DMI738 Datu apstrādes un datizraces pamati

Kods DMI738
Nosaukums Datu apstrādes un datizraces pamati
Statuss Obligātais/Obligātais izvēles
Līmenis un tips Pamatstudiju, Akadēmiskais
Tematiskā joma Datorika
Struktūrvienība Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte
Mācībspēks Sergejs Paršutins, Arnis Kiršners, Inese Poļaka, Darja Plinere
Kredītpunkti 3.0 (4.5 ECTS)
Daļas 1
Anotācija Datu apstrāde un datizrace nodrošina metožu un tehnoloģiju kopumu, kas ļauj pārvērst uzņēmumā pieejamos datus noderīgā informācijā un zināšanās. Datu apstrāde risina datu izgūšanas, datu transformēšanas un datu strukturēšanas problēmas. Tās rezultātā dati tiek sagatavoti tālākai apstrādei. Datizrace risina datu analīzes problēmas, lai atklātu iepriekš nezināmas attiecības starp datiem. Datizraces rezultāti ļauj uzņēmumiem un sistēmām pieņemt pareizus un pamatotus lēmumus. .
Kursā tiek aptverta datu apstrāde un analīze, sākot no datu izgūšanas no datu avotiem līdz zināšanu iegūšanai un to prezentācijai lietotājam saprotamā formā. Kursa tēmas ietver datu glabāšanas veidu un tehnoloģiju apskatu, datu analīzes metodes, ietverot gan klasiskās statistikas, gan modernas mašīnapmācības un datizraces metodes..
Studiju kursa saturs
Saturs Pilna un nepilna laika klātienes studijas Nepilna laika neklātienes studijas
Kontaktstundas Patstāvīgais darbs Kontaktstundas Patstāvīgais darbs
Ievads priekšmetā un darba organizācija 2 0 0 0
Datu izgūšana un strukturēšana 4 4 0 0
Datu transformēšana un datu kvalitāte 4 4 0 0
Datu sagatavošana analīzei 4 4 0 0
Datu statistiskā analīze 4 4 0 0
Lineārās regresijas pamati 8 8 0 0
Klasifikācijas algoritmi, rezultātu interpretācija 8 8 0 0
Klasterizācijas algoritmi, rezultātu interpretācija 8 8 0 0
Ievads mākslīgajos neironu tīklos 4 4 0 0
Prognozēšana ar mākslīgajiem neironu tīkliem 6 8 0 0
Datu analīzes rezultātu pasniegšana 8 8 0 0
Kopā: 60 60 0 0
Mērķis un uzdevumi, izteikti
kompetencēs un prasmēs 		Sniegt pamata teorētiskās un praktiskās zināšanas datu savākšanas, uzglabāšanas, apstrādes, analīzes un prezentācijas metožu un algoritmu izmantošanā dažādās problēmsfērās un nozarēs.
Sasniedzamie studiju
rezultāti un to vērtēšana 		Spēj izgūt datus no datu avotiem un strukturēt tos dažādos datu glabāšanas veidos - Teorētiskā daļa: eksāmens; Praktiskā daļa: darbs par tēmu „Datu izgūšana, strukturēšana un sagatavošana analīzei”, 1. daļa.
Spēj realizēt datu apstrādes darbplūsmas, transformēt datus, novērtēt datu kvalitāti un sagatavot datus analīzei - Teorētiskā daļa: eksāmens; Praktiskā daļa: darbs par tēmu „Datu izgūšana, strukturēšana un sagatavošana analīzei”, 2. daļa.
Spēj atklāt sakarības datos ar klasiskajām statistiskās analīzes metodēm (regresija, korelācija, X2 tests) - Teorētiskā daļa: eksāmens; Praktiskā daļa: darbs par tēmu „Datu statistiskā analīze”
Spēj izveidot datu klasifikācijas modeli un pielietot to jaunu ierakstu klasifikācijai - Teorētiskā daļa: eksāmens; Praktiskā daļa: darbs par tēmu „Klasifikācijas uzdevums un algoritmi”
Spēj veikt datu analīzi, pielietojot datu klasterizācijas algoritmus - Teorētiskā daļa: eksāmens; Praktiskā daļa: darbs par tēmu „Klasterizācijas uzdevums un algoritmi”
Spēj pielietot mākslīgus neironu tīklus prognozēšanas uzdevumu risināšanai - Teorētiskā daļa: eksāmens; Praktiskā daļa: darbs par tēmu "Prognozēšana ar mākslīgajiem neironu tīkliem"
Spēj pasniegt un vizualizēt datu apstrādes un analīzes rezultātus - Teorētiskā daļa: eksāmens; Praktiskā daļa: darbs par tēmu "Datu analīzes rezultātu pasniegšana"
Studiju rezultātu vērtēšanas kritēriji
Laboratorijas darbu atskaites - 30%
Gala pārbaudījums teorētisko un praktisko zināšanu novertēšanai - 50%
Eksāmens - 20%
 
Priekšzināšanas Matemātika, matemātiskā statistika, datu bāzu vadības sistēmas, programmēšana bāzes līmenī
Studiju kursa plānojums
Daļa KP EKPS Stundas nedēļā Pārbaudījumi
Lekcijas Prakt. d. Lab. Ieskaite Eksāmens Darbs
1 3.0 4.5 2.0 1.0 0.0 *
Pieteikties uz šo kursu
[Kursa apraksts PDF formātā]