| Kods | DMI728 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Nosaukums | Datizrace un zināšanu atklāšana | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Statuss | Obligātais/Ierobežotās izvēles | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Līmenis un tips | Augstākā līmeņa, Akadēmiskais | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Tematiskā joma | Datorika | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Struktūrvienība | Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Mācībspēks | Sergejs Paršutins, Inese Poļaka, Pāvels Osipovs | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Kredītpunkti | 4.0 (6.0 ECTS) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Daļas | 1 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Anotācija |
Zināšanu atklāšana ir process, kurā noderīga informācija (zināšanas) tiek automātiski iegūta no datiem. Šo procesu var arī definēt kā zināšanu iegūšana no lieliem datu apjomiem. Datizrace ir zināšanu atklāšanas procesa algoritmiskā daļa, posms, kurā tiek pielietoti algoritmi jau sagatavoto datu analīzei. Datizrace un zināšanu atklāšana ir starpdisciplināra tehnoloģija lielo datu apjomu apstrādei, kas apvieno tradicionālās datu analīzes metodes ar moderniem algoritmiem no tādiem zinātniskiem virzieniem kā statistika, datu bāžu tehnoloģijas, mašīnapmācība, tēlu atpazīšana, mākslīgie neironu tikli, nestingrā skaitļošana (Soft Computing) u.c. Tas paver plašas iespējas jaunu, kā arī jau esošo datu tipu pētīšanai un analīzei, izmantojot jaunas metodes. Kursa ietvaros tiek apskatītas datu pirmapstrādes tehnoloģijas; klasifikācijas un klasteru analīzes metožu un algoritmu pielietošana zināšanu atklāšanai; īsu laika rindu un to raksturojošo parametru analīzes un apstrādes pieejas; izplūdusi loģika un zināšanu atklāšana izplūdušajā vidē; uz mākslīgiem neironu tīkliem balstītas datu analīzes metodes un pieejas. Kā arī tiek apskatītas datizraces un zināšanu atklāšanas praktiskās pielietošanas jomas. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa saturs |
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Mērķis un uzdevumi, izteikti kompetencēs un prasmēs |
Sniegt padziļinātas teorētiskās un praktiskās zināšanas datizraces un zināšanu atklāšanas metožu un algoritmu izmantošanā dažādās jomās | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Sasniedzamie studiju rezultāti un to vērtēšana |
Spēj definēt datu pirmapstrādes soļus, izvēlēties metodes un pielietot tās datu pirmapstrādei - Teorētiskā daļa: eksāmens;
Praktiskā daļa: darbs par tēmu „Datu sagatavošana analīzei” Spēj izveidot un pielietot datu klasifikācijas un klasteru analīzes modeļus zināšanu atklāšanai - Teorētiskā daļa: eksāmens; Praktiskā daļa: darbs par tēmu „Klasifikācijas un klasteru analīzes modeļi” Spēj analizēt īsas laika rindas un to raksturojošos parametrus ar datizraces un zināšanu atklāšanas metodēm un algoritmiem - Teorētiskā daļa: eksāmens; Praktiskā daļa: darbs par tēmu „Datizraces metodes īsu laika rindu un to raksturojošo parametru analīzei” Spēj izveidot, apmācīt un pielietot mākslīgo neironu tīklu datizraces un zināšanu atklāšanas uzdevumu risināšanai - Teorētiskā daļa: eksāmens; Praktiskā daļa: darbs par tēmu „Datu analīze ar mākslīgiem neironu tīkliem” Spēj integrēt izplūdušo loģiku ar datizraces metodēm un algoritmiem un pielietot to klasifikācijas, klasteru analīzes un citu datizraces un zināšanu atklāšanas uzdevumu risināšanai - Teorētiskā daļa: eksāmens; Praktiskā daļa: darbs par tēmu „Klasifikācija un klasteru analīze izplūdušajā vidē” |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju rezultātu vērtēšanas kritēriji |
Teorētiskās zināšanas tiek vērtētas ar testveida eksāmenu - 30%
Pašvērtējums. Par katru tēmu tiks kārtots kontroldarbs. Kopējā vērtējuma tiks ņemta kontroldarbu vidējā atzīme - 10% Prasmes pielietot teorētiskās zināšanas praksē tiks vērtētas ar patstāvīgiem praktiskiem darbiem. Kopējā vērtējumā tiks ņemta patstāvīgo darbu vidējā atzīme - 60% |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Priekšzināšanas | Matemātika. Datu apstrāde un komplekso aprēķinu veikšana MS Excel vidē, programmēšana bāzes līmenī. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa plānojums |
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||