Exeed College

Master in Data Science, UCAM

ΠΥΡΗΝΕΣ ΕΝΟΤΗΤΕΣ

Αυτή η ενότητα παρέχει λεπτομέρειες για τη δομή, το περιεχόμενο και τα μαθησιακά αποτελέσματα όλων των ενοτήτων σε αυτό το προσόν.

ΕΡΓΑΣΙΑ ΜΕ ΔΕΔΟΜΕΝΑ

Περιγραφή ενότητας

Αυτή η ενότητα ενσωματώνει πρακτική κατανόηση και ένα πλαίσιο που επιτρέπει την εκτέλεση βασικών ενεργειών ανάλυσης, όπως η εξαγωγή, ο καθαρισμός, η αλλαγή και η ανάλυση δεδομένων. Σε αυτή την ενότητα, οι μαθητές κατανοούν τις γνώσεις γλωσσών προγραμματισμού, εργαλείων, πλαισίων και βιβλιοθηκών που χρησιμοποιούνται σε όλη τη διάρκεια του μαθήματος για την απόκτηση και τη μοντελοποίηση συνόλων δεδομένων. Η ανάλυση δεδομένων ολοκληρώνεται μέσω της οπτικοποίησης, της σύνοψης και της ανάπτυξης στοιχειωδών ικανοτήτων χειρισμού δεδομένων δίνοντας προσοχή στους τύπους, τα ονόματα και τις τιμές μεταβλητών. Επιπλέον, η διαχείριση δεδομένων χρησιμοποιώντας ημερομηνίες, συμβολοσειρές και άλλα στοιχεία, ενισχύει τις ικανότητες των μαθητών να πραγματοποιούν έρευνα δεδομένων και να δημιουργούν οπτικοποιήσεις.

Μαθησιακά αποτελέσματα

L01: Αναλύστε πληροφορίες χρησιμοποιώντας οπτικοποίηση δεδομένων, σύνοψη και εργαλεία μέτρησης.

L2: Αποκτήστε στοιχειώδεις δεξιότητες στο χειρισμό δεδομένων, εστιάζοντας σε τύπους μεταβλητών, ονόματα και τιμές.

L03: Για να μάθετε πώς να χρησιμοποιείτε το χειριστή σωλήνων για να συνδυάζετε πολλές εργασίες τακτοποίησης σε μια αλυσίδα.

L04: Η δυνατότητα εργασίας με δεδομένα που περιλαμβάνουν ημερομηνίες, συμβολοσειρές και άλλες μεταβλητές

Περιεχόμενο που καλύπτεται

• Τεχνικές Καθαρισμού Δεδομένων
• Προεπεξεργασία δεδομένων
• ΧΕΙΡΑΓΩΓΗΣΗ ΔΕΔΟΜΕΝΩΝ
• Προγραμματισμός Core Python
• Οπτικοποίηση δεδομένων με χρήση Matplotlib
• Γραμμική άλγεβρα
• Στατιστικές και πιθανότητες
• Διερευνητική ανάλυση δεδομένων
• Διακύμανση, Τυπική Απόκλιση, Διάμεσος
• Διαγράμματα ράβδων και γραμμικά γραφήματα
• Βιβλιοθήκες Python και πλαίσιο στην ανάλυση δεδομένων
• 2D Scatterplot
• 3D Scatterplot
• Ζευγάρι οικόπεδα
• Μονομεταβλητή, Διμεταβλητή και Πολυμεταβλητή
• Ιστογράμματα
• Boxplot
• IQR (Inter Quartile Range)
• Ανάλυση δεδομένων με Pandas

ΑΝΑΛΥΤΙΚΑ ΔΕΔΟΜΕΝΩΝ ΣΤΙΣ ΕΠΙΧΕΙΡΗΜΑΤΙΚΕΣ ΔΙΑΔΙΚΑΣΙΕΣ

Περιγραφή ενότητας

Αυτή η ενότητα πραγματεύεται τις αρχές της δημιουργίας αξιόπιστων μοντέλων υπολογιστικών φύλλων, της μετάφρασης εννοιολογικών μοντέλων σε μαθηματικά μοντέλα και της εφαρμογής τους σε υπολογιστικά φύλλα. Επιδεικνύει επίσης τη γνώση τριών εργαλείων ανάλυσης στο Excel, τις συναρτήσεις του Excel και τη διαδικασία ελέγχου μοντέλων υπολογιστικών φύλλων για τη διασφάλιση της ακρίβειας. Επιπλέον καλύπτονται σε αυτή την ενότητα

Ανάλυση αποφάσεων, Πίνακες Αποπληρωμών και Δέντρα Αποφάσεων. Το Microsoft Power BI βοηθά τους χρήστες να αντλούν πρακτικές γνώσεις από δεδομένα για την επίλυση επιχειρηματικών προβλημάτων, φέρνοντας αναλυτικά μοντέλα στη λήψη εταιρικών αποφάσεων. Οι μαθητές αποκτούν πληροφορίες για προηγμένα αναλυτικά χαρακτηριστικά του Power BI, όπως πρόβλεψη, οπτικοποιήσεις δεδομένων και εκφράσεις ανάλυσης δεδομένων.

Μαθησιακά αποτελέσματα

LO1: Αναλύστε κριτικά τη χρήση των επιχειρηματικών δεδομένων σε ένα πλαίσιο λήψης αποφάσεων στο πλαίσιο του οργανισμού.

LO2: Επίδειξη κριτικής κατανόησης των αρχών επιχειρηματικής ανάλυσης στις λειτουργίες διαχείρισης.

LO3: Εφαρμόστε κατάλληλες τεχνικές διαχείρισης και ανάλυσης δεδομένων για την ανάκτηση, οργάνωση και χειρισμό δεδομένων.

LO4: Εφαρμόστε κατάλληλες μεθόδους ανάλυσης στατιστικών δεδομένων και τεχνικές οπτικοποίησης για τη λήψη ορθών επιχειρηματικών αποφάσεων.

Περιεχόμενο που καλύπτεται

• Δημιουργία μοντέλων υπολογιστικών φύλλων
• Τι-Αν ανάλυση
• Λειτουργίες για μοντελοποίηση
• Έλεγχος μοντέλων υπολογιστικών φύλλων
• Μοντέλα λογιστικών φύλλων πρόβλεψης και προδιαγραφής
• Αναγνώριση προβλήματος
• Ανάλυση Απόφασης
• Ανάλυση απόφασης με ή χωρίς πιθανότητες
• Υπολογιστικές Πιθανότητες Κλάδου
• Θεωρία χρησιμότητας
• Ροή δεδομένων στο Power BI
• Οπτικοποίηση στο Power BI
• Εκφράσεις ανάλυσης δεδομένων
• Αναφορά προβολών στο PowerBI
• Ταξινόμηση δεδομένων
• Μετασχηματισμός Δεδομένων
• Φιλτράρισμα δεδομένων
• Επεξεργαστής Power Query
• Ανάλυση κινδύνου
• Ανάλυση ευαισθησίας

ΤΕΧΝΙΚΕΣ ΑΝΑΠΤΥΞΗΣ ΔΕΔΟΜΕΝΩΝ

Περιγραφή ενότητας

Η διαδικασία εξόρυξης δεδομένων περιλαμβάνει τη συλλογή απαραίτητων πληροφοριών από τεράστιες βάσεις δεδομένων που βοηθούν στη λήψη μιας ενημερωμένης απόφασης. Η ενότητα παρουσιάζει τεχνικές εξόρυξης δεδομένων όπως επεξεργασία δεδομένων, ανακάλυψη προτύπων και τάσεις στις πληροφορίες. Αυτές οι μέθοδοι χρησιμοποιούνται για την απόκτηση των δεξιοτήτων και των ικανοτήτων για την εφαρμογή της ολοκλήρωσης δεδομένων, του καθαρισμού, της επιλογής και του μετασχηματισμού σε πίνακες και γραφήματα για την ανακάλυψη γνώσης. Οι βιβλιοθήκες Python matrix επιτρέπουν στους μαθητές να κατασκευάσουν κάποια ρεαλιστική αναπαράσταση της εξόρυξης κειμένου εκτελώντας εργασίες όπως ταξινόμηση, εκτίμηση, τμηματοποίηση, πρόβλεψη, ακολουθία και συσχέτιση δεδομένων.

Μαθησιακά αποτελέσματα

LO1: Κατανοήστε τις βασικές αρχές της εξόρυξης κειμένου και της ανάλυσης, συμπεριλαμβανομένου του εντοπισμού συναρπαστικών μοτίβων, της εξαγωγής χρήσιμης γνώσης και της υποστήριξης στη λήψη αποφάσεων.

LO2: Εξερευνήστε θεμελιώδεις αρχές της εξόρυξης κειμένου και βασικούς αλγόριθμους και μερικές από τις πρακτικές εφαρμογές τους.

LO3: Να είναι σε θέση να εφαρμόζει τις γνώσεις και τις δεξιότητες που αποκτήθηκαν για την εφαρμογή κλιμακούμενων τεχνικών ανακάλυψης προτύπων σε μεγάλους όγκους δεδομένων συναλλαγών

LO4: Συμμετοχή σε ουσιαστικές συζητήσεις σχετικά με τις μετρήσεις αξιολόγησης προτύπων και διερεύνηση τεχνικών για την εξόρυξη διαφόρων προτύπων, συμπεριλαμβανομένων μοτίβων διαδοχικών και υπο-γραφημάτων.

Περιεχόμενο που καλύπτεται

• Εισαγωγή στην εξόρυξη δεδομένων
• Εξόρυξη δεδομένων σε περιβάλλον βασισμένο σε Python
• Τι είναι η αποθήκη δεδομένων
• Πώς να βρείτε μοτίβα;
• Ανάλυση συγγένειας
• Σύσταση προϊόντος
• Εισαγωγή στην Εξόρυξη Βάσεων Δεδομένων
• Βάσεις δεδομένων και SQL
• DDL, DML, Joins και Schema
• Πώς να χρησιμοποιήσετε τις βιβλιοθήκες Python Matrix σε σύνολα δεδομένων.
• Φορτώστε το σύνολο δεδομένων με το NumPy
• Αναπαραστάσεις δεδομένων φιλικές προς την εξόρυξη
• Αναπαράσταση κειμένου για εξόρυξη δεδομένων.
• Γιατί το κείμενο είναι πολύπλοκο;
• Εξόρυξη κειμένου
• Μοντελοποίηση δεδομένων, αξιολόγηση και ανάπτυξη στην εξόρυξη κειμένου
• Παραδειγματικές τεχνικές: Αναπαράσταση τσάντας λέξεων στην Εξόρυξη Κειμένου
• Συχνή εξόρυξη υπογραφών

ΑΛΓΟΡΙΘΜΟΙ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΔΕΔΟΜΕΝΩΝ

Περιγραφή ενότητας

Αυτή η ενότητα παρέχει εκτεταμένη γνώση του διαχωρισμού των δεδομένων σε εκπαίδευση, επικύρωση και δημιουργία συνόλων δοκιμών. Αναπτύξτε και αξιολογήστε προγνωστικά μοντέλα εξόρυξης ενσωματώνοντας ένα πλαίσιο και πρακτική αντίληψη. Παρουσιάζονται πολυάριθμες μετρήσεις απόδοσης για συστήματα εκτίμησης και κατηγοριοποίησης. Οι πιο διαδεδομένες προσεγγίσεις προγνωστικής μοντελοποίησης, συμπεριλαμβανομένων των τεχνητών νευρωνικών δικτύων, των μηχανών διανυσμάτων υποστήριξης, του k-πλησιέστερου γείτονα, της Bayesian μάθησης, των μοντέλων συνόλου και των διαφορετικών δέντρων αποφάσεων, εξετάζονται σε αυτήν την ενότητα, μαζί με την παροχή αποτελεσμάτων.

Μαθησιακά αποτελέσματα

LO1: Εισάγετε τις θεμελιώδεις αλγοριθμικές έννοιες, συμπεριλαμβανομένης της ταξινόμησης και αναζήτησης, διαίρει και βασίλευε και πολύπλοκων αλγορίθμων.

LO2: Ταξινομήστε τα δεδομένα και χρησιμοποιήστε τα για αναζήτηση. Αναλύστε ένα τεράστιο πρόβλημα σε μικρότερα και απαντήστε τα αναδρομικά. Εφαρμογή δυναμικού προγραμματισμού στη γονιδιωματική έρευνα. κι αλλα.

LO3: Συζητήστε και κατασκευάστε τις πιο συχνά χρησιμοποιούμενες δομές δεδομένων για σύγχρονους υπολογιστές LO4: Για να μπορέσετε να χρησιμοποιήσετε τις δομές δεδομένων που χρησιμοποιούνται περισσότερο στη βιομηχανία στη σύγχρονη πληροφορική

Περιεχόμενο που καλύπτεται

• Μέθοδος Static Holdout
• k-Fold Cross-Validation
• Κατηγορία Ανισόρροπα Δεδομένα
• Αξιολόγηση της Ταξινόμησης των Κατηγορικών Αποτελεσμάτων
• Αξιολόγηση της Εκτίμησης Συνεχών Αποτελεσμάτων
• Logistic Regression
• Κ-πλησιέστερος γείτονας
• Μέθοδος Πλησιέστερου Γείτονα για Πρόβλεψη
• Δέντρο ταξινόμησης και παλινδρόμησης
• Υποστήριξη διανυσματικά μηχανήματα
• Προσέγγιση με βάση τη διαδικασία για τη χρήση του SVM
• Naïve Bayes Methods
• Bayesian Networks
• Αρχιτεκτονικές Νευρωνικών Δικτύων
• Μοντελοποίηση συνόλου

ΕΝΟΤΗΤΕΣ ΕΞΕΙΔΙΚΕΥΣΗΣ

Αυτή η ενότητα παρέχει λεπτομέρειες για τη δομή, το περιεχόμενο και τα μαθησιακά αποτελέσματα των Pathways εξειδίκευσης .

ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ

Περιγραφή Μαθήματος

Αυτή η ενότητα δίνει στους μαθητές τη δυνατότητα να εφαρμόσουν πολλά μοντέλα πρόβλεψης και να κατανοήσουν τη γραμμική παλινδρόμηση. Δημιουργήστε προβλέψεις με βάση μια ομάδα μεταβλητών εισόδου χρησιμοποιώντας μεθόδους ανάλυσης παλινδρόμησης. Οι εκπαιδευόμενοι διερευνούν τον τρόπο μοντελοποίησης ενός εκτεταμένου φάσματος αλληλεπιδράσεων στον πραγματικό κόσμο χρησιμοποιώντας περίπλοκες στατιστικές μεθοδολογίες, όπως γενικευμένα γραμμικά και προσθετικά μοντέλα. Αυτή η ενότητα ενσωματώνει ενδιάμεσες και προηγμένες μεθοδολογίες στατιστικής μοντελοποίησης. Έχει δημιουργηθεί ειδικά για τους μαθητές να αναπτύξουν επάρκεια στην ανάλυση γραμμικής παλινδρόμησης, στον πειραματικό σχεδιασμό και στα εκτεταμένα γραμμικά και προσθετικά μοντέλα. Με βάση αυτές τις δεξιότητες, η ερμηνεία δεδομένων, η ανακάλυψη δεσμών μεταξύ μεταβλητών και η δημιουργία προβλέψεων γίνονται απλούστερες μέσω διαισθητικών αναπαραστάσεων.

Μαθησιακά αποτελέσματα

LO1: Διαφοροποίηση μεταξύ διαφόρων τύπων προγνωστικών μοντέλων και Κύρια γραμμική παλινδρόμηση

LO2: Κατανοήστε την εσωτερική λειτουργία μέσω αλγορίθμων διαφορετικών μοντέλων

LO3: Αναλύστε και εξερευνήστε τα αποτελέσματα της λογιστικής παλινδρόμησης και κατανοήστε πότε πρέπει να γίνεται διακριτική ανάλυση

LO4: Μεγιστοποιήστε την αναλυτική παραγωγικότητα αναλύοντας διαφορετικά μοντέλα και ερμηνεύοντας την ακρίβειά τους με καλά οργανωμένο τρόπο

Περιεχόμενο που καλύπτεται

• Επιλογή δείγματος
• Εκτίμηση σημείων
• Διανομές Δειγματοληψίας
• Εκτίμηση Διαστήματος
• Δοκιμές Υποθέσεων
• Στατιστικά συμπεράσματα και πρακτική σημασία
• Ένα απλό μοντέλο γραμμικής παλινδρόμησης
• Μέθοδος ελάχιστου τετραγώνου
• Συμπεράσματα και παλινδρόμηση
• Μοντέλο πολλαπλής παλινδρόμησης
• Logistics Regression
• Προβλέψεις με παλινδρόμηση
• Τοποθέτηση μοντέλου
• Μοντέλο δεδομένων πίνακα
• Μετασχηματισμός σχήματος και δεδομένων με χρήση του Tableau Query Editor
• Προβολή αναφοράς πίνακα

Εφαρμογές Δεδομένων στην Τεχνητή Νοημοσύνη & Blockchain

Περιγραφή Μαθήματος

Σε αυτήν την ενότητα, οι μαθητές θα κατανοήσουν καλύτερα τις εφαρμογές τεχνητής νοημοσύνης (AI) στις επιχειρήσεις και θα κατανοήσουν τη λήψη αποφάσεων τεχνητής νοημοσύνης. Μέσα από τις καινοτομίες στο IoT και την εμφάνιση του Blockchain, αυτό το πρόγραμμα σπουδών προετοιμάζει τους μαθητές με μια ευρεία βάση λύσεων λογισμικού με δυνατότητα AI. Καθώς οι μαθητές συνεχίζουν μέσω αυτής της ενότητας, εξοικειώνονται με την τεχνολογία που τροφοδοτεί τον αυτοματοποιημένο κόσμο—γνωρίζοντας τα είδη των αλγορίθμων και πώς μπορούν να χρησιμοποιηθούν για τη βελτίωση ή την αναπαραγωγή της ανθρώπινης συμπεριφοράς σε διάφορες εφαρμογές. Αυτή η ενότητα διδάσκει σχετικά με τα στοιχεία AI, IoT, Blockchain και μηχανικής μάθησης, ενώ βασίζεται σε ένα σταθερό εννοιολογικό πλαίσιο που θα παρουσιάζει αυστηρούς, πρακτικούς και βήμα προς βήμα τρόπους αντιμετώπισης ρεαλιστικών, πολύπλοκων προκλήσεων του πραγματικού κόσμου.

Μαθησιακά αποτελέσματα

LO1. Παρουσιάζοντας την Τεχνητή Νοημοσύνη (AI), εξερευνώντας τα χαρακτηριστικά και τις παραλλαγές της στον επιχειρηματικό τομέα. Επιπλέον, να κατανοήσουν το επιχειρηματικό πλαίσιο της τεχνητής νοημοσύνης και να ερμηνεύσουν τη λήψη αποφάσεων AI.

LO2. Κατανόηση και δημιουργία ενός σχεδίου υλοποίησης τεχνητής νοημοσύνης για τη δημιουργία μιας επιχείρησης μέσω της αναγνώρισης των κατάλληλων παραμέτρων μοντέλου

LO3: Για περαιτέρω διερεύνηση των στοιχείων του Blockchain και κατανόηση της έννοιας, των χαρακτηριστικών, των πλεονεκτημάτων και της συνάφειας της Τεχνολογίας Κατανεμημένης Λογιστικής (DLT)

LO4: Κατανόηση του Hyperledger, των Smart Contracts και του IoT (Internet of Things) σε εφαρμοσμένα επιχειρηματικά μοντέλα για την αξιολόγηση του αντίκτυπου μακροπρόθεσμα

Περιεχόμενο που καλύπτεται

• Εισαγωγή στην Τεχνητή Νοημοσύνη
• Το AI ενεργοποιεί εφαρμογές
• Τι είναι το Deep Learning
• Τεχνητά Νευρωνικά Δίκτυα
• Επεξεργασία εικόνας και OpenCV
• Εισαγωγή στο NLP
• Τεχνητά Νευρωνικά Δίκτυα
• Επεξεργασία κειμένου
• Ταξινόμηση κειμένων
• Μοντελοποίηση θεμάτων
• Επαναλαμβανόμενα νευρωνικά δίκτυα
• Κύρια συστατικά του IoT
• Ποικιλία αισθητήρων
• Ενεργοποιητές
• Πρωτόκολλα IoT σε διάφορα επίπεδα
• Εφαρμογές και διεπαφή χρήστη στο IoT
• Έξυπνα εργοστάσια του αύριο και το Industrial Internet of Things
• Εισαγωγή στα Blockchains
• Εισαγωγή και χρήση του Hyperledger και του Smart Contract
• Δομή Blockchains
• Συγκεντρωτικά, Αποκεντρωμένα και Κατανεμημένα συστήματα
• Εισαγωγή στο DLT
• Λειτουργίες DLT, οφέλη και χρήση στο Blockchain
• Τύποι Blockchains
• Γιατί Blockchain;
• Δημιουργία εφαρμογών AI και ML χρησιμοποιώντας την τεχνολογία Blockchain

ΜΕΡΟΣ 2 : Capstone Project

Περιγραφή ενότητας:

Ο σκοπός αυτής της ενότητας είναι να συζητήσει και να εξηγήσει τον ρόλο της Επιστήμης Δεδομένων και των πρακτικών της σε έναν οργανισμό και την επιρροή τους στη συνολική απόδοση και ικανότητα του οργανισμού. Αυτή η ενότητα έχει σχεδιαστεί για να αναπτύξει την κατανόηση των σύγχρονων πρακτικών και την ικανότητα ανάπτυξης μιας ερευνητικής ή σχεδιαστικής ερώτησης, να δείξει πώς συνδέεται με την τρέχουσα γνώση και να διεξάγει τη μελέτη με συστηματικό τρόπο. Οι εκπαιδευόμενοι θα ενθαρρύνονται να επιλέξουν ένα έργο έρευνας/ανάπτυξης που εμφανίζει την προηγούμενη μάθησή τους στον τομέα της επιστήμης δεδομένων. Προορίζεται να αποκτήσει κατανόηση της Επιστήμης Δεδομένων και της αλλαγής παραδείγματος στις προσεγγίσεις και τις μεθόδους που σχετίζονται με διάφορες λειτουργίες του DS, όπως η οπτικοποίηση δεδομένων, η πιθανότητα, το συμπέρασμα και η μοντελοποίηση, η εξόρυξη δεδομένων, η οργάνωση δεδομένων, η παλινδρόμηση και η μηχανική μάθηση για να αναφέρουμε μερικά . Προσπαθεί επίσης να τονίσει τον ρόλο και τη σημασία της ανάλυσης δεδομένων και της μοντελοποίησης δεδομένων κατά τον σχεδιασμό, τη λήψη αποφάσεων και την εφαρμογή της αλλαγής στον οργανισμό. Με την επιτυχή ολοκλήρωση της ενότητας, οι συμμετέχοντες θα έχουν ολοκληρωμένη γνώση σχετικά με το ευρύτερο πλαίσιο ανάλυσης δεδομένων και ένα προϊόν δεδομένων για να επιδείξουν την τεχνογνωσία τους στην επιστήμη δεδομένων σε πιθανούς εργοδότες ή εκπαιδευτικά προγράμματα.

Μαθησιακά αποτελέσματα

LO1: Διεξαγωγή ανεξάρτητης Έρευνας και Ανάπτυξης στο πλαίσιο ενός Έργου Επιστήμης Δεδομένων

LO2: Ανάπτυξη της ικανότητας ανεξάρτητης επίλυσης προβλημάτων χρησιμοποιώντας την ανάλυση και την επιστήμη δεδομένων

LO3: Κοινοποιήστε τεχνικές πληροφορίες καθαρά και συνοπτικά σε ένα ευρύ, μη εξειδικευμένο κοινό.

LO4: Δημιουργήστε λεπτομερή γραπτή τεκμηρίωση σύμφωνα με το πρότυπο που αναμένεται από έναν επαγγελματία στον τομέα της Επιστήμης Δεδομένων και αξιολογήστε τα αποτελέσματα του έργου με αναφορά σε βασικές ερευνητικές δημοσιεύσεις στο σχετικό πεδίο.

ΕΠΙΣΚΟΠΗΣΗ ΠΡΟΣΟΝΤΩΝ

Τίτλος του βραβείου: PG Extended Diploma in Data Science (120 μονάδες)

Για να απονεμηθεί το Εκτεταμένο Δίπλωμα Μεταπτυχιακών Σπουδών Επιπέδου 7 στην Επιστήμη των Δεδομένων, οι εκπαιδευόμενοι πρέπει να ολοκληρώσουν και τις τέσσερις ενότητες από την ενότητα CORE (80 μονάδες) και δύο ενότητες από την επιλεγμένη ειδικότητα Pathway (40 μονάδες)

Τομέας πυρήνα

Η βασική ενότητα για αυτό το βραβείο PG Extended Diploma περιέχει τέσσερις υποχρεωτικές ενότητες.

• Εργασία με δεδομένα (20 μονάδες)
• Αναλύσεις δεδομένων σε επιχειρηματικές διαδικασίες (20 μονάδες)
• Τεχνικές Εξόρυξης Δεδομένων (20 μονάδες)
• Αλγόριθμοι στην Επιστήμη Δεδομένων (20 μονάδες)

Ειδίκευση Pathways

Το PG Extended Diploma in Data Science έχει δύο ειδικότητες Pathways .

• Μοντελοποίηση Στατιστικών Δεδομένων
• Εφαρμογές Δεδομένων στην Τεχνητή Νοημοσύνη & Blockchain

Ευκαιρίες εξέλιξης

Οι μαθητές που επιτυγχάνουν το PG Extended Diploma in Data Science θα μπορούσαν να προχωρήσουν σε:-

• Μάστερ της Επιστήμης των Δεδομένων
• M.Sc σε Big Data