Python & Data Analysis
Εισαγωγή
Το επιμορφωτικό Πρόγραμμα «Python και Data Analysis» διαρθρώνεται σε δύο αυτοτελείς διδακτικές/ θεματικές ενότητες, διάρκειας δύο και τεσσάρων μηνών αντίστοιχα. Μέσα από αυτές τις ενότητες επιδιώκεται οι σπουδαστές να κατανοήσουν και να μπορούν να χρησιμοποιήσουν την Python ως εργαλείο για επίλυση διαφόρων προβλημάτων. Παράλληλα, σε όσους επιθυμούν να ξεκινήσουν ως Data Analysts, παρέχονται οι γνώσεις και δεξιότητες ώστε να είναι σε θέση να διαχειριστούν, να μεταποιήσουν, να ανακατασκευάσουν και να παρουσιάσουν ακατέργαστα δεδομένα μέσα από χρήσιμες και ευρέως διαδεδομένες βιβλιοθήκες.
Εκπαιδευτικοί στόχοι προγράμματος:
- Κατανόηση της Python ως Γλώσσας Προγραμματισμού
- Χρήση Python για επίλυση προβλημάτων
- Χρήση δομών και ομαδοποίηση δεδομένων
- Φόρτωση και αποθήκευση δεδομένων
- Σχεδίαση και γραφική απεικόνιση Δεδομένων
- Εισαγωγή και εκμάθηση βιβλιοθήκης NumPy
- Εισαγωγή και εκμάθηση βιβλιοθήκης pandas
- Γνωριμία και χρήση Python εργαλείων
Επιμέρους Διδακτικές Ενότητες
Επιστημονικός Υπεύθυνος
Εμμανουήλ Τσιριτάκης,
Καθηγητής Τμήματος Χρηματοοικονομικής και Τραπεζικής Διοικητικής Πανεπιστημίου Πειραιώς
Σε ποιους απευθύνεται
Το πρόγραμμα απευθύνεται σε Πτυχιούχους TEI-AEI/επαγγελματίες και σπουδαστές πληροφορικής, οικονομικών και άλλων τεχνικών σχολών, οι οποίοι επιθυμούν να εισαχθούν στην Python, να κατανοήσουν και να αξιοποιήσουν τα εργαλεία που παρέχονται στο πεδίο της Ανάλυσης Δεδομένων.
Προϋποθέσεις εισαγωγής
Οι συμμετέχοντες θα πρέπει να διαθέτουν:
- Εκπαίδευση: Δευτεροβάθμια
- Επίπεδο ξένης γλώσσας: καλό
- Γνώσεις ηλεκτρονικών υπολογιστών: βασικές γνώσεις χειρισμού ηλεκτρονικών υπολογιστών
- Πρόσβαση στο διαδίκτυο
- Κατοχή προσωπικού email
- 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 τη δεύτερη εκπαιδευτική ενότητα.
Μέθοδος Υλοποίησης
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. 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 και απαντήσεις τελικής εξέτασης
Τύπος Πιστοποιητικού
Στους εκπαιδευόμενους που θα ολοκληρώσουν επιτυχώς όλες τις επιμέρους ενότητες του Προγράμματος χορηγείται Πιστοποιητικό Επιμόρφωσης από το ΚΕ.ΔΙ.ΒΙ.Μ του Πανεπιστημίου Πειραιώς. Στους σπουδαστές που επιλέγουν να παρακολουθήσουν κάποιες εκ των θεματικών, χορηγείται Πιστοποιητικό Επιμόρφωσης Πιστοποιητικό Επιμόρφωσης όπου αναγράφονται οι Διδακτικές/Θεματικές Ενότητες που ολοκληρώθηκαν επιτυχώς. Στην περίπτωση που η επιτυχής περάτωση του Προγράμματος δεν καταστεί εφικτή λόγω διακοπής των σπουδών ή αποτυχίας στις εξετάσεις, χορηγείται στον εκπαιδευόμενο Βεβαίωση Παρακολούθησης του ΚΕ.ΔΙ.ΒΙ.Μ του Πανεπιστημίου.
Δείτε δείγμα των χορηγούμενων, κατά περίπτωση, Πιστοποιητικών εδώ
Επιμέρους Διδακτικές/ Θεματικές Ενότητες
1.1. Εισαγωγή στην Python
1.1.1 Αναγνωρίζοντας με μία ματιά την python
1.1.2 Εγκατάσταση και χρήση Python στον υπολογιστή
1.1.3 Το περιβάλλον της Python
1.2. Βασικά στοιχεία της Python
1.2.1 Γράφοντας την πρώτη εφαρμογή σε Python
1.2.2 Δυνατότητες Αποθήκευσης και Ανάκτησης δεδομένων
1.2.3 Διαχείριση Δεδομένων
1.3. Συνεχίζοντας με την Python
1.3.1 Επαναλαμβανόμενα tasks
1.3.2 Διαχείριση λαθών
1.3.3 Προσθέτοντας επιπλέον βιβλιοθήκες
1.4. Εκτελώντας κοινά tasks
1.4.1 Χρήση μεταβλητών strings και λιστών
1.4.2 Συλλέγοντας δεδομένα όλων των τύπων
1.4.3 Δημιουργία και χρήση κλάσεων
1.5. Εκτελώντας πιο πολύπλοκα tasks
1.5.1 Αποθηκεύοντας δεδομένα σε αρχεία
1.5.2 Στέλνοντας emails
1.6. Βέλτιστες πρακτικές Α
1.6.1 Χρήσιμοι οδηγοί, εργαλεία και βιβλιοθήκες για Python
1.7. Βέλτιστες πρακτικές Β
1.7.1 Χρήση Python σε επαγγελματικό περιβάλλον
1.7.2 Τελική εξέταση
2.1 Εισαγωγή
2.2 Μία πρώτη επαφή με διαχείριση λιστών και δεδομένων
2.3 IPython
2.4 NumPy – Part I
2.5 NumPy – Part II
2.6 Pandas – Part I
2.7 Pandas – Part II
2.8 Ασκήσεις και Βοηθητικές Εργασίες
2.9 Αποθήκευση Δεδομένων
2.10 Data Transformation
2.11 Παρουσίαση και Γραφική Απεικόνιση Δεδομένων
2.12 Συγκέντρωση και Ομαδοποίηση Δεδομένων
2.13 Time Series
2.14 Προχωρημένα παραδείγματα NumPy
Μαθησιακά αποτελέσματα
Με την επιτυχή ολοκλήρωση του προγράμματος οι εκπαιδευόμενοι θα:
✔️ γνωρίζουν πως η Python μπορεί να βοηθήσει έναν Data Analyst
✔️ είναι σε θέση να διαβάζουν και αποθηκεύουν δεδομένα στον δίσκο
✔️ γνωρίζουν ndarray objects, τρόπους αναδιαμόρφωσης λιστών (reshaping arrays, repeat, take, put), ταξινόμηση (argsort, lexsort)
✔️ κατανοούν χρήσιμες εντολές για αλληλεπίδραση με το λειτουργικό σύστημα και επιπλέον δυνατότητες της IPython
✔️ κατανοούν τη μοντελοποίηση των δεδομένων μέσω της χρήσης έτοιμων βιβλιοθηκών (statsmodels) και εισαγωγή στην scikit-learn για machine learning
✔️ κατανοούν με παραδείγματα τη βιβλιοθήκη NumPy
✔️ είναι σε θέση να εγκαταστήσουν και γνωρίσουν το περιβάλλον της Python
✔️ μπορούν να χρησιμοποιούν μεταβλητές και τύπους μεταβλητών καθώς και να μεταποιούν τις τιμές που εμπεριέχουν
✔️ γνωρίζουν και θα κατανοούν τις μεταβλητές, λίστες και κλάσεις της Python
✔️ μπορούν να χρησιμοποιούν χρήσιμους οδηγούς, εργαλεία και βιβλιοθήκες της Python
✔️ μπορούν να χρησιμοποιούν με παραδείγματα τη βιβλιοθήκη pandas
✔️ είναι σε θέση να φορτώνουν, αποθηκεύουν και μεταποιούν δεδομένων
✔️ μπορούν να χρησιμοποιούν εργαλεία απεικόνισης και αναπαράστασης δεδομένων
✔️ μπορούν να χρησιμοποιούν δυνατότητες ομαδοποίησης των δεδομένων μέσω της function groupby
✔️ μπορούν να χρησιμοποιούν pandas για κατηγοριοποίηση των δεδομένων μέσω μετατροπής λιστών σε categorical τύπους δεδομένων και επιπλέον χρήσεις του groupby
✔️ μπορούν να χρησιμοποιούν μεθόδους επαναλήψεων, να ελέγχουν λάθη και να προσθέτουν επιπλέον βιβλιοθήκες
✔️ είναι σε θέση να αξιοποιούν εργαλεία και δομές που χρειάζεται να γνωρίζει και χρησιμοποιεί ο Data Analyst για την μεταποίηση των δεδομένων
✔️ μπορούν να διαχειρίζονται χρονοσειρές (timeseries) – χρήση datetime, time, calendar
Αξιολόγηση
H εξεταστική διαδικασία πραγματοποιείται εξ αποστάσεως μέσα από την πλατφόρμα e-learning 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.
Εκπτωτική Πολιτική
Ισχύουν οι εξής κατηγορίες εκπτώσεων:
- ΟΜΑΔΑ Α: Άνεργοι, Πολύτεκνοι-Τρίτεκνοι, AMEA, Πτυχιούχοι-Φοιτητές ΠαΠει, Εργαζόμενοι του Πανεπιστημίου Πειραιώς (μόνιμοι ή με σύμβαση), Δημοτικοί Υπάλληλοι
- ΟΜΑΔΑ Β: Προπτυχιακοί Φοιτητές ΑΕΙ/ΤΕΙ ή άτομα έως 30 ετών που είναι κάτοχοι Ευρωπαϊκής Κάρτας Νέων, Συμμετέχοντες προηγούμενων κύκλων, Εγγραφή σε τουλάχιστον δύο μαθήματα ίδιας περιόδου
Σημειώνεται ότι:
- Οι εκπτώσεις δεν λειτουργούν αθροιστικά.
- Κάθε σπουδαστής μπορεί να επωφεληθεί μόνο από μία κατηγορία εκπτώσεων.
- Οι συμμετέχοντες οι οποίοι δικαιούνται έκπτωση θα πρέπει να προσκομίσουν τα δικαιολογητικά που θα τους ζητηθούν.
Διαμόρφωση Διδάκτρων κατόπιν έκπτωσης
|
ΟΜΑΔΑ Α | ΟΜΑΔΑ Β | ΧΩΡΙΣ ΕΚΠΤΩΣΗ |
Συνολικά Δίδακτρα | 500€ | 600€ |
710 € |
Κόστος Θεματικής 1 |
170 € | 200 € |
240 € |
Κόστος Θεματικής 2 | 330 € | 400 € |
470 € |
Τρόπος Καταβολής Τελών
Τα τέλη καταβάλλονται εφάπαξ ή σε ισόποσες μηνιαίες δόσεις, όσες και η διάρκεια της διδακτικής ενότητας σε μήνες και με προϋπόθεση την εξόφληση των διδάκτρων 2 εβδομάδες πριν την ολοκλήρωση της διδακτικής ενότητας.
Αποτυχία πληρωμής κάποιας δόσης συνεπάγεται τον αυτόματο αποκλεισμό του υποψηφίου από το υπόλοιπο του προγράμματος, τις εξετάσεις και τη χορήγηση Τίτλου Σπουδών.
Διάρκεια: | 6 Μήνες / 95 Ώρες |
---|---|
ECTS: | 3.65 |
Κατεύθυνση: | ΤΕΧΝΟΛΟΓΙΑ & ΠΛΗΡΟΦΟΡΙΚΗ |
Γλώσσα: | Ελληνικά |
Επ. Υπεύθυνος: | Εμμανουήλ Τσιριτάκης |
Εκπαιδευτικό υλικό
Ηλεκτρονικές Σημειώσεις |
---|