| Kods | HEP011 | ||||||||||||||||||||||||||||||||||
| Nosaukums | Datu zinātne fizikai | ||||||||||||||||||||||||||||||||||
| Statuss | Obligātais/Ierobežotās izvēles | ||||||||||||||||||||||||||||||||||
| Līmenis un tips | Doktora, Akadēmiskais | ||||||||||||||||||||||||||||||||||
| Tematiskā joma | Fizika | ||||||||||||||||||||||||||||||||||
| Struktūrvienība | Dabaszinātņu un tehnoloģiju fakultāte | ||||||||||||||||||||||||||||||||||
| Mācībspēks | Kārlis Dreimanis | ||||||||||||||||||||||||||||||||||
| Kredītpunkti | 4.0 (6.0 ECTS) | ||||||||||||||||||||||||||||||||||
| Daļas | 1 | ||||||||||||||||||||||||||||||||||
| Anotācija |
Šis ierobežotās izvēles studiju kurss sniedz ievadu mašīnmācības un lielo datu pamatkonceptos ar uzsvaru ar šo konceptu pielietojumu zinātnē. Studiju kurss sākas ar īsu vēsturisku ievadu datorikā, algoritmos un mašīnmācībā. Pēcāk, fokuss tiek vērsts uz multi-variāciju analīzes rīkiem, kā lēmumu koki un neironu tīkli, kā arī uz to pielietojumu modernā daļiņu fizikā. Tad kurss pievēršas dziļākiem mašīnmācības konceptiem, kā regresija un pārvaldītā vai nepārvaldītā mašīnmācība. Visbeidzot, studiju kurss iepazīstina dažādus specifiskus tematus, kā piemērām, Monte-Carlo simulāciju.. |
||||||||||||||||||||||||||||||||||
| Studiju kursa saturs |
|
||||||||||||||||||||||||||||||||||
|
Mērķis un uzdevumi, izteikti kompetencēs un prasmēs |
Šī studiju kursa mērķis nav sniegt visaktuālāko ieskatu tieši mašīnmācībā, bet gan to iepazīstināt plašāk ar fokusu uz tās pielietojumu zinātnē. Studiju kursa uzdevumi: 1. Iepazīstināt studentus ar mašīnmācības un algoritmu vēsturi. 2. Sniegt pamatkompetences un pamatprasmes mašīnmācības tematikā. 3. Iepazīstināt studentus ar mašīnmācības rīkiem, kā lēmumu koki un neironu tīkli. | ||||||||||||||||||||||||||||||||||
|
Sasniedzamie studiju rezultāti un to vērtēšana |
Students spēj izprast un izskaidrot Mašīnmācības pamatprincipus un konceptus. - Eksaminācija: mājas darbu uzdevumi.
Vērtēšana: students ir spējīgs izpildīt pamata līmeņa uzdevumus. Students spēj izprast un pielietot multi-variāciju analīzes metodes specifiskās problēmās. - Eksaminācija: mājas darbu uzdevumi. Vērtēšana: students ir spējīgs izpildīt pamata līmeņa uzdevumus. Studenti ir dziļāk iepazinis specifiskus datu zinātnes konceptus, kas ir atbilstoši viņu zinātnes nozarei, kā piemēram datu apstrādi, vizualizāciju un Monte-Carlo simulāciju. - Eksaminācija: mājas darbu uzdevumi. Vērtēšana: students ir spējīgs izpildīt pamata līmeņa uzdevumus. Students pilnībā izprot konkrētu izvēlētu mājas darbu uzdevumu un ir spējīgs to sīki izskaidrot sava zināšanu līmeņa auditorijai. - Eksaminācija: mājas darbu uzdevums un prezentācija. Vērtēšana: Students ir spējīgs sīki izskaidrot doto problēmu. |
||||||||||||||||||||||||||||||||||
| Studiju rezultātu vērtēšanas kritēriji |
Mājas darbi un uzdevumi - 80%
Gala uzdevums un prezentācija - 20% |
||||||||||||||||||||||||||||||||||
| Priekšzināšanas | Matemātika, datorika | ||||||||||||||||||||||||||||||||||
| Studiju kursa plānojums |
|
||||||||||||||||||||||||||||||||||