DE1069 Ievads datu analīzē ar mašīnmācīšanos

Kods DE1069
Nosaukums Ievads datu analīzē ar mašīnmācīšanos
Statuss Obligātais/Ierobežotās izvēles
Līmenis un tips Pamatstudiju, Akadēmiskais
Tematiskā joma Datorika
Struktūrvienība Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte
Mācībspēks Ilze Birzniece
Kredītpunkti 6.0
Daļas 1
Anotācija Datu apjoms pasaulē pieaug ik dienu, un šajos datos slēpjas potenciāla vērtība. Jaunu sakarību izpēte un atklāšana datos mūsdienās ir būtiska zināšanu attīstības sastāvdaļa dažādās zinātnes nozarēs. Datu izpēte, vizualizācija, statistiskā analīze un informācijas paneļi veido datu analīzes pamatu. Zināšanu atklāšana datos ir process, kas ietver datu izgūšanu, datu priekšapstrādi, atbilstošu analīzes metožu izvēli un pielietošanu, kā arī rezultātu interpretēšanu. Datizrace (data mining) ir statistikas un mašīnapmācības metožu lietojums vēsturiskajiem vai eksperimentālajiem datiem ar mērķi iegūt skaidrojumus, atklāt likumsakarības vai veidot prognozes..
Studiju kursā tiek apskatītas galvenās datizraces pieejas pārraudzītajā un nepārraudzītajā apmācībā – regresija, klasifikācija, klasterēšana – iepazīstoties ar populārākajām metodēm katrā no tām. Kā aktuāla joma tiek aplūkota teksta datu (nestrukturētu un daļēji strukturētu) analīze, kā arī ģeneratīvā mākslīgā intelekta rīku izmantošana datu analītikā..
Studiju kursa uzsvars tiek likts uz analītikas izpratnes veidošanu un praktisku darbošanos, ar bezkoda rīkiem un Python programmēšanas valodu veicot datu analīzi reālām datu kopām un interpretējot iegūtās sakarības..
Studenti strādā komandās un pielieto apgūtās zināšanas un prasmes datu analīzē, izstrādājot integrētu kursa projektu. .
Studiju kursa apguvei nav nepieciešamas iepriekšējās zināšanas datizracē vai programmēšanā..
Studiju kursa saturs
Saturs Pilna un nepilna laika klātienes studijas Nepilna laika neklātienes studijas
Kontaktstundas Patstāvīgais darbs Kontaktstundas Patstāvīgais darbs
Ievads datu analīzē 4 4 0 0
Datu apstrāde un izpēte: datu tipi, priekšapstrāde, datu tīrīšana un normalizēšana 8 8 0 0
Statistika eksperimentu datu analīzei: aprakstošā statistika, secinošā statistika (hipotēžu pārbaude ar parametriskajiem un neparametriskajiem testiem), korelāciju analīze, netipisku vērtību noteikšana 16 16 0 0
Datu atspoguļošana un visualizācija 4 4 0 0
Datizrace un sakarību atklāšana datos 4 4 0 0
Regresijas analīze 4 4 0 0
Klasifikācija, izmantojot lēmumu kokus un likumus, gadījuma mežus un mākslīgos neironu tīklus 4 4 0 0
Prognožu novērtēšana, metrikas 4 4 0 0
Klasterēšana, izmantojot K-vidējo algoritmu, hierarhiskās pieejas un DBSCAN algoritmu 4 4 0 0
Tekstizrace un nestrukturētu datu analīze izmantojot vektoru telpas modeli ar TF–IDF un lielos valodu modeļus 4 4 0 0
Datu analīzes rīki – bezkoda un koda 2 2 0 0
Datu un to analīzes ētiskie aspekti 4 4 0 0
Datu analītikas projekta izstrāde un prezentēšana 16 16 0 0
Kopā: 78 78 0 0
Mērķis un uzdevumi, izteikti
kompetencēs un prasmēs 		Studiju kursa mērķis ir attīstīt studējošo izpratni par datu analītikas iespējām un prasmes izvēlēties un lietot atbilstošas pieejas konkrētām datu apstrādes vajadzībām. Studiju kursa uzdevumi: - iepazīstināt studējošos ar datu analīzes vajadzībām un iespējām dažādās jomās; - veidot izpratni par datu ieguves un apstrādes procesiem, lai iegūtu datos balstītas zināšanas; - attīstīt prasmes darbā ar datizraces metodēm un rīkiem biznesa lēmumu atbalstam; - veicināt analītiskās spējas, kritisko domāšanu un akadēmiskās rakstīšanas prasmes.
Sasniedzamie studiju
rezultāti un to vērtēšana 		Pārzina datu priekšapstrādes uzdevumus un atbilstošās statistiskās metodes. - Vērtēšanas metodes: projekts, eksāmens. Kritēriji: spēj identificēt datu priekšapstrādes uzdevumus un izvēlēties atbilstošas satistiskās metodes konkrētos gadījumos.
Spēj raksturot galvenās datizraces pieejas, prot izvēlēties un pielietot atbilstošas metodes konkrētiem datiem. - Vērtēšanas metodes: izpildīti praktiskie darbi, projekts, eksāmens. Kritēriji: spēj raksturot un atšķirt galvenās datizraces pieejas, izvēlēlas un prot pielietot metodes atbilstoši konkrētiem datiem.
Spēj analizēt jomas vajadzības un sasaistīt tās ar datu analītikas iespējām. - Vērtēšanas metodes: projekts, eksāmens. Kritēriji: spēj demonstrēt izpratni par dažādu uzdevumu vajadzībām saistībā ar datu analītikas pielietošanu.
Izmantojot zināšanas datu analīzē un prasmes lietot datizraces rīkus, spēj radīt risinājumus zināšanu iegūšanai no datiem un to reprezentēšanai. - Vērtēšanas metodes: izpildīti praktiskie darbi, projekts. Kritēriji: spēj izstrādāt praktiski pielietojamu datorizētu risinājumu datu vizualizācijai, priekšapstrādei un mašīnmācīšanās metožu izmantošanai.
Prot veikt dažāda tipa uzdevumus, ievērojot akadēmiskā godīguma principus un jomas ētiku. - Vērtēšanas metodes: izpildīti praktiskie darbi, projekts, eksāmens. Kritēriji: uzdotos uzdevumus veic, nepārkāpjot akadēmiskā godīguma principus un lēmumu pieņemšanā izmanto profesionālo ētiku.
Studiju rezultātu vērtēšanas kritēriji
Praktiskie darbi - 40%
Projekta darbs - 30%
Eksāmens - 30%
 
Priekšzināšanas Pamatzināšanas par datu glabāšanu un apstrādi ar lietojumprogrammatūru, statistikas pamati.
Studiju kursa plānojums
Daļa KP Stundas Pārbaudījumi
Lekcijas Prakt. d. Lab. Ieskaite Eksāmens Darbs
1 6.0 39.0 39.0 0.0 *
Pieteikties uz šo kursu
[Kursa apraksts PDF formātā]