Τα Μαθήματα

Η ενότητα έχει σχεδιαστεί για να παρέχει στους καταρτιζόμενους τις απαραίτητες γνώσεις προγραμματισμού στην γλώσσα Python και στην εξοικείωση με τα δημοφιλή πακέτα της για τις εφαρμογές της Μηχανικής Μάθησης και της Ανάλυσης Δεδομένων.

Αυτή η ενότητα καλύπτει όλες τις απαραίτητες μαθηματικές γνώσεις (Λογισμός, Γραμμική Άλγεβρα, Πιθανότητες, Στατιστική) χρήσιμες για την κατανόηση των τεχνικών της Μηχανικής Μάθησης και της Ανάλυσης Δεδομένων. Κύριο χαρακτηριστικό της ενότητας η εκτενής σύνδεση θεωρητικών εννοιών με την πρακτική παράμετρο δίνοντας έμφαση σε πραγματικά σενάρια και εφαρμογές αποφεύγοντας την υπερβολική θεωρητικολογία και την στείρα αναφορά τύπων.

Η ενότητα έχει σχεδιαστεί για να παρέχει στους συμμετέχοντες τις γνώσεις και δεξιότητες που απαιτούνται για την αποτελεσματική διαχείριση και αξιοποίηση των σχεσιακών βάσεων δεδομένων στο πλαίσιο της μηχανικής μάθησης και της ανάλυσης δεδομένων. Η ενότητα καλύπτει βασικές έννοιες όπως ο σχεδιασμός βάσεων δεδομένων, SQL ερωτήματα, διαχείριση δεδομένων και ενσωμάτωση σχεσιακών δεδομένων σε μοντέλα μηχανικής μάθησης, με έμφαση στις πρακτικές εφαρμογές για αποδοτική και κλιμακούμενη διαχείριση δεδομένων.

H ενότητα εστιάζει στις βασικές αρχές και μεθόδους της επιβλεπόμενης μάθησης. Οι συμμετέχοντες θα μάθουν πώς να εκπαιδεύουν μοντέλα χρησιμοποιώντας δεδομένα με ετικέτες, καλύπτοντας τεχνικές όπως η γραμμική και λογιστική παλινδρόμηση, δέντρα αποφάσεων, κΝΝ, SVM κ.α. Η ενότητα δίνει έμφαση στην πρακτική εφαρμογή, με εργαστηριακές ασκήσεις και projects που επιτρέπουν στους μαθητές να αναπτύξουν και να αξιολογήσουν μοντέλα σε πραγματικά δεδομένα.

Η ενότητα εστιάζει σε τεχνικές που επιτρέπουν την ανάλυση και κατανόηση δεδομένων χωρίς την ανάγκη για ετικέτες ή επιβλέποντα παράγοντα. Οι συμμετέχοντες θα μάθουν μεθόδους όπως η ανάλυση συσταδοποίησης (clustering), η μείωση διαστάσεων (dimensionality reduction), και η ανάλυση κύριων συνιστωσών (PCA). Η ενότητα περιλαμβάνει πρακτικές ασκήσεις, που δίνουν τη δυνατότητα στους συμμετέχοντες να εφαρμόσουν τις τεχνικές αυτές σε πραγματικά δεδομένα, ανακαλύπτοντας υποκείμενα μοτίβα και δομές.

Η ενότητα "Επιχειρηματική Ευφυΐα και Οπτικοποίηση Δεδομένων" επικεντρώνεται στην ανάπτυξη δεξιοτήτων για την ανάλυση δεδομένων και την εξαγωγή επιχειρηματικών πληροφοριών μέσω προηγμένων τεχνικών οπτικοποίησης. Οι συμμετέχοντες θα μάθουν να χρησιμοποιούν εργαλεία και πλατφόρμες οπτικοποίησης για να μετατρέπουν σύνθετα δεδομένα σε κατανοητά γραφήματα και πίνακες, διευκολύνοντας τη λήψη αποφάσεων. Η ενότητα προσφέρει πρακτική εξάσκηση σε πραγματικά επιχειρηματικά σενάρια, ενισχύοντας την ικανότητα παρουσίασης και ερμηνείας δεδομένων με τρόπο που υποστηρίζει στρατηγικές επιχειρηματικές επιλογές.

Το μάθημα παρουσιάζει τις βασικές αρχές του Deep Learning, ξεκινώντας από τα Τεχνητά Νευρωνικά Δίκτυα και προχωρώντας σε σύγχρονες αρχιτεκτονικές, όπως τα Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Long Short-Term Memory (LSTM) networks και Transformers. Συνδυάζει τη θεωρία με πρακτική εφαρμογή, χρησιμοποιώντας ευρέως διαδεδομένα frameworks όπως τα TensorFlow και PyTorch. Οι συμμετέχοντες θα μάθουν να σχεδιάζουν, να εκπαιδεύουν, να αξιολογούν και να βελτιστοποιούν μοντέλα Deep Learning, με στόχο την αντιμετώπιση διαφορετικών προβλημάτων και εφαρμογών σε πραγματικά περιβάλλοντα.

Η ενότητα αφορά την ανάπτυξη συστημάτων που προτείνουν προϊόντα, υπηρεσίες ή περιεχόμενο σε χρήστες, αξιοποιώντας τις προτιμήσεις, τη συμπεριφορά και τα διαθέσιμα δεδομένα τους.Περιλαμβάνει content-based και collaborative filtering, similarity-based methods, user/item embeddings, matrix factorization και implicit feedback, αντιμετώπιση προβλημάτων όπως cold start, sparsity και popularity bias, hybrid και context-aware recommender systems, καθώς και deep learning approaches με neural collaborative filtering, autoencoders και sequence-based models. Ιδιαίτερη έμφαση δίνεται στα σύγχρονα recommendation pipelines, στην αξιοποίηση embeddings και representation learning.Η ενότητα ολοκληρώνεται με hands-on ανάπτυξη ενός end-to-end recommender system σε Python με αναφορά σε σύγχρονες εφαρμογές όπως e-commerce, streaming platforms, news recommendation και personalized content.

Η ενότητα εστιάζει στο αντικείμενο της Επεξεργασίας Φυσικής Γλώσσας (NLP), από τις παραδοσιακές τεχνικές επεξεργασίας κειμένου μέχρι τα σύγχρονα Μεγάλα Γλωσσικά Μοντέλα (LLMs) και τα συστήματα Agentic AI. Με βάση τις βασικές γνώσεις Deep Learning, οι συμμετέχοντες θα μάθουν πώς εκπαιδεύονται, προσαρμόζονται και αξιοποιούνται τα γλωσσικά μοντέλα για την επίλυση πραγματικών προβλημάτων.

Το μάθημα συνδυάζει τη θεωρία με την πράξη, χρησιμοποιώντας σύγχρονα και ευρέως διαδεδομένα εργαλεία και frameworks της βιομηχανίας, όπως τα Hugging Face, LangChain, OpenAI APIs και σύγχρονα frameworks για την ανάπτυξη AI agents.

Η ενότητα παρουσιάζει τις βασικές αρχές και τις σύγχρονες τεχνολογίες του Big Data και του Cloud Data Engineering, από το Cloud Computing και το Microsoft Azure έως το Hadoop, το Apache Spark και την επεξεργασία δεδομένων σε πραγματικό χρόνο. Οι συμμετέχοντες θα εξοικειωθούν με Spark SQL, DataFrames, Docker, NoSQL βάσεις δεδομένων, Databricks και αρχιτεκτονικές Lakehouse. Παράλληλα, θα μάθουν να σχεδιάζουν και να υλοποιούν data pipelines, να αυτοματοποιούν και να διαχειρίζονται ροές δεδομένων και να εφαρμόζουν πρακτικές διασφάλισης ποιότητας δεδομένων σε σύγχρονα cloud περιβάλλοντα.

Μέσα από την ενότητα αυτή δίνεται στους συμμετέχοντες η ευκαιρία να αξιοποιήσουν στην πράξη τις γνώσεις και τις δεξιότητες που απέκτησαν κατά τη διάρκεια του AI Data Factory Bootcamp, μέσα από την ανάπτυξη ενός ολοκληρωμένου project βασισμένου σε ένα πραγματικό πρόβλημα ή επιχειρησιακό σενάριο. Οι συμμετέχοντες θα εργαστούν σε ομάδες ή ατομικά, ακολουθώντας τα βασικά στάδια ενός end-to-end AI & Data project: από τη συλλογή, επεξεργασία και ανάλυση των δεδομένων, έως την ανάπτυξη, αξιολόγηση και παρουσίαση μιας λύσης που αξιοποιεί σύγχρονες τεχνικές Data Science και Artificial Intelligence. Δίνεται έμφαση στην πρακτική αξιοποίηση των δεδομένων, στην επιλογή κατάλληλων μοντέλων και εργαλείων και στη δημιουργία μιας λύσης που μπορεί να εφαρμοστεί σε πραγματικό περιβάλλον. Η ενότητα ολοκληρώνεται με την παρουσίαση των projects, επιτρέποντας στους συμμετέχοντες να αναδείξουν τη δουλειά τους και να δημιουργήσουν ένα ολοκληρωμένο portfolio project.