Big Data/Business Intelligence 5 8 Φεβρουαρίου 2018
ΓΕΝΙΚΑ Το μάθημα αποτελείται από δύο ενότητες, η πρώτη σε Big Data και Data Analytics και η δεύτερη σε Business Intelligence. Η πρώτη ενότητα παρέχει εισαγωγικές γνώσεις σε επιστημονικά και τεχνολογικά θέματα που άπτονται μεγάλης κλίμακας αναλυτικής δεδομένων (large scale data analytics) περιλαμβανομένων στατιστικής επαγωγής (statistical inference), μηχανικής εκμάθησης (machine learning), εξόρυξης γνώσης (data mining), παρουσίασης δεδομένων (data visualization), καθώς και τεχνικών κατανεμημένων υπολογιστικών συστημάτων (distributed computing), τα οποία λειτουργούντα από κοινού μπορούν να δημιουργήσουν σημαντικές πληροφορίες και γνώσεις για τον αναλυτή δεδομένων (data analyst). Η ενότητα εισάγει τις πιο επιτυχημένες τεχνικές στα παραπάνω πεδία και παρουσιάζει τα πιο επιτυχημένα εμπορικά αλλά και ελεύθερα (open source) εργαλεία και λύσεις για data analytics επιπλέον της παρουσίασης του θεωρητικού υπόβαθρου για κάθε μία από αυτές τις τεχνολογίες. Η δεύτερη ενότητα παρέχει εισαγωγικές γνώσεις σχετικά με τεχνικές υποβοηθούμενες από υπολογιστές που χρησιμοποιούνται για τη συλλογή, ανάλυση και παρουσίαση δεδομένων μίας επιχείρησης, όπως πωλήσεις, κόστος, έσοδα ανά προϊόν ή επιχειρησιακή μονάδα κοκ, με σκοπό να βοηθήσουν τη διοίκησή της να λάβει τις σωστές αποφάσεις βελτίωσης της απόδοσής της, δεικτών της και ούτω καθεξής. Πέρα από το θεωρητικό υπόβαθρο, στα πλαίσια αυτής της ενότητας παρουσιάζονται επιτυχημένα και ευρέως χρησιμοποιούμενα εργαλεία όπως tableau (https://www.tableau.com/). ΣΚΟΠΟΣ Να εισαγάγει τους συμμετέχοντες στην επιστήμη και τεχνολογίες οι οποίες αφορούν Big Data και ειδικότερα Αναλυτική Δεδομένων (Data Analytics). Να δώσει τις δεξιότητες στους συμμετέχοντες να αντιμετωπίζουν με κριτική σκέψη θέματα τεχνικών και αρχιτεκτονικών στις περιοχές Data Analytics και Business Intelligence και να κατανοούν τα υπέρ και κατά εναλλακτικών λύσων και να εκπονούν τεκμηριωμένες αξιολογήσεις. Να παρέχει στους συμμετέχοντες πλήρη κατανόηση του πεδίου με αυτά των Βάσεων Δεδομένων, Αποθήκευσης Δεδομένων (Data Warehousing), Στατιστικής, Μηχανικής Εκμάθησης και Εξόρυξης Γνώσης, Βελτιστοποίησης, και Κατανεμημένων Υπολογιστικών Συστημάτων. Να εισαγάγει τους συμμετέχοντες στο απαιτούμενο μαθηματικό υπόβαθρο κάθε τεχνικής ώστε να κατανοήσουν τον τρόπο με τον οποίο λειτουργούν. Να εισαγάγει τους συμμετέχοντες στις βασικές έννοιες της επιχειρηματικής ευφυΐας. Να εισαγάγει τις βασικές τεχνικές συλλογής, ταξινόμησης και ανάλυσης δεδομένων. Να παρουσιάσει εργαλεία που βοηθούν τις λειτουργίες επιχειρηματικής ευφυΐας.
ΣΕ ΠΟΙΟΥΣ ΑΠΕΥΘΥΝΕΤΑΙ Το μάθημα απευθύνεται σε: Διευθυντικά στελέχη τα οποία επιθυμούν να κατανοήσουν τις δυνατότητες που παρέχονται με τεχνολογίες Big Data. Ερευνητές και νέους επιχειρηματίες οι οποίοι ενδιαφέρονται για την ανάπτυξη προϊόντων και υπηρεσιών υψηλής τεχνολογίας βασιζόμενα σε τεχνολογίες Big Data. Μηχανικούς και Παρόχους Λύσεων και Τεχνολογιών Πληροφορικής και Επικοινωνιών οι οποίοι επιθυμούν να αναπτύξουν εφαρμογές Big Data. ΠΕΡΙΕΧΟΜΕΝΟ ΕΚΠΑΙΔΕΥΣΗΣ Το πρόγραμμα έχει συνολική διάρκεια 16 ωρών και αποτελείται από δύο ενότητες σε Big Data / Data Analytics και Business Intelligence. Τα θέματα που καλύπτονται φαίνονται παρακάτω: Big Data / Data Analytics 1. Review of Relational Database/Warehouse Technologies a. Characterizations of Big-Datasets (four Vs) b. Data Cubes 2. Review of Parallel/Distributed Computing Infrastructures: From multi-threading to Map/Reduce to Apache Spark a. Shared-memory parallel processing & multi-threading b. The Java Memory Model c. Distributed Computing: From PVM and MPI to Apache Hadoop to Apache Spark d. Contemporary Client/Server Models: Web Services 3. Knowledge Discovery in Databases: Unsupervised Methods a. Clustering b. Mining Frequent Item-sets and Association Rules in Big Datasets c. Mining Quantitative Association Rules in Big Datasets d. Mining Frequent Episodes in Large-Scale Time-Series Data e. Recommender Systems: Collaborative Filtering 4. Knowledge Discovery in Databases: Supervised Methods a. Introduction to Classical Statistical Inference and Naïve Bayesian Classification b. Performance Metrics: Precision, Recall etc. c. Performance Evaluation Methodologies: leave-one-out, k-fold crossvalidation etc. d. Decision Trees and Regression e. Support Vector Machines and Neural Networks
f. Implementation Issues in Distributed Computing Environments 5. Tools of the Trade a. Oracle BI Suite b. Weka/Knime 6. Advanced Topics a. Matrix Factorization and its Connections to Clustering & Recommender Systems b. Support Vector Clustering Business Intelligence 1. Data Warehousing concepts 2. Online analytical processing 3. Data mining techniques 4. Predictive analytics 5. Data Visualization & Story-telling 6. Basics of Business Intelligence 7. Business Intelligence Processes 8. Business Intelligence Case Study 9. Tableau ΠΡΟΓΡΑΜΜΑ ΚΑΙ ΤΟΠΟΘΕΣΙΑ Το μάθημα θα λάβει χώρα στις 5, 6, 7, και 8 Φεβρουαρίου 2018. Οι ώρες διδασκαλίας καθημερινά είναι 10:00 11:30 και 11:45 13:15. Η τοποθεσία όπου θα διεξαχθούν τα μαθήματα είναι Κηφισίας 44 15125 Μαρούσι
ΕΙΣΗΓΗΤΗΣ ΙΩΑΝΝΗΣ ΧΡΗΣΤΟΥ Ο Dr. Ιωάννης Θ. Χρήστου είναι διπλωματούχος Ηλεκτρολόγος Μηχανικός του ΕΜΠ (1991) και κάτοχος M.Sc. και Ph.D. από το Τμήμα Επιστημών των Η/Υ από το Πανεπιστήμιο του Wisconsin-Madison (U.S.A.) (1993,1996). Επίσης είναι κάτοχος μεταπτυχιακού διπλώματος ειδίκευσης στην Διοίκηση Επιχειρήσεων (ΜΒΑ) από το πρόγραμμα AthensMBA του ΕΜΠ και του ΟΠΑ. Έχει πάνω από 70 δημοσιεύσεις, σε περιοδικά όπως IEEE Transactions on Pattern Analysis and Machine Intelligence, IEEE Intelligent Systems, IEEE Software, Expert Systems with Applications, Information Processing & Management, Intl. Journal of Machine Learning & Cybernetics, Mathematical Programming, OMEGA, Computers & Operations Research, Intl. Journal of Production Research, Interfaces, IEEE Transactions on Education κοκ. Ο Dr. Χρήστου εργάστηκε ως προϊστάμενος ανάπτυξης στην TransQuest Inc. (joint venture of AT&T Bell-Labs & Delta) και στην Delta Technology Inc. (Atlanta USA). Εργάστηκε στην ΙΝΤΡΑΚΟΜ Α.Ε. ως Προϊστάμενος Περιοχής Συστημάτων Διαχ/σης Γνώσης και σε θέματα πολυτροπικών διεπαφών χρηστών από τη θέση του Μέλους Τεχνικού Προσωπικού στα Bell Laboratories/Hellas. Έχει εργαστεί ως ανεξάρτητος σύμβουλος για πολλές μεγάλες εταιρείες (ΔΕΗ Α.Ε., GAP ΕΠΕ κλπ.) και έχει φέρει εις πέρας την ανάπτυξη ειδικών πακέτων λογισμικού για την υποστήριξη εταιρικών διεργασιών. Ο Dr. Χρήστου ήταν επισκέπτης Επίκουρος Καθηγητής στο Τμήμα Μηχ/κών Η/Υ & Πληροφορικής του Παν/μίου Πατρών το 2003-2004. Από τον Οκτώβριο του 2004 εργάζεται στο ΑΙΤ, όπου και είναι Καθηγητής, ενώ παράλληλα υπήρξε και εντεταλμένος Καθηγητής του Πανεπιστημίου Carnegie-Mellon στο Pittsbourgh, PA, USA. ΚΟΣΤΟΣ ΣΥΜΜΕΤΟΧΗΣ Το κόστος συμμετοχής σε κάθε ενότητα ξεχωριστά είναι 245 ευρώ. Το κόστος συμμετοχής και στις δύο ενότητες ανέρχεται σε 395 ευρώ. Υπάρχει δυνατότητα επιδότησης μέσω ΛΑΕΚ. ΕΓΓΡΑΦΗ Για την εγγραφή σας επικοινωνήστε με: Χρυσάνθη Ευσταθίου, cefs@ait.gr, 210 668 2702