Το Εθνικό Δίκτυο Υποδομών Τεχνολογίας και Έρευνας (ΕΔΥΤΕ Α.Ε. – GRNET), στο πλαίσιο του Ευρωπαϊκού Κόμβου Ψηφιακής Καινοτομίας Smart Attica, παρουσιάζει ένα ακόμα δωρεάν εκπαιδευτικό σεμινάριο της σειράς «Training Modules for SMEs».
Πρόκειται για το σεμινάριο με τίτλο Unsupervised Learning – Μη επιβλεπόμενη μάθηση.
Περιγραφή
Ελάτε μαζί μας σε ένα διεισδυτικό σεμινάριο για τη μη επιβλεπόμενη μάθηση, όπου συνεχίζουμε στον κόσμο της ομαδοποίησης-συσταδοποίησης και των τεχνικών μείωσης διαστάσεων. Αυτό το σεμινάριο θα καλύψει βασικές μεθόδους όπως η K-Means, η Ιεραρχική Συσταδοποίηση (Hierarchical Clustering), Principal Component Analysis (PCA), και t-distributed Stochastic Neighbor Embedding (t-SNE). Αυτές οι τεχνικές είναι απαραίτητες για την αποκάλυψη κρυμμένων μοτίβων και δομών σε δεδομένα χωρίς προκαθορισμένες ετικέτες, γεγονός που τις καθιστά ανεκτίμητες για διάφορες εφαρμογές στις επιχειρήσεις.
Σε ποιους απευθύνεται
Αυτό το σεμινάριο απευθύνεται σε επαγγελματίες και ερευνητές από Μικρομεσαίες Επιχειρήσεις (ΜΜΕ) που ενδιαφέρονται να αξιοποιήσουν τις πληροφορίες που βασίζονται στα δεδομένα για να ενισχύσουν τις διαδικασίες λήψης αποφάσεων. Είτε είστε αναλυτής δεδομένων, στρατηγικός σύμβουλος επιχειρήσεων ή τεχνικός επικεφαλής, το σεμινάριο αυτό θα σας προσφέρει τις θεμελιώδεις γνώσεις και τις πρακτικές δεξιότητες για να εφαρμόσετε τεχνικές μάθησης χωρίς επίβλεψη στον τομέα σας.
Μαθησιακοί Στόχοι
- Κατανόηση των βασικών εννοιών και αλγορίθμων της μη επιβλεπόμενης μάθησης.
- Εξοικείωση με διάφορες τεχνικές ομαδοποίησης και τις εφαρμογές τους.
- Εκμάθηση μεθόδων μείωσης της διαστασιμότητας των δεδομένων διατηρώντας τις ουσιώδεις πληροφορίες.
- Απόκτηση γνώσεων για την πρακτική εφαρμογή αυτών των τεχνικών μέσω Python.
- Αξιολόγηση και σύγκριση διαφορετικών μεθόδων μη επιβλεπόμενης μάθησης μέσω δεικτών απόδοσης.
Προαπαιτούμενα
Οι συμμετέχοντες θα πρέπει να διαθέτουν βασική κατανόηση της ανάλυσης δεδομένων και του προγραμματισμού σε Python. Η εξοικείωση με έννοιες της μηχανικής μάθησης είναι επιθυμητή αλλά όχι απαραίτητη.
Ενδεικτικό Περιεχόμενο
- Εισαγωγή στην Ομαδοποίηση
- Ομαδοποίηση K-Means: Έννοια, Αλγόριθμος και Υλοποίηση σε Python
- Ιεραρχική Ομαδοποίηση: Προσεγγίσεις Συγκλητικής (Agglomerative) και Διαχωριστικής (Divisive)
- Σύγκριση μεθόδων ομαδοποίησης με χρήση του δείκτη Silhouette
- Τεχνικές Μείωσης Διαστασιμότητας
- Ανάλυση Κύριων Συνιστωσών (PCA): Έννοια, Μαθηματική Προσέγγιση και Υλοποίηση σε Python
- t-Distributed Stochastic Neighbor Embedding (t-SNE): Έννοια, Αλγόριθμος και Εφαρμογές
- Πρακτικές Εφαρμογές και Μελέτες Περίπτωσης
- Πρακτική Άσκηση: Εφαρμογή Ομαδοποίησης και Μείωσης Διαστασιμότητας σε Python
Πρακτικές πληροφορίες
Η ημερομηνία διεξαγωγής: 16 Ιουνίου 2025, στις 12:00.
Τοποθεσία: Διαδικτυακά μέσω Zoom
Γλώσσα παρουσίασης: Ελληνικά
Συμμετέχετε για να εμβαθύνετε στη μη επιβλεπόμενη μάθηση και να ανακαλύψετε πώς αυτές οι τεχνικές μπορούν να μετατρέψουν τα δεδομένα σας σε χρήσιμες γνώσεις και δράσεις.
Το έργο συγχρηματοδοτείται από την Ευρωπαϊκή Ένωση. Οι απόψεις και οι γνώμες που εκφράζονται ανήκουν αποκλειστικά στον/στους συγγραφέα/είς και δεν αντικατοπτρίζουν απαραίτητα τις απόψεις της Ευρωπαϊκής Ένωσης ή της Ευρωπαϊκής Επιτροπής. Ούτε η Ευρωπαϊκή Ένωση ούτε η αναθέτουσα αρχή φέρουν ευθύνη για αυτές.
Για περισσότερες πληροφορίες και εγγραφή, επισκεφθείτε τον παρακάτω σύνδεσμο:
