Σύγχρονες Μέθοδοι Στατιστικής Ανάλυσης και παρουσίασης Ιατρο-βιολογικών δεδομένων με χρήση R, Python και Power BI

Τίτλος Προγράμματος:

Σύγχρονες Μέθοδοι Στατιστικής Ανάλυσης και παρουσίασης Ιατρο-βιολογικών δεδομένων με χρήση R, Python και Power BI

Συνολική διάρκεια: 150 ώρες, 8 εβδομάδες

Μονάδες ECTS: 6

Μέθοδος υλοποίησης και διαδικασίες : Εξ αποστάσεως

Θεματικό Πεδίο : Επιστήμες Υγείας

Διδακτικές Ενότητες του Προγράμματος:

Τίτλος Δ.Ε.1 Στατιστική: Η Επιστήμη των Δεδομένων

Τίτλος Δ.Ε.2 Εισαγωγή στη Στατιστική Γλώσσα Προγραμματισμού R

Τίτλος Δ.Ε.3 Εισαγωγή στη Στατιστική Γλώσσα Προγραμματισμού Python

Τίτλος Δ.Ε.4 Μέθοδοι δειγματοληψίας και καθορισμός κατάλληλου μεγέθους δείγματος

Τίτλος Δ.Ε.5 Περιγραφική Στατιστική ανάλυση και παρουσίαση ποιοτικών δεδομένων

Τίτλος Δ.Ε.6 Περιγραφική Στατιστική ανάλυση και παρουσίαση ποσοτικών δεδομένων

Τίτλος Δ.Ε.7 Στατιστική ανάλυση και οπτικοποίηση πολυμεταβλητών δεδομένων

Τίτλος Δ.Ε.8 Κατανομές Πιθανοτήτων

Τίτλος Δ.Ε.9 Εκτιμητική και Έλεγχος Στατιστικών Υποθέσεων: Βασικές Παραμετρικές και μη Παραμετρικές Μέθοδοι

Τίτλος Δ.Ε.10 Ανάλυση κατηγορικών δεδομένων

Τίτλος Δ.Ε.11 Είδη Επιδημιολογικών μελετών και αξιολόγηση διαγνωστικής ικανότητας

Τίτλος Δ.Ε.12 Δημιουργία, Διαχείριση, Επεξεργασία και Οπτικοποίηση βάσεων δεδομένων με χρήση του λογισμικού Power BI: Εφαρμογή στα δεδομένα της πανδημίας

Τίτλος Δ.Ε.13 Μονοπαραγοντική Ανάλυση Διακύμανσης και Συνδιακύμανσης

Τίτλος Δ.Ε.14 Ανάλυση Διακύμανσης για Επαναλαμβανόμενες μετρήσεις

Τίτλος Δ.Ε.15 Ανάλυση συσχέτισης και μερικής συσχέτισης

Τίτλος Δ.Ε.16 Εισαγωγή στην Μηχανική Μάθηση

Τίτλος Δ.Ε.17 Ανάλυση Παλινδρόμησης

Τίτλος Δ.Ε.18 Ιεραρχική Παλινδρόμηση και επιλογή βέλτιστου μοντέλου

Τίτλος Δ.Ε.19 Ειδικά θέματα στην Παλινδρόμηση – Μη γραμμικά μοντέλα

Τίτλος Δ.Ε.20 Λογιστική Παλινδρόμηση

Τίτλος Δ.Ε.21 Συγγραφή ενός ερευνητικού άρθρου

Σκοπός του συγκεκριμένου εκπαιδευτικού προγράμματος είναι η εκμάθηση των γλωσσών προγραμματισμού R και Python και του εργαλείου οπτικοποίησης και διαχείρισης δεδομένων Power BI, ώστε να χρησιμοποιούνται ως εργαλεία στη διαχείριση στατιστικών προβλημάτων.

Αρχικά, με στόχο την εξοικείωση των εκπαιδευόμενων, γίνεται εισαγωγή στις βασικές έννοιες προγραμματισμού στις γλώσσες R και Python. Στη συνέχεια, παρέχεται υλικό για την πλήρη εκμάθησή τους,  ώστε να μπορούν να χρησιμοποιηθούν σε θέματα προχωρημένης περιγραφικής και επαγωγικής στατιστικής.

Το συγκεκριμένο εκπαιδευτικό πρόγραμμα είναι δομημένο με τρόπο που καλύπτει όλους τους εκπαιδευόμενους από οποιονδήποτε ερευνητικό ή και εργασιακό τομέα προέρχονται. Ξεκινώντας τις αντίστοιχες μεθοδολογίες από την βάση τους και φτάνοντας στην εφαρμογή τους μέσα από την μελέτη περιπτώσεων, πραγματικά ιατρό-βιολογικά προβλήματα, και την χρήση ενδεδειγμένης διεθνούς βιβλιογραφίας, το πρόγραμμα έχει τη δυνατότητα να καλύψει πλήρως τον αρχάριο χρήστη αλλά και να διευρύνει τις γνώσεις του έμπειρου χρήστη.

Ταυτόχρονα, στο πρόγραμμα θα περιγραφούν προχωρημένα θέματα στατιστικής ανάλυσης και θα τρέξουν εφαρμογές σε πραγματικά δεδομένα, με σκοπό την εξοικείωση των εκπαιδευόμενων με τον τομέα της Μηχανικής Μάθησης.

Οι εκπαιδευόμενοι θα μάθουν να προγραμματίζουν και να χρησιμοποιούν τις γλώσσες R και Python επαρκώς για την ανάλυση πάσης φύσεως φύσεως δεδομένα. Οι εφαρμογές παρόλο που θα γίνουν σε Ιατροβιολογικά και Επιδημιολογικά δεδομένα, προσφέρουν γνώση που μπορεί αντίστοιχα να εφαρμοστεί και σε άλλα ερευνητικά πεδία. Ειδικότερα, σε όλους τους Εκπαιδευόμενους με κατεύθυνση τη στατιστική και τους Επιστήμονες που ανήκουν σε μια ερευνητικά ομάδα, θα δοθεί μια εξειδίκευση στο χώρο της υγείας, ενώ θα αναπτύξουν δεξιότητες ανάλυσης και επεξεργασίας πάσης φύσεων δεδομένων.

Τέλος, μετά το πέρας του εκπαιδευτικού προγράμματος ο εκπαιδευόμενος θα έχει αναπτύξει την δεξιότητα οπτικοποίησης και παρακολούθησης μεγάλων βάσεων δεδομένων με διαδραστικό τρόπο μέσω του πιο διαδεδομένου εργαλείου σε αυτόν τον τομέα του Power BI. Το  γεγονός αυτό μπορεί να το εκμεταλλευτεί  τόσο ο ίδιος ο εκπαιδευόμενος ως χειριστής όσο και για την διάδοση

Το Πρόγραμμα απευθύνεται σε απόφοιτους και φοιτητές Πανεπιστημιακών Ιδρυμάτων της ημεδαπής και της αλλοδαπής, ιδιώτες ή στελέχη επιχειρήσεων που στην εργασία τους χρειάζεται να αναλύουν δεδομένα και να χρησιμοποιούν R, Python ή/και Power BI, ερευνητές ή υποψήφιους διδάκτορες από διάφορα άλλα αντικείμενα που χρειάζονται για την έρευνά τη χρήση των παραπάνω εργαλείων, στατιστικούς, μαθηματικούς, ιατρούς, κοινωνιολόγους, διαιτολόγους/διατροφολόγους, ψυχολόγους, επαγγελματίες στον χώρο της Πληροφορικής Επιστήμονες Υγείας και όσους εργάζονται ή θέλουν να εργαστούν στον χώρο της Φαρμακοβιομηχανίας. Τέλος, να σημειώσουμε ότι οι μέθοδοι στατιστικής ανάλυσης και μηχανικής μάθησης που θα συζητηθούν είναι απαραίτητο προσόν για κάθε ερευνητή, ανεξαρτήτως πεδίου, που ανήκει σε κάποια ερευνητική ομάδα ώστε να μπορεί να κατανοήσει και ερμηνεύσει τα αποτελέσματα των στατιστικών διεργασιών καθώς και να μπορεί να διαβάσει σωστά και με άνεση σχετικά άρθρα από την ελληνική και διεθνή Βιβλιογραφία όπως επίσης και για επιχειρήσεις που επιθυμούν να εκμεταλλευτούν τη δύναμη των δεδομένων τους.

Στοιχεία Επιστημονικά Υπεύθυνου/ης

Ονοματεπώνυμο: Δημήτριος Πανάρετος

Ιδιότητα: Εξωτερικός Συνεργάτης – Διδάσκων

Email Επιστημονικά Υπεύθυνου/ης: dimitrispanaretos@hotmail.com

Τμήμα: Ιατρικής ΑΠΘ

Σχολή: Επιστημών Υγείας

Σύντομο βιογραφικό σημείωμα Επιστημονικά Υπεύθυνου/ης – Εκπαιδευτή

Ο Δημήτρης Πανάρετος γεννήθηκε στην Αθήνα το 1988. Αποφοίτησε από το Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης του Πανεπιστημίου Πειραιώς (2012), ως 1ος αποφοιτήσας, και με βαθμό άριστα (8.78/10). Για τις σπουδές του έλαβε υποτροφίες από το Ίδρυμα Κρατικών Υποτροφιών. Πραγματοποίησε μεταπτυχιακές σπουδές στο ΠΜΣ Βιοστατιστική της Ιατρικής Σχολής και του Μαθηματικού Τμήματος του Πανεπιστημίου Αθηνών (2015), όπου και αποφοίτησε με βαθμό άριστα (8.83/10). Εκπόνησε τη Διδακτορική Διατριβή του στη Βιοστατιστική, στο Χαροκόπειο Πανεπιστήμιο (2016-2020), ως υπότροφος του ΕΛΙΔΕΚ. Τα τελευταία 10 έτη έχει εκπαιδεύσει εκατοντάδες φοιτητές, απόφοιτους και στελέχη επιχειρήσεων στις Επιστήμες της Στατιστικής και των Δεδομένων ενώ παράλληλα έχει δουλέψει ως Στατιστικός και Βιοστατιστικός στον Δημόσιο (ΕΟΔΥ) και Ιδιωτικό (ΕΣΕΕ, ΕΛΠΕΝ) τομέα. Έχει συγγράψει πάνω από 10 άρθρα σε διεθνή επιστημονικά περιοδικά και έχει παρουσιάσει μέρος του έργου του σε διεθνή και ελληνικά συνέδρια Στατιστικής και Βιοστατιστικής – Βιομετρίας. Σήμερα εργάζεται ως Σύμβουλος Επιστήμης Δεδομένων και Εκπαιδευτής σε σεμινάρια ενηλίκων, ενώ διατελεί εξωτερικός συνεργάτης – διδάσκων στο τμήμα Ιατρικής του ΑΠΘ.

Θεματικές Ενότητες Προγράμματος & Περιγραφή τους:

Τίτλος Δ.Ε.1

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.1

Στην 1^η Ενότητα θα κάνουμε μια Ιστορική Αναδρομή στην Στατιστική, ώστε ο εκπαιδευόμενος να κατανοήσει σε βάθος τις ρίζες της Επιστήμης

Διάρκεια σε ώρες, Αξία σε ECTS 2, 0.08

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.2

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.2

Στην 2^η Ενότητα θα αναπτυχθούν οι επόμενες ΥποΕνότητες:

2.1   Ιστορική αναδρομή της στατιστικής γλώσσας R

2.2   Οδηγός εγκατάστασης σε Windows και Mac

2.3   Tο περιβάλλον του R – Studio

2.4   Τύποι και Δομές Δεδομένων

2.5   Αποθήκευση και ανάκτηση δεδομένων

2.6   Δομές Ελέγχου και Επανάληψης

2.7   Η οικογένεια εντολών Apply

2.8   Διαχείριση δεδομένων με τα πακέτα dplyr & tidyr

2.9   Βασικά Διαγράμματα στην R

2.10 Οπτικοποίηση δεδομένων με το πακέτο ggplot2

Διάρκεια σε ώρες, Αξία σε ECTS 18, 0.72

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.3

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.3

Στην 3η Ενότητα θα αναπτυχθούν οι επόμενες ΥποΕνότητες:

3.1  Ιστορική αναδρομή της γλώσσας προγραμματισμού Python

3.2  Πλεονεκτήματα και βασικά χαρακτηριστικά

3.3  Οδηγός εγκατάστασης σε Windows και Mac

3.4  Το περιβάλλον του Jypyter Notebook

3.5  Αρθρώματα και Βιβλιοθήκες στην Python

3.6  Τύποι και δομές δεδομένων

3.7  Δομές ελέγχου και επανάληψης

3.8  Αποθήκευση και ανάκτηση δεδομένων

3.9   Η βιβλιοθήκη ανάλυσης δεδομένων Pandas

3.10 Η μαθηματική βιβλιοθήκη Numpy

3.11 Οπτικοποίηση δεδομένων με τις βιβλιοθήκες MatplotLib και seaborn

Διάρκεια σε ώρες, Αξία σε ECTS 16, 0.64

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.4

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.4

Στην 4η Διδακτική Ενότητα ο εκπαιδευόμενος θα μάθει όλες τις διαθέσιμες μεθόδους Δειγματοληψίας και πως να επιλέγει την καταλληλότερη μέθοδο για την δική του μελέτη. Επιπλέον θα εκπαιδευτεί στην R και την Python στην διαδικασία επιλογής κατάλληλου μεγέθους δείγματος.

Διάρκεια σε ώρες, Αξία σε ECTS 4, 0.16

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.5

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.5

Στόχος της 5ης Διδακτικής Ενότητας είναι να μάθει τον εκπαιδευόμενο να εξάγει από ποιοτικά δεδομένα την πληροφορία που χρειάζεται με γραφικές και αριθμητικές τεχνικές στην R και την Python.

Διάρκεια σε ώρες, Αξία σε ECTS 6, 0.24

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.6

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.6

Στόχος της 6ης Διδακτικής Ενότητας είναι να μάθει τον εκπαιδευόμενο να εξάγει από ποσοτικά δεδομένα την πληροφορία που χρειάζεται με γραφικές και αριθμητικές τεχνικές στην R και την Python.

Διάρκεια σε ώρες, Αξία σε ECTS 6, 0.24

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.7

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.7

Στόχος της 7ης Διδακτικής Ενότητας είναι να μάθει τον εκπαιδευόμενο να εξάγει χρήσιμη πληροφορία χρησιμοποιώντας ταυτόχρονα περισσότερες από 1 μεταβλητές.

Διάρκεια σε ώρες, Αξία σε ECTS 6, 0.24

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.8

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.8

Όταν μετράμε για παράδειγμα κάποιους βιοχημικούς δείκτες καρδιαγγειακών νοσημάτων (LDL -χοληστερίνη, τροπονίνες, νατριοδιουρητικά πεπτίδια) ή κάποια κοινωνικο-δημογραφικά χαρακτηριστικά (ηλικία, αριθμός παιδιών, συνολικά έτη εκπαίδευσης, εισόδημα)  το αποτέλεσμα που προκύπτει το αναπαριστούμε με μία αριθμητική τιμή της αντίστοιχης μεταβλητής. Όταν οι τιμές αυτές είναι αποτέλεσμα ενός πειράματος τύχης, η μεταβλητή αυτή καλείται τυχαία μεταβλητή. Οι τυχαίες μεταβλητές διακρίνονται σε διακριτές και συνεχείς. Στόχος της 8ης Διδακτικής Ενότητας είναι να εξοικειώσει τον εκπαιδευόμενο με τις βασικές διακριτές και συνεχείς κατανομές πιθανοτήτων, μέσα από την επίλυση σύγχρονων προβλημάτων στην R και την Python.

Διάρκεια σε ώρες, Αξία σε ECTS 4, 0.16

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.9

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.9

Η επαγωγική στατιστική (inferential statistics) περιλαμβάνει τεχνικές που επιτρέπουν την ανάλυση δεδομένων, ώστε να γίνει εφικτή η εξαγωγή χρήσιμων και γενικεύσιμων συμπερασμάτων για τους πληθυσμούς, με βάση τις πληροφορίες που συλλέγονται από τα δείγματα. Στόχος της 7ης Διδακτικής Ενότητας είναι να εισάγει τον εκπαιδευόμενο στους δύο υποκλάδους της Επαγωγικής Στατιστικής: την Εκτιμητική και τον Έλεγχο Στατιστικών Υποθέσεων.  Θα γίνει εφαρμογή σε πραγματικά δεδομένα με χρήση R και Python

Διάρκεια σε ώρες, Αξία σε ECTS 12, 0.48

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.10

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.10

Στόχος της 10ης Ενότητας είναι η ανάλυση κατηγορικών δεδομένων με τον έλεγχο ανεξαρτησίας Chi – Square του Pearson, τον ακριβή έλεγχο το Fisher, και το McNemar τεστ. Θα γίνει εφαρμογή σε πραγματικά δεδομένα με χρήση R και Python.

Διάρκεια σε ώρες, Αξία σε ECTS 4, 0.16

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.11

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.11

Στην 11η Ενότητα θα συζητηθούν τα βασικότερα είδη των Επιδημιολογικών Μελετών, όπως μελέτες επιπολασμού, μελέτες κοορτής, μελέτες ασθενών – μαρτύρων και παρεμβατικές μελέτες (π.χ. κλινικές δοκιμές), καθώς και βασικά μέτρα συσχέτισης, όπως ο σχετικός κίνδυνος και ο σχετικός λόγος, ο συντελεστής Φ και C του Pearson και ο συντελεστής V του Cramer. Στόχος αυτής της υπο-ενότητας είναι η εξοικείωση του εκπαιδευόμενου με τον επιστημονικό χώρο της Επιδημιολογίας και της Δημόσιας Υγείας.

Επιπλέον θα γίνει μια σύντομη συζήτηση πάνω σε θέματα αξιολόγησης διαγνωστικής ικανότητας (Ευαισθησία – Ειδικότητα, Καμπύλη ROC κτλ.).

Διάρκεια σε ώρες, Αξία σε ECTS 4, 0.16

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.12

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.12

Στόχος της 12ης Διδακτικής Ενότητας είναι να μάθει τον εκπαιδευόμενο τεχνικές διαχείρισης και οπτικοποίησης μεγάλων όγκων δεδομένων μέσω εργαλείων Business Intelligence (Power BI). Ειδικότερα θα του μάθει εισαγωγή δεδομένων από διάφορες πηγές σε μοντέλα δεδομένων

1. Δημιουργία σύνθετων υπολογισμών
2. Ανανέωση αποτελεσμάτων με αυτοματοποιημένες διαδικασίες
3. Παρουσίαση αναλύσεων για χρήση σε κινητές συσκευές η Tablet

Διάρκεια σε ώρες, Αξία σε ECTS 12, 0.48

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.13

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.13

Η Ανάλυση Διασποράς αποτελεί επέκταση των στατιστικών ελέγχων υποθέσεων t και z που μελετήσαμε στην 9η Ενότητα. Η Ανάλυση Διακύμανσης (ANOVA) και Συνδιακύμανσης (ANCOVA)  χρησιμοποιείται έντονα στις Επιστήμες Υγείας για την μελέτη των σχέσεων μεταξύ των μεταβλητών επομένως στην 13η  Διδακτική Ενότητα θα δούμε κάποια τέτοια παραδείγματα. Θα γίνει εφαρμογή σε πραγματικά δεδομένα με χρήση R και Python.

Διάρκεια σε ώρες, Αξία σε ECTS 14, 0.56

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.14

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.14

Μια από τις προυποθέσεις που πρέπει να πληρούνται για να είναι αξιόπιστες οι Μέθοδοι Ανάλυσης Διασποράς που εξετάστηκαν στην 13η Ενότητα είναι ότι οι συγκρινόμενες ομάδες θα πρέπει να είναι ανεξάρτητες μεταξύ τους. Στην Ιατρική Επιστήμη είναι συχνό φαινόμενο οι υπό μελέτη ομάδες να μην ικανοποιούν αυτό το κριτήριο.

Διάρκεια σε ώρες, Αξία σε ECTS 4, 0.16

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.15

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.15

Στόχος της 15ης Διδακτικής Ενότητας είναι η μελέτη της σχέσης μεταξύ 2 ποσοτικών μεταβλητών. Για την εκτίμηση και τον έλεγχο της συσχέτισης θα ασχοληθούμε με την γραμμική συσχέτιση του Pearson, με τον συντελεστή συσχέτισης rho του Spearman και με τον συντελεστή tau του Kendall. Θα γίνει εφαρμογή σε πραγματικά δεδομένα με χρήση R και Python.

Διάρκεια σε ώρες, Αξία σε ECTS 4, 0.16

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.16

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.16

Η Μηχανική Μάθηση (Machine Learning) είναι μια περιοχή της Τεχνητής Νοημοσύνης (AI) και υποπεδίο της Επιστήμης των Υπολογιστών που αναπτύχθηκε από την ανάγκη ανάλυσης αναγνώρισης προτύπων (Pattern Recognition Analysis). Στην 16η  Ενότητα θα γίνει αναφορά στις μεθόδους της Μηχανικής Μάθησης ενώ θα αναφερθούμε στο ποια είναι η χρήση αυτών σε σύγχρονα προβλήματα στον χώρο του Φαρμάκου και της Υγείας.

Συγκεκριμένα, θα αναφερθούμε στις Επιβλεπόμενες και μη Επιβλεπόμενες Μεθόδους Ανάλυσης (Παλινδρόμηση – Ταξινόμηση – Ομαδοποίηση), στις Μεθόδους Μείωσης της Διαστασιμότητας, στις Μετρικές Αξιολόγησης των παραπάνω μεθόδων και στην Ενισχυτική Μάθηση.

Διάρκεια σε ώρες, Αξία σε ECTS 4, 0.16

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.17

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.17

Η παλινδρόμηση είναι μια τεχνική μοντελοποίησης για την έρευνα της συσχέτισης μεταξύ μιας εξαρτημένης μεταβλητής, και μιας ή περισσότερων ανεξάρτητων μεταβλητών. Το αποτέλεσμα του μοντέλου θα είναι μια πρόβλεψη της εξαρτημένης μεταβλητής που οι τιμές της ανήκουν στους συνεχής αριθμούς.

Διάρκεια σε ώρες, Αξία σε ECTS 12, 0.48

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.18

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.18

Το πρόβλημα εύρεσης του καλύτερου μοντέλου συνίσταται στην επιλογή ενός κατάλληλου υποσυνόλου ανεξάρτητων μεταβλητών με σκοπό τη μέγιστη ερμηνευτική ικανότητα του μοντέλου. Στην 18η Διδακτική Ενότητα θα εξετάσουμε την Ιεραρχική Παλινδρόμηση ενώ θα μελετήσουμε επαναληπτικές τεχνικές επιλογής βέλτιστων υποσυνόλων.

Διάρκεια σε ώρες, Αξία σε ECTS 2, 0.08

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.19

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.19

Στην 18η Ενότητα θα συζητηθούν περιληπτικά κάποια ειδικά θέματα στην Παλινδρόμηση όπως η Παλινδρόμηση Lasso και Ridge, η Πολυωνυμική Παλινδρόμηση, η ανθεκτική Παλινδρόμηση (Robust Regression), η Παλινδρόμηση Poisson, τα Γενικευμένα Αθροιστικά Μοντέλα (GAM) , η Ανάλυση Επιβίωσης (Μοντέλο Παλινδρόμησης Cox) κ.α. 

Διάρκεια σε ώρες, Αξία σε ECTS 4, 0.16

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.20

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.20

Στις Διδακτικές Ενότητες 17 και 18 ασχοληθήκαμε με την εκτίμηση της επίδρασης που ασκούν διάφοροι παράγοντες στην υπό μελέτη έκβαση. Η έκβαση αφορούσε ένα ποσοτικό χαρακτηριστικό, ενώ πολλές φορές στην Βιοϊατρική Έρευνα μελετώνται παράγοντες που επηρεάζουν ένα ποιοτικό χαρακτηριστικό. Η Λογιστική Παλινδρόμηση αποτελεί ένα μοντέλο ταξινόμησης των τιμών μιας ποιοτικής μεταβλητής απόκρισης με βάση ένα πλήθος παραγόντων (ποσοτικών ή ποιοτικών) που επιλέγονται για το σκοπό αυτό.

Διάρκεια σε ώρες, Αξία σε ECTS 6, 0.24

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Τίτλος Δ.Ε.21

Συνοπτική περιγραφή σκοπού και περιεχομένου της Δ.Ε.21

Οι εκπαιδευόμενοι θα συγγράψουν με την βοήθεια του εκπαιδευτή ένα άρθρο αναλύοντας πραγματικά Ιατρο – Βιολογικά Δεδομένα.

Διάρκεια σε ώρες, Αξία σε ECTS 6, 0.24

Υπεύθυνος εκπαιδευτής/τρια: Δημήτρης Πανάρετος

Χρονοδιάγραμμα Υλοποίησης Επιμέρους Διδακτικών Ενοτήτων:

Διδασκαλία & Παρακολούθηση:

Ο εκπαιδευτικός σχεδιασμός ακολουθεί τη μεθοδολογία που υποστηρίζει την Ανοικτή και Εξ Αποστάσεως ηλεκτρονική μάθηση. Η διδασκαλία θα γίνεται μέσω συστήματος σύγχρονης τηλεκπαίδευσης.

Η διανομή του εκπαιδευτικού και υποστηρικτικού υλικού γίνεται σταδιακά και σε εβδομαδιαία βάση. Το εκπαιδευτικό υλικό βρίσκεται on-line, σε ψηφιακή μορφή, ενώ παράλληλα δίνεται η δυνατότητα τοπικής αποθήκευσής του. Είναι εύκολα εκτυπώσιμο για τους χρήστες που προτιμούν το έντυπο υλικό. Επιπλέον, προσφέρεται η δυνατότητα ανάρτησης υλικού και εργασιών από την πλευρά των επιμορφούμενων προς αξιολόγηση.

Περιγραφή εκπαιδευτικού υλικού:

-Διαφάνειες Διαλέξεων (σε μορφή e-book)

-Σχετική Βιβλιογραφία σε κάθε Διδακτική Ενότητα

-Αρχεία txt. όλων των εντολών R και Python

Δείγμα εκπαιδευτικού υλικού:

https://mentoracademy.gr/Σεμινάρια/σύγχρονες-μέθοδοι-στατιστικής-ανάλυ/lessons/το-περιβάλλον-της-r/

https://mentoracademy.gr/Σεμινάρια/σύγχρονες-μέθοδοι-στατιστικής-ανάλυ/lessons/τύποι-και-δομές-δεδομένων/

Τρόπος αξιολόγησης των εκπαιδευομένων:

-Συμμετοχή σε 15 συνεδρίες σύγχρονης τηλεπαίδευσης, συνολικής διάρκειας 60 διδακτικών ωρών.

-Συμμετοχή στα τελικά τεστ αξιολόγησης με την ολοκλήρωση του σεμιναρίου. Η εξέταση γίνεται κατόπιν συνεννόησης και με την εξ αποστάσεως βοήθεια του εκπαιδευτή. Η βαθμολογία του τεστ ανακοινώνεται στον εκπαιδευόμενο αμέσως μετά την ολοκλήρωση της εξέτασης.

-Τα τελικά test αφορούν 3 εργασίες, η κάθε μία με χρήση διαφορετικού εργαλείου (R, Python και Power BI), όπου ο εκπαιδευόμενος θα αναλάβει να αναλύσει μία βάση δεδομένων.

-Η βάση δεδομένων καθώς και τα ερωτήματα της κάθε εργασίας θα έχουν δοθεί στους εκπαιδευόμενους τουλάχιστον 1 μήνα πριν την παράδοση. Η παράδοση των εργασιών μπορεί να γίνει μέχρι το πολύ 1 βδομάδα μετά την τελευταία συνεδρία (deadline: 05/06, 23:59).

Αξιολόγηση Προγράμματος

Για την αξιολόγηση των παρεχόμενων από το Πρόγραμμα υπηρεσιών σε επίπεδο εκπαιδευτικού έργου αλλά και διοικητικής και τεχνικής υποστήριξης, ο Εκπαιδευόμενος  στο τέλος του προγράμματος καλείται να συμπληρώσει ενιαίο ερωτηματολόγιο, το οποίο περιλαμβάνει συγκεκριμένους άξονες και δείκτες αξιολόγησης, που επεξεργάζεται και παρακολουθείται από την ΜΕΑ του Ε.Α.Π. [1]

 Τύπος χορηγούμενου πιστοποιητικού

Μετά την επιτυχή ολοκλήρωση του προγράμματος, χορηγείται «Πιστοποιητικό Επιμόρφωσης» καθώς και «Παράρτημα Πιστοποιητικού Επιμόρφωσης», στα οποία αναγράφονται τα εξής στοιχεία: α) η διάρκεια του προγράμματος σε ώρες, β) η μέθοδος διδασκαλίας, γ) οι πιστωτικές μονάδες ECTS και δ) οι τίτλοι των θεματικών ή διδακτικών ενοτήτων του προγράμματος.

Τα πιστοποιητικά υπογράφονται από τον Επιστημονικά Υπεύθυνο του Προγράμματος, τον Πρόεδρο του Κ.Ε.ΔΙ.ΒΙ.Μ και θα είναι διαθέσιμα μετά την ολοκλήρωση του προγράμματος. Σε περίπτωση μη επιτυχούς ολοκλήρωσης του Προγράμματος χορηγείται απλή «Βεβαίωση Παρακολούθησης». Για τη χορήγηση των πιστοποιητικών απαιτείται επιπλέον και η αποπληρωμή του συνόλου των διδάκτρων του Προγράμματος. 

Λοιπές Υποχρεώσεις  Εκπαιδευομένων

Πέρα από την επιτυχή ολοκλήρωση του προγράμματος, για τη χορήγηση του Πιστοποιητικού απαιτούνται τα εξής από τους εκπαιδευομένους:

-Αποπληρωμή του συνόλου των τελών συμμετοχής

-Αποδοχή συμμετοχής τους στη διαδικασία αξιολόγησης του προγράμματος

 Υποχρεώσεις  Εκπαιδευτών

-Επικοινωνεί μέσω της εκπαιδευτικής πλατφόρμας με τους εκπαιδευόμενους απαντώντας σε απορίες / διευκρινίσεις που τυχόν έχουν διατυπωθεί από τους εκπαιδευόμενους.

-Αναρτά στην εκπαιδευτική πλατφόρμα ανακοινώσεις αναφορικά με το μάθημα και τον τρόπο διεξαγωγής του

-Επιλύει απορίες, κατευθύνει τους εκπαιδευόμενους στην σωστή μελέτη του εκπαιδευτικού υλικού, προτείνει επιπρόσθετη βιβλιογραφία -εφόσον ζητηθεί.

-Παροτρύνει τους εκπαιδευόμενους για συμμετοχή στην εκπαιδευτική διαδικασία, εφόσον διαπιστωθεί ότι κάποιοι απέχουν από την εκπαιδευτική διαδικασία.

-Ασκεί κάθε έργο ή εργασία που άπτεται της εκπαιδευτικής υποστήριξης των εκπαιδευόμενων.

-Βαθμολογεί τις εργασίες των εκπαιδευόμενων.

[1] Σύμφωνα με τον Εσωτερικό Κανονισμό Λειτουργίας του Κ.Ε.ΔΙ.ΒΙ.Μ., Άρθρο 8

Απαιτούμενα τυπικά προσόντα και απαραίτητα δικαιολογητικά : Απολυτήριο Λυκείου

Τρόπος επιλογής των εκπαιδευόμενων: Σειρά προτεραιότητας: μέχρι να καλυφθούν οι προσφερόμενες θέσεις

Τρόπος εγγραφής στο πρόγραμμα:

Η εγγραφή στο Πρόγραμμα γίνεται ηλεκτρονικά με την υποβολή Αίτησης Εγγραφής στο https://apps.eap.gr/kedivim/web/

Δίδακτρα και τρόπος πληρωμής:

Το ύψος τελών παρακολούθησης είναι 240 ευρώ

Δόσεις: Προεγγραφή 80 ευρώ και η εξόφληση των υπολοίπων διδάκτρων πραγματοποιείται σε 2 Δόσεις.  Η 1^η Δόση έως 29/04 και η 2^η Δόση έως 29/05 με την λήξη του Σεμιναρίου.

Δεν υπάρχει πολιτική επιστροφής χρημάτων

Εκπτωτική Πολιτική:

20%  Έκπτωση σε Άνεργους, Προσωπικό που εργάζεται σε ΑΕΙ, ΤΕΙ και Ερευνητικά Κέντρα της ημεδαπής και 2 ή περισσότερων ατόμων που συνδέονται με πρώτου ή δεύτερου βαθμού συγγένεια (απαραίτητη η επίδειξη των αντίστοιχων αποδεικτικών εγγράφων).

25%  Έκπτωση για Εφάπαξ προπληρωμή έως Παρασκευή 21/03.

30% Έκπτωση σε κάθε εκπαιδευόμενο σε περίπτωση συμμετοχής ομαδικών εγγραφών τριών ατόμων και άνω.

Οι παραπάνω εκπτωτικές κατηγορίες δεν λειτουργούν συνδυαστικά μεταξύ τους.

Τα δίδακτρα καταβάλλονται σε τραπεζικό λογαριασμό του ΕΛΚΕ του ΕΑΠ, με τα παρακάτω στοιχεία:

–Αριθμός λογαριασμού (IBAN): GR84 0171 3190 0063 1915 1450 278

-Τράπεζα: Τράπεζα Πειραιώς

-Στοιχεία δικαιούχου: ΕΛΚΕ ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

Στο αποδεικτικό κατάθεσης οπωσδήποτε να αναγράφεται κωδικός έργου: 80417, το όνομα και το επίθετο του καταθέτη καθώς και ο τίτλος του προγράμματος: Σύγχρονες Μέθοδοι Στατιστικής Ανάλυσης και παρουσίασης Ιατρο-βιολογικών δεδομένων με χρήση R, Python και Power BI».

Πληροφορίες: Υπεύθυνος Επικοινωνίας: Δημήτρης Πανάρετος, 6940690779