| Kods | IV0762 | |||||||||||||||||||||||||||||||||||||||
| Nosaukums | Biznesa datu apstrādes automatizācija | |||||||||||||||||||||||||||||||||||||||
| Statuss | Obligātais/Ierobežotās izvēles; Brīvās izvēles | |||||||||||||||||||||||||||||||||||||||
| Līmenis un tips | Pamatstudiju, Akadēmiskais | |||||||||||||||||||||||||||||||||||||||
| Tematiskā joma | Datormācība | |||||||||||||||||||||||||||||||||||||||
| Struktūrvienība | Inženierekonomikas un vadības fakultāte | |||||||||||||||||||||||||||||||||||||||
| Mācībspēks | Leonards Budņiks, Aleksejs Jurenoks, Svetlana Jurenoka, Dzintars Tomsons | |||||||||||||||||||||||||||||||||||||||
| Kredītpunkti | 3.0 | |||||||||||||||||||||||||||||||||||||||
| Daļas | 1 | |||||||||||||||||||||||||||||||||||||||
| Anotācija |
Studiju kurss attīsta praktiskas iemaņas Python izmantošanā biznesa datu apstrādes procesu automatizācijā. Uzsvars ir uz valodas pamatu izpratni un spēju lasīt, pielāgot un uzturēt kodu reālos darba scenārijos. Īpaša loma piešķirta ģeneratīvā mākslīgā intelekta (ĢMI) rīkiem kā mācīšanās partneriem — studenti mācās formulēt pieprasījumus, kritiski izvērtēt risinājumus un izmantot ĢMI koda skaidrošanai, testēšanai un darba plūsmu paātrināšanai.. |
|||||||||||||||||||||||||||||||||||||||
| Studiju kursa saturs |
|
|||||||||||||||||||||||||||||||||||||||
|
Mērķis un uzdevumi, izteikti kompetencēs un prasmēs |
Studiju kursa mērķis ir attīstīt spēju efektīvi lietot Python biznesa datu apstrādes procesu automatizācijā, apgūstot valodas pamatus, koda lasīšanu un rediģēšanu, kā arī ētisku ĢMI izmantojumu kā mācīšanās partneri. Studiju kursa uzdevumi: - veidot izpratni par Python pamatkonceptiem un algoritmiskās domāšanas principiem biznesa datu apstrādes procesos; - attīstīt prasmes lasīt, pielāgot un uzturēt esošo kodu, to piemērojot tipiskiem automatizācijas scenārijiem; - paplašināt zināšanas par Python ekosistēmas rīkiem un bibliotēkām integrācijai ar datu avotiem, failu un sistēmu automatizācijai un kvalitātes kontrolei; - veicināt drošu un ētisku ĢMI izmantojumu mācīšanās procesā un pilnveidot spēju novērtēt risinājumu atbilstību biznesa vajadzībām un organizācijas politikas prasībām. | |||||||||||||||||||||||||||||||||||||||
|
Sasniedzamie studiju rezultāti un to vērtēšana |
Izprot Python pamatkoncepcijas (datu tipi, vadības struktūras, funkcijas, moduļi) un algoritmiskās domāšanas principus biznesa datu apstrādes procesos. - Laboratorijas darbi, kontroldarbs 1 un projekts. Prot izstrādāt un pielāgot skriptus biznesa datu apstrādes procesu automatizācijai (failu operācijas, datu importēšana/eksportēšana, periodiskas darbības). - Laboratorijas darbi, kontroldarbs 2 un projekts. Orientējas Python ekosistēmas rīkos un bibliotēkās (piem., pandas, csv, json, pathlib) integrācijai ar datu avotiem un kvalitātes kontrolei; spēj izvēlēties atbilstošu risinājumu. - Laboratorijas darbi, kontroldarbs 2 un projekts. Spēj droši un ētiski lietot ģeneratīvo MI (ĢMI) kā mācīšanās partneri: formulē lietderīgus pieprasījumus, kritiski validē ģenerētos risinājumus un dokumentē ĢMI pielietojumu. - Projekts. |
|||||||||||||||||||||||||||||||||||||||
| Studiju rezultātu vērtēšanas kritēriji |
Laboratorijas darbi (4 darbi) - 30%
Tests Nr.1 - Python valodas pamatzināšanu pārbaudes tests. - 20% Tests Nr.2 - Python procesu automatizācijas bibliotēku zināšanu pārbaudes tests. - 20% Projekts - 30% |
|||||||||||||||||||||||||||||||||||||||
| Priekšzināšanas | Datorpratības pamatzināšanas, programmēšanas pamatu izpratne, | |||||||||||||||||||||||||||||||||||||||
| Studiju kursa plānojums |
|
|||||||||||||||||||||||||||||||||||||||
| Kursa apgūšanas cena klausītājam | Pilna laika studijas Klātiene |
Nepilna laika studijas Klātiene |
Nepilna laika studijas Neklātiene |
|---|---|---|---|