Data Analysis με Python
Η Python είναι μια ισχυρή γλώσσα προγραμματισμού που χρησιμοποιείται σε μεγάλη έκταση σε νέα αλλά και υπάρχοντα μεγάλα προγράμματα διαφόρων εφαρμογών. Οι αυξανόμενες απαιτήσεις για την Python έχουν δημιουργήσει μία τεράστια κοινότητα γύρω από αυτήν, η οποία παρέχει αρκετά δυνατά εργαλεία και λύσεις που βοηθούνε σε καθημερινά επαγγελματικά προβλήματα όπως αυτά της Ανάλυσης Δεδομένων.
Το συγκεκριμένο σεμινάριο, θα σας βοηθήσει να δείτε πρακτικές εφαρμογές της Python επάνω στην Ανάλυση Δεδομένων μέσω της πρακτικής χρήσης μεταβλητών, δομών δεδομένων σε συνδυασμό με βιβλιοθήκες και εργαλεία που θα σας βοηθήσουν στην διαχείριση των δεδομένων σας καθώς και την τελική αναπαράστασή τους.
Μετέπειτα για όσους θέλουν να ξεκινήσουν ως Data Analysts τους δίνεται η δυνατότητα να μπορέσουν να διαχειριστούν, να μεταποιήσουν, να ανακατασκευάσουν και να παρουσιάσουν ακατέργαστα δεδομένα μέσα από χρήσιμες και ευρέως διαδεδομένες βιβλιοθήκες.
ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ/ΣΚΟΠΙΜΟΤΗΤΑ
Οι συμμετέχοντες είναι σε θέση να :
- να μάθουν πως η Python μπορεί να βοηθήσει έναν Data Analyst
- να αξιοποιούν εργαλεία και δομές που χρειάζεται να γνωρίζει και χρησιμοποιεί ο Data Analyst για την μεταποίηση των δεδομένων
- να κατανοούν με παραδείγματα τη βιβλιοθήκη NumPy
- να χρησιμοποιούν με παραδείγματα τη βιβλιοθήκη pandas
- να φορτώνουν, αποθηκεύουν και μεταποιούν δεδομένων
- να χρησιμοποιούν εργαλεία απεικόνισης και αναπαράστασης δεδομένων
- να χρησιμοποιούν δυνατότητες ομαδοποίησης των δεδομένων μέσω της function groupby
- να διαχειρίζονται χρονοσειρές (timeseries) – χρήση datetime, time, calendar
- να χρησιμοποιούν pandas για κατηγοριοποίηση των δεδομένων μέσω μετατροπής λιστών σε categorical τύπους δεδομένων και επιπλέον χρήσεις του groupby
- να κατανοούν τη Μοντελοποίηση των δεδομένων μέσω της χρήσης έτοιμων βιβλιοθηκών (statsmodels) και εισαγωγή στην scikit-learn για machine learning
- να γνωρίζουν ndarray objects, τρόπους αναδιαμόρφωσης λιστών (reshaping arrays, repeat, take, put), ταξινόμηση (argsort, lexsort)
- να κατανοούν χρήσιμες εντολές για αλληλεπίδραση με το λειτουργικό σύστημα και επιπλέον δυνατότητες της IPython
Εβδομάδα 1: Εισαγωγή
Μία σύντομη περιγραφή για την ύλη του μαθήματος μαζί με μία αναφορά στις κύριες βιβλιοθήκες που θα χρησιμοποιηθούν καθώς και προετοιμασία του περιβάλλοντος της Python για υλοποίηση προγραμμάτων.
Εβδομάδα 2: Μία πρώτη επαφή με διαχείριση λιστών και δεδομένων
Περιγραφή κάποιων παραδειγμάτων με δεδομένα και διαχείριση αυτών στα οποία μεταγενέστερα θα βοηθήσει στην καλύτερη κατανόηση για την προηγμένη χρήση των βιβλιοθηκών και των δεδομένων τους.
Εβδομάδα 3: IPython
Αναφορά και χρήση του IPython με παραδείγματα και εικόνες για την καλύτερη κατανόησή του και χρήση του ως development εργαλείο.
Εβδομάδα 4: NumPy – Part I
Περιγραφή της βιβλιοθήκης και χρήση της μέσα από παραδείγματα με Arrays
Εβδομάδα 5: NumPy – Part II
Επεξεργασία δεδομένων μέσω Arrays και εισαγωγή και εξαγωγή τους αυτών μέσω αρχείων
Εβδομάδα 6: Pandas – Part I
Εισαγωγή στη λειτουργικότητα και στις δομές δεδομένων της βιβλιοθήκης.
Εβδομάδα 7: Pandas – Part II
Κατανόηση της χρήσης και της λειτουργικότητας της βιβλιοθήκης μέσα από παραδείγματα.
Εβδομάδα 8: Ασκήσεις και Βοηθητικές Εργασίες
Θα παραδοθούν κάποιες ασκήσεις που θα πρέπει να πραγματοποιηθούν και θα βοηθήσουν στην καλύτερα κατανόηση της ύλης
Εβδομάδα 9: Αποθήκευση Δεδομένων
Εισαγωγή στον τρόπο αποθήκευσης δεδομένων και στους συμβατούς τύπους αρχείων
Εβδομάδα 10: Data Transformation
Καθαρισμός, μεταποίηση και χρήση δεδομένων στις δομές της Python
Εβδομάδα 11: Παρουσίαση και Γραφική Απεικόνιση Δεδομένων
Εισαγωγή στους τρόπους γραφικής απεικόνισης των δεδομένων με τις αντίστοιχες βιβλιοθήκες της Python
Εβδομάδα 12: Συγκέντρωση και Ομαδοποίηση Δεδομένων
Μέθοδοι ομαδοποίησης και υπολογισμού συγκεντρωτικών δεδομένων (data aggregation and grouping) με παραδείγματα
Εβδομάδα 13: Time Series
Χρήση Date Time τύπων καθώς και αναφορά στις ζώνες ώρας για διαχείριση και μεταποίηση δεδομένων
Εβδομάδα 14: Προχωρημένα παραδείγματα NumPy
Περισσότερα παραδείγματα και χρήση δυνατοτήτων της NumPy
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
ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ
Βασικές γνώσεις υπολογιστών καθώς και επιθυμητή η γνώση κάποιας γλώσσας προγραμματισμού. Η επιτυχής ολοκλήρωση της εκπαιδευτικής ενότητας «Εισαγωγή στην Python» είναι προαπαιτούμενο για την παρακολούθηση της εκπαιδευτικής ενότητας «Data Analysis με Python». Ο εκπαιδευόμενος είναι επιθυμητό να έχει κάποιες γνώσεις στατιστικής έτσι ώστε να μπορεί να εμβαθύνει περισσότερο στο αντικείμενο και να κατανοήσει καλύτερα το 2ο Σεμινάριο. Οι συμμετέχοντες πρέπει να διαθέτουν πρόσβαση στο διαδίκτυο, βασικές γνώσεις χειρισμού ηλεκτρονικών υπολογιστών καθώς και προσωπικό λογαριασμό e-mail.Οι συμμετέχοντες πρέπει να διαθέτουν πρόσβαση στο διαδίκτυο, βασικές γνώσεις χειρισμού ηλεκτρονικών υπολογιστών καθώς και προσωπικό λογαριασμό e-mail.
ΔΙΑΔΙΚΑΣΙΑ ΤΕΛΙΚΗΣ ΕΞΕΤΑΣΗΣ
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.
Κόστος Σεμιναρίου: 470.00 €
Αρχικό κόστος σεμιναρίου χωρίς έκπτωση.
Κόστος με έκπτωση στα 330.00 €
για Ανέργους, Πολύτεκνους-Τρίτεκνους, AMEA, Πτυχιούχους-Φοιτητές ΠαΠει, Εργαζόμενους του Πανεπιστημίου Πειραιά (μόνιμοι ή με σύμβαση), Δημοτικούς Υπαλλήλους.
Κόστος με έκπτωση στα 400.00 €
για Προπτυχιακούς Φοιτητές ΑΕΙ/ΤΕΙ ή άτομα έως 30 ετών που είναι κάτοχοι Ευρωπαϊκής Κάρτας Νέων, Συμμετέχοντες προηγούμενων κύκλων, Εγγραφή σε τουλάχιστον δύο μαθήματα ίδιας περιόδου
Π. Κοκκινάκης
Senior Software Developer and Analyst
–
- Κόστος
- Μονάδες ECTS
- Διάρκεια (μήνες)
- Διάρκεια (ώρες)
- 'Εναρξη
- Λήξη
- Προθεσμία αίτησης
- Τίτλος Σπουδών Σεμιναρίου
- Εκπαιδευτής
- 330.00 - 470.00 €
- 2.50
- 4.00
- 65.00
- 27/01/2025
- 29/06/2025
- 25/01/2025
- Πιστοποιητικό Επιμόρφωσης
- Π. Κοκκινάκης
Για να προχωρήσετε στην παρακολούθηση της συγκεκριμένης διδακτικής ενότητας, παρακαλούμε εγγραφείτε σε αυτό μέσα από την ειδική φόρμα εγγραφής και παρακολούθησης μαθημάτων.
