12 εβδομάδες Live Training · Μικρά Cohorts · Industry-Grade
Εντατικά, cohort-based προγράμματα για STEM απόφοιτους και επαγγελματίες στην αρχή της καριέρας τους. Δύο tracks — ένα σε Data Science & Causal Inference, ένα σε Python & Software Engineering. Και τα δύο χτισμένα γύρω από το πώς δουλεύουν πραγματικές ομάδες.
Η Προσέγγιση
Και τα δύο tracks μοιράζονται την ίδια φιλοσοφία: ο στόχος δεν είναι να διδάξουμε software ή μεθόδους στο κενό, αλλά να χτίσουμε την κρίση για να τα χρησιμοποιείς σωστά.
01
Στο data science, ένα κακοσχεδιασμένο experiment δίνει χειρότερες απαντήσεις από το καθόλου experiment. Στο software, το coding πριν τη σκέψη παράγει κώδικα που κανείς δεν μπορεί να συντηρήσει. Και τα δύο tracks ξεκινούν από αυτή την αλήθεια.
02
Selection bias, Simpson's paradox, mutable default arguments, bare except clauses. Οι συγκεκριμένοι τρόποι που τα πράγματα πάνε στραβά στην πράξη είναι κεντρικό κομμάτι της ύλης — όχι υποσημειώσεις.
03
Κάθε εβδομάδα χτίζει πάνω στην προηγούμενη. Στο τέλος, οι συμμετέχοντες δεν λύνουν μεμονωμένα προβλήματα — εφαρμόζουν ένα συνεκτικό σώμα γνώσης σε ένα project που σχεδίασαν οι ίδιοι.
04
Τα sessions έχουν περιορισμένες θέσεις ώστε οι ερωτήσεις να απαντιούνται, η δουλειά να γίνεται review και το feedback να είναι προσωπικό. Όχι ένα βιντεοσκοπημένο μάθημα με ένα forum που κανείς δεν διαβάζει.
Τα Δύο Tracks
Τα tracks είναι ανεξάρτητα και μπορείς να τα παρακολουθήσεις ξεχωριστά ή διαδοχικά. Μαζί καλύπτουν όλο το stack ενός σύγχρονου data-focused engineering ρόλου.
Πώς οι σύγχρονες data ομάδες απαντούν στο «τι προκάλεσε τι;» — σε product, marketing και policy περιβάλλοντα. Καλύπτει A/B testing, causal inference με observational data, και λήψη αποφάσεων υπό αβεβαιότητα.
Ιδανικό για: όσους στοχεύουν σε ρόλους data scientist, product analyst, ή experimentation.
Από το να γράφεις scripts μέχρι να χτίζεις tested, δομημένο software — όπως δουλεύουν στην πράξη οι engineering ομάδες. Καλύπτει όλη τη διαδρομή από τα θεμέλια της γλώσσας μέχρι APIs, databases και data analysis.
Ιδανικό για: STEM απόφοιτους, αποφοίτους bootcamp και analysts που θέλουν να κλείσουν το κενό ανάμεσα στο «δουλεύει στο μηχάνημά μου» και στα επαγγελματικά engineering standards.
Εβδομάδα προς Εβδομάδα
Και τα δύο tracks είναι δομημένα σε τέσσερις φάσεις — κάθε φάση χτίζει μια ξεχωριστή ικανότητα πριν ξεκινήσει η επόμενη. Τίποτα δεν εισάγεται πριν οι συμμετέχοντες είναι έτοιμοι για αυτό.
Phase 1
Σκέψη
Weeks 1–4
Week 1
Causality & Αποφάσεις
Correlation vs causation · διατύπωση επιχειρηματικών αποφάσεων
Week 2
Γιατί η Naive Ανάλυση Αποτυγχάνει
Selection bias · confounding · Simpson's paradox
Week 3
Εισαγωγή στα Experiments
Randomisation · treatment vs control · potential outcomes
Week 4
Σχεδιασμός Καλών Experiments
Hypotheses · metrics · experiment pitfalls
«Γιατί το causality είναι δύσκολο»
Phase 2
Μέτρηση
Weeks 5–8
Week 5
Hypothesis Testing
p-values · confidence intervals · παρερμηνείες
Week 6
Power & Sample Size
Effect size · χρόνος vs accuracy tradeoffs
Week 7
Experiment Pitfalls
Multiple testing · peeking · metric hacking
Week 8
Από Experiments σε Αποφάσεις
Practical vs statistical significance · business context
«Πώς τα experiments το λύνουν»
Phase 3
Causal Methods
Weeks 9–11
Week 9
Regression για Causal Inference
Regression ως adjustment · assumptions
Week 10
Interrupted Time Series
Trend vs level change · pre/post ανάλυση
Week 11
Synthetic Control
Weighted comparison groups · κατασκευή counterfactuals
«Τι κάνεις όταν τα experiments αποτυγχάνουν»
Phase 4
Σύνθεση
Week 12
Week 12
Επιλογή της Σωστής Μεθόδου
Decision framework · τεκμηρίωση assumptions · παρουσίαση πρότασης
Decision Framework
Μπορείς να κάνεις randomise → A/B test
Χρονικά εξαρτημένο → ITS
Συγκρίσιμες ομάδες → Synthetic
Control
Observational + covariates → Regression
«Πώς να επιλέξεις»
Phase 1
Γλώσσα & Σκέψη
Weeks 1–4
Week 1
Environment & Mental Model
VS Code · variables · types · f-strings
Week 2
Data Structures
Lists · dicts · tuples · mutability
Week 3
Control Flow
Conditionals · loops · comprehensions
Week 4
Functions & Scope
Parameters · returns · scope · recursion
«Πώς σκέφτεται η Python»
Phase 2
Δομή & Κλίμακα
Weeks 5–8
Week 5
Objects & Classes
__init__ · methods · inheritance · πότε να μην χρησιμοποιείς classes
Week 6
Modules & Packages
Import system · venv · pip · stdlib tour
Week 7
Files, Errors & I/O
CSV · JSON · try/except · context managers
Week 8
CLI Tools
argparse · stdin/stdout/stderr · exit codes
«Γράφεις κώδικα που χρησιμοποιούν κι άλλοι»
Phase 3
Real-World Patterns
Weeks 9–11
Week 9
Testing & Unit Tests
pytest · edge cases · mocking · test-driven habits
Week 10
APIs, Data & FastAPI
requests · REST APIs · FastAPI · pagination
Week 11
Databases & SQL
SQL fundamentals · T-SQL · queries · schemas
«Κώδικας που δουλεύει στην πράξη»
Phase 4
Σύνθεση
Week 12
Week 12
Capstone & Decision Framework
Σχεδιασμός πριν το coding · script vs module vs package · παρουσιάζεις τις επιλογές σου
Decision Framework
Εφάπαξ εργασία → script
Κοινή λογική → module
Διανεμητό εργαλείο →
package
Σχετιζόμενο
state + behaviour → class
«Πώς να επιλέξεις»
Μοντέλο Συνεργασίας
Το training γίνεται σε μικρά cohorts ώστε να υπάρχει ουσιαστική αλληλεπίδραση, feedback και ρεαλιστική δουλειά σε projects.
12 εβδομάδες live πρόγραμμα σε μικρή ομάδα. Εβδομαδιαία sessions, δομημένες ασκήσεις και ένα capstone project. Το μέγεθος του cohort είναι περιορισμένο ώστε να υπάρχει ουσιαστική αλληλεπίδραση και code review.
Όλα όσα περιλαμβάνει το cohort track, συν τακτικά 1:1 sessions για code review, καθοδήγηση καριέρας και εξατομικευμένο feedback στη δουλειά σου. Ο πιο άμεσος δρόμος προς αποτέλεσμα επαγγελματικού επιπέδου.
Πιο δημοφιλέςΠαρέχεται σε συγκεκριμένη ομάδα ή οργανισμό. Το αντικείμενο, ο ρυθμός και τα παραδείγματα προσαρμόζονται στο stack και το use case σας. Κατάλληλο για ομάδες που εντάσσουν junior engineers ή κάνουν upskilling σε analysts.
Γιατί Αυτό
Κάθε εβδομάδα χτίζει πάνω στην προηγούμενη. Στο τέλος, οι συμμετέχοντες παρουσιάζουν ένα ολοκληρωμένο project που σχεδίασαν οι ίδιοι — όχι ένα portfolio από μεμονωμένες ασκήσεις.
Οι συγκεκριμένοι τρόποι που τα πράγματα πάνε στραβά στην πράξη — Simpson's paradox, bare except clauses, hardcoded paths — είναι κεντρικό κομμάτι της ύλης, όχι υποσημειώσεις.
Όχι toy frameworks. Όχι συντομεύσεις που μετά πρέπει να ξεμάθεις. Τα εργαλεία, τα workflows και οι συνήθειες είναι αυτά που θα συναντήσεις από την πρώτη μέρα σε έναν πραγματικό ρόλο.
4–10 άτομα. Τα sessions έχουν περιορισμένες θέσεις ώστε οι ερωτήσεις να απαντιούνται, η δουλειά να γίνεται review και το feedback να είναι προσωπικό — όχι ένα βιντεοσκοπημένο μάθημα με ένα forum.
Και τα δύο tracks είναι χτισμένα γύρω από την ίδια αρχή: ο στόχος δεν είναι να αποστηθίσεις εργαλεία, αλλά να αναπτύξεις την κρίση να ξέρεις πότε και πώς να τα χρησιμοποιείς.
Και τα δύο tracks ξεκινούν από το μηδέν και προχωρούν σταθερά. Αυτό που απαιτείται είναι η διάθεση να το αντιμετωπίσεις ως σοβαρή επαγγελματική εκπαίδευση — όχι ως casual coursework.
Γιατί TechSchool
Τα περισσότερα μαθήματα στην Ελλάδα διδάσκουν εργαλεία. Εμείς διδάσκουμε κρίση. Δες πώς συγκρινόμαστε με τις άλλες επιλογές που έχεις αυτή τη στιγμή.
| Τι να προσέξεις | TechSchool | Πανεπιστημιακό MSc (ΟΠΑ, ΕΚΠΑ) | Ανταγωνιστές | Online πλατφόρμες (Coursera, Udemy) |
|---|---|---|---|---|
| Διδασκαλία από ενεργούς επαγγελματίες του χώρου | ✓ Οι instructors δουλεύουν στον χώρο καθημερινά | ~ Μείγμα ακαδημαϊκών & επαγγελματιών | ✓ Instructors από τον χώρο | – Βιντεοσκοπημένα, χωρίς άμεση πρόσβαση |
| Μέγεθος cohort | ✓ 4–10 άτομα — εγγυημένη προσοχή | – 20–60+ ανά μάθημα | ~ Έως 20 συμμετέχοντες | – Χιλιάδες, χωρίς αλληλεπίδραση |
| Έμφαση σε causal inference & A/B testing | ✓ Αποκλειστικό 12-εβδομάδων track | ~ Μόνο σε επιλεγόμενα μαθήματα | – Έμφαση σε ML/AI, όχι causal methods | – Σπάνια προσφέρεται ως track |
| Software engineering (testing, APIs, SQL) | ✓ Αποκλειστικό Python engineering track | – Ελάχιστο, θεωρητικό | ~ Περιλαμβάνεται, DS-oriented | ~ Διάσπαρτο σε πολλά μαθήματα |
| Προσωπικό code review κάθε εβδομάδα | ✓ Σε κάθε session | – Σπάνια έως ποτέ | ~ Μόνο ομαδικά sessions | – Μη διαθέσιμο |
| Συμβατό με πλήρη απασχόληση | ✓ 1 session/εβδομάδα — σχεδιασμένο γι' αυτό | – Δέσμευση 1.5–3 ετών | ~ Part-time επιλογή (24 εβδ., εντατικό) | ✓ Self-paced, αλλά οι περισσότεροι δεν τελειώνουν |
| Τοποθετημένο για την εποχή του AI | ✓ Διδάσκει κρίση που το AI δεν αντικαθιστά | ~ Ερευνητικό, λιγότερο εφαρμοσμένο | ~ Προσθέτουν AI εργαλεία στην ύλη | – Διδάσκουν εργαλεία που το AI ήδη αυτοματοποιεί |
Ελληνικές εταιρείες αναφέρουν δυσκολία στην πρόσληψη junior data και engineering επαγγελματιών λόγω έλλειψης πρακτικών δεξιοτήτων. Κάθε άσκηση προέρχεται από πραγματικά σενάρια εργασίας — όχι προβλήματα από βιβλίο, όχι toy datasets. Κώδικας που πραγματικά τρέχει.
Το AI μπορεί να παράγει κώδικα και να τρέχει αναλύσεις. Αυτό που δεν μπορεί είναι να κρίνει αν ένα experiment είναι καλοσχεδιασμένο, να εντοπίσει ένα confounding variable, ή να κρίνει αν το αποτέλεσμα είναι σωστό. Διδάσκουμε το judgment layer — το κομμάτι που παραμένει πολύτιμο ακριβώς επειδή υπάρχει το AI.
Data scientists που γράφουν tested, deployable κώδικα. Engineers που κατανοούν causality και experimentation. Ο επαγγελματίας που καλύπτει και τις δύο πλευρές είναι σπάνιος στην ελληνική αγορά — και δυσανάλογα περιζήτητος.
Θα φύγεις με ένα capstone project που σχεδίασες ο ίδιος, κώδικα που έχει περάσει από review, και το συγκεκριμένο λεξιλόγιο και τις συνήθειες που σε βγάζουν ασπροπρόσωπο στα technical interviews.
Ξέρεις ήδη πώς να δουλεύεις. Αυτό το πρόγραμμα σου δίνει το συγκεκριμένο τεχνικό υπόβαθρο που απαιτεί ο νέος σου ρόλος — χωρίς ένα 2ετές master ή ένα full-time bootcamp που σε αναγκάζει να παρατήσεις τη δουλειά σου.
Όταν Ολοκληρώσεις
Κάθε track είναι χτισμένο ώστε η τελευταία εβδομάδα να παράγει κάτι που μπορείς να δείξεις, να παρουσιάσεις και να υπερασπιστείς σε interviews.
Σχεδίασε, χτίσε & παρουσίασε το δικό σου εργαλείο, από την αρχή ως το τέλος.
CV, portfolio & mock interviews με την ολοκλήρωση.
Ξεχώρισε με μια καλοδουλεμένη παρουσία σε LinkedIn & portfolio.
Πρόσβαση σε μια κοινότητα από επιτυχημένους alumni & mentors.
Στο τέλος του μαθήματος φεύγεις με portfolio & δεξιότητες που παρουσιάζεις σε interviews.
Κάνε Αίτηση
Άφησε τα στοιχεία σου και το track που σε ενδιαφέρει. Θα επικοινωνήσουμε μαζί σου για το επόμενο cohort, τις ημερομηνίες, και πώς να εξασφαλίσεις μία από τις περιορισμένες θέσεις.
Απαντάμε εντός 1 εργάσιμης ημέρας. Ποτέ spam.