Ο πρωταρχικός στόχος αυτού του μαθήματος είναι να εισαγάγει τους συμμετέχοντες στα κύρια μοντέλα και τεχνικές εξόρυξης και ανάλυσης μεγάλων δεδομένων. Ειδικά σχεδιασμένο για να συμπληρώσει τις παραδοσιακές λογιστικές και χρηματοοικονομικές τεχνικές, αυτό το μάθημα εστιάζει στον χειρισμό δεδομένων χωρίς προκαθορισμένη δομή (π.χ. κείμενο), μη γραμμικά δεδομένα και σύνολα δεδομένων των οποίων το μέγεθος δημιουργεί προκλήσεις στην ανάλυση τους με παραδοσιακές μεθόδους.

Το μάθημα έχει σχεδιαστεί για επαγγελματίες στη λογιστική, τα Χρηματοοικονομικά, την ανάλυση δεδομένων και συναφείς τομείς που επιδιώκουν να βελτιώσουν τις δεξιότητές τους στο χειρισμό και την ανάλυση μεγάλων και αδόμητων συνόλων δεδομένων.

Καθ' όλη τη διάρκεια του μαθήματος, οι συμμετέχοντες θα μυηθούν σε μια ποικιλία τεχνικών και μοντέλων προσαρμοσμένων για ανάλυση μεγάλων δεδομένων. Αυτά περιλαμβάνουν, αλλά δεν περιορίζονται σε:

Οπτικοποίηση δεδομένων: Εργαλεία και τεχνικές για την οπτικοποίηση μεγάλων και πολύπλοκων συνόλων δεδομένων που βοηθούν στην ερμηνεία και τη λήψη αποφάσεων.

Αλγόριθμοι μηχανικής μάθησης: Εφαρμογή αλγορίθμων μηχανικής μάθησης για προγνωστική ανάλυση και αναγνώριση προτύπων σε μη γραμμικά σύνολα δεδομένων.

Εξόρυξη κειμένου: Τεχνικές για την εξαγωγή πολύτιμων πληροφοριών από μη δομημένα δεδομένα κειμένου.

Επεξεργασία φυσικής γλώσσας (NLP): Μέθοδοι επεξεργασίας και ανάλυσης δεδομένων ανθρώπινης γλώσσας, ενεργοποίησης της ανάλυσης συναισθημάτων, μοντελοποίησης θεμάτων και πολλά άλλα

eclass: https://eclass.uop.gr/courses/1832/