστοποίηση παρακολούθησης

kariera.gr, Αποστόλου Παύλου 10Α, Μαρούσι.

Γιατί να συμμετάσχω;

Για να μάθεις όλες τις στατιστικές τεχνικές που χρειάζεσαι για να αναλύεις δεδομένα και να προβλέπεις τις σωστές ενέργειες για το μέλλον της επιχειρήσής σου, βάσει δεδομένων που ήδη έχεις.

Προϋποθέσεις

Nice to have:

  • Βασικές γνώσεις προγραμματισμού Python
  • Βασικές γνώσεις εννοιών Machine Learning

Προφίλ Υποψηφίων

Απευθύνεται σε business analysts, στελέχη του marketing, προγραμματιστές αλλά και γενικότερα σε οποιονδήποτε θέλει να αξιοποιήσει δεδομένα στην κατοχή του για να πάρει αξιόπιστες αποφάσεις.

The Impact

Θα μάθεις:

  • Τις τεχνικές εκμετάλευσης δεδομένων για τη λήψη αποφάσεων και για την εξαγωγή – αρκετές φορές μη προβλέψιμων – συμπερασμάτων
  • Τη διαδικασία προετοιμασίας δεδομένων για ανάλυση
  • Την ανάλυση των δεδομένων μέσα από μια σειρά γραφημάτων
  • Την πρακτική σε βασικές βιβλιοθήκες της Python για μηχανική μάθηση (NunPy, Pandas, Scikit learn)
  • Παρουσιάση εργαλειών ΒΙ (Tableau Lite)

Tο ήξερες;

“Είναι τεράστιο σφάλμα το να εξάγεις συμπεράσματα προτού να έχεις δεδομένα”

– Sir Arthur Conan Doyle, συγγραφέας του Sherlock Holmes