| Kods | DE0950 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Nosaukums | Mašīnmācīšanās papildnodaļas | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Statuss | Obligātais/Ierobežotās izvēles | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Līmenis un tips | Augstākā līmeņa, Akadēmiskais | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Tematiskā joma | Datorika | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Struktūrvienība | Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Mācībspēks | Arnis Kiršners, Sergejs Paršutins, Solvita Bērziša | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Kredītpunkti | 6.0 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Daļas | 1 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Anotācija |
Mašīnmācīšanās ir mākslīgā intelekta tehnoloģiju metožu un pieeju kopums, kas dod sistēmām iespēju automātiski mācīties - pielāgoties esošiem faktoriem, iegūt zināšanas no reāliem datiem un automātiski modificēt savu funkcionēšanas algoritmu bez cilvēka tiešās iejaukšanas procesā. . Mašīnmācīšanās apvieno metodes un tehnoloģijas lielo datu apjomu apstrādei no tādām nozarēm kā statistiskā analīze, uzraudzītā un neuzraudzītā mācīšanās, datorredze un datordzirde, mākslīgie neironu tīkli, t.sk. arī dziļie mākslīgie neironu tīkli - dziļā mašīnmācīšanās; laika rindu analīze un prognozēšana, izplūdušās tehnoloģijas, nestingra skaitļošana (Soft computing), u.c. . Kursa ietvaros tiek apskatītas dažādu datu pirmapstrādes tehnoloģijas; klasifikācijas un klasteru analīzes metožu un algoritmu pielietošana zināšanu atklāšanai dažādos uzdevumos; laika rindu un to raksturojošo parametru analīzes un apstrādes pieejas; uz mākslīgiem neironu tīkliem balstītas datu analīzes metodes un pieejas; datordzirdes tehnoloģijas; datorredzes tehnoloģijas un zināšanu iegūšana no vizuāliem datiem. Tiek izskatīti mašīnmācīšanās rīki, t.sk. R un Python mašīnmācīšanās rīki. Kā arī tiek apskatītas mašīnmācīšanās un zināšanu atklāšanas praktiskās pielietošanas jomas.. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa saturs |
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Mērķis un uzdevumi, izteikti kompetencēs un prasmēs |
Studiju kursa mērķis ir sniegt studentiem padziļinātas zināšanas par mākslīgajiem neironu tīkliem un to izmantošanu. Studiju kursa uzdevumi: - iepazīstināt studentus ar mašīnmācīšanās modeļu izstrādes darbplūsmu; - radīt izpratni par mašīnmācīšanās modeļu veidošanos un attīstību; - iepazīstināt ar modeļu implementācijas tehnoloģijām. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Sasniedzamie studiju rezultāti un to vērtēšana |
Spēj definēt, interpretēt un lietot profesionālu terminoloģiju, kas saistīta ar mākslīgiem neironu tīkliem un dziļo mācīšanos. - Diskusijas laikā, balstoties uz teorētiskajām zināšanām un izmantojot profesionālu terminoloģiju, ir parādītas spējas konstruktīvi diskutēt par risināmo problēmu. Spēj sagatavot datus neironu tīkla apmācībai un dziļai mācīšanai (dažādiem uzdevumiem). - Veiksmīgi izpildīts datu sagatavošanas uzdevums praktiskajos un patstāvīgos darbos. Spēj izveidot, apmācīt un pielietot daudzslāņu (klasifikācija un prognozēšana) neironu tīklus. - Sekmīgi izpildīts patstāvīgais darbs. Spēj izveidot, apmācīt un pielietot rekurentus un LSTM neironu tīklus (plūsmas datu analīze, laika rindu analīze un prognozēšana). - Sekmīgi izpildīts patstāvīgais darbs. Spēj izveidot, apmācīt un pielietot dziļus konvolūciju neironu tīklus (vizuālo datu analīze, objektu noteikšana un atpazīšana). - Sekmīgi izpildīts patstāvīgais darbs. Spēj izveidot, apmācīt un pielietot pašoganizējošus neironu tīklus (klasifikācija un klasterēšana). - Sekmīgi izpildīts patstāvīgais darbs. Studentam ir priekšstats par modernām tendencēm dziļā mācīšanās un mākslīgo neironu tīklu tehnoloģijās. - Diskusijas laikā, balstoties uz teorētiskajām zināšanām un izmantojot profesionālu terminoloģiju, ir parādītas spējas konstruktīvi diskutēt par risināmo problēmu. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju rezultātu vērtēšanas kritēriji |
Individuālie praktiskie darbi - 60%
Eksāmens - 40% |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Priekšzināšanas | Matemātika, objektorientētā programmēšana, Python programmēšanas valoda. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa plānojums |
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||