| Kods | DE0601 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Nosaukums | Datu vizualizācijas pamati | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Statuss | Brīvās izvēles | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Līmenis un tips | Pamatstudiju, Akadēmiskais | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Tematiskā joma | Datorika | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Struktūrvienība | Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Mācībspēks | Vita Šakele | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Kredītpunkti | 3.0 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Daļas | 1 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Anotācija |
Datu vizualizācija ir neatņemama datu analīzes un datu zinātnes daļa. Ar tās palīdzību tiek veikta gan datu pētnieciskā analīze, gan datu un to analīzes rezultātu prezentēšana dažādām mērķauditorijām. Studiju kursa ietvaros studenti apgūst datu vizualizāciju ar programmēšanas valodām Python un R, kas ir nozīmīgākās programmēšanas valodas datu zinātnē, kā arī iepazīstas ar datu vizualizācijas rīkiem Power BI un Tableau. Datu vizualizāciju valodā R ir iespējams veikt ar tās bāzes pakotnē ietilpstošajiem līdzekļiem. Tomēr papildus pakotņu lietošana nodrošina bagātīgākas vizualizācijas iespējas. Studiju kursa ietvaros studenti apgūst valodas R pakotni ggplot2 (un tās analogu - valodas Python bibliotēku plotnine), ar kuru ir iespējams izveidot grafikus un diagrammas gan viena mainīgā, gan divu, gan vairāku mainīgo attēlošanai. Arī valodas Python bibliotēku matplotlib un seaborn apgūšana ir iekļauta kursā. Studentus iepazīstina arī ar specifiskām pakotnēm interaktīvajai un telpisko datu vizualizācijai, kā arī ar datu vizualizācijas rīkiem Power BI un Tableau. Paralēli datu vizualizācijai studenti apgūst arī vienkāršas manipulācijas ar datiem. Izstrādājot patstāvīgo darbu, studenti gūst iemaņas darbā ar pakotnēm RMarkdown, knitr un tīmekļa lietotni Jupyter Notebook, kas atbalsta atskaites dokumenta veidošanu un programmatūras koda dokumentēšanu jau vizualizācijas izstrādes laikā, kā arī dokumenta eksportu dažādos formātos, tādā veidā nodrošinot atkārtoti reproducējamu datu analīzi. Visas kursa nodarbības notiek datorklasē, tādā veidā sniedzot studentiem iespēju iegūtās zināšanas uzreiz izmantot praksē, un lekciju teorētisko materiālu papildina nodarbības laikā risināmie uzdevumi.. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa saturs |
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Mērķis un uzdevumi, izteikti kompetencēs un prasmēs |
Studentu mērķis - iegūt zināšanas un prasmes datu vizualizēšanā ar programmēšanas valodām Python un R un datu vizualizācijas rīkiem Power BI un Tableau. Kursa noslēgumā studenti pratīs izvēlēties datu dabai piemērotāko diagrammu un izveidot to, izmantojot dažādas pakotnes un bibliotēkas, kā arī dokumentēt veikto datu analīzi. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Sasniedzamie studiju rezultāti un to vērtēšana |
Studenti spēj izvēlēties vizualizāciju, kas atbilst datu dabai un vislabāk tos atklāj, un pamatot savu izvēli - Uzdevumi lekciju laikā. Ieskaites darbs un tā aizstāvēšana. Studenti prot izveidot grafikus un diagrammas valodās Python un R, kas atklāj viena, divu un vairāku mainīgo datus - Uzdevumi lekciju laikā. Ieskaites darbā izveidotie grafiki. Studenti prot veidot datu apstrādes, analīzes un vizualizācijas atskaites ar Jupyter Notebook un RMarkdown - Ieskaites darba noformējums. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju rezultātu vērtēšanas kritēriji |
Uzdevumi par grafiku novērtēšanu - 10%
Programmēšanas uzdevumi - 10% Ieskaites darbs - 80% |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Priekšzināšanas | Matemātiskās statistikas pamatjēdzieni un minimālas prasmes programmēšanā. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa plānojums |
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||