| Kods | RA0137 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Nosaukums | Datu zinātne un lielo datu apstrāde | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Statuss | Obligātais/Ierobežotās izvēles | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Līmenis un tips | Augstākā līmeņa, Akadēmiskais | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Tematiskā joma | Ekonomika | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Struktūrvienība | Rēzeknes akadēmija | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Mācībspēks | Iluta Arbidāne, Vaida Bartkute-Norkuniene | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Kredītpunkti | 6.0 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Daļas | 1 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Anotācija |
Datu zinātne ir jauns, eksponenciāli augošs lauks, kas sastāv no instrumentu un paņēmienu kopuma, ko izmanto noderīgas informācijas iegūšanai no datiem. Datu zinātne un lielo datu analīze ir starpdisciplinārs, uz problēmu risināšanu orientēts priekšmets, kas iemācās pielietot zinātniskās metodes praktiskām problēmām. Kurss orientējas uz praktiskām nodarbībām un pašmācību datu kopu sagatavošanas un datu analīzes uzdevumu programmēšanas laikā. Šajā kursā tiks apskatīti lielo datu pamatjēdzieni, strukturētu un nestrukturētu datu analīzes metodoloģijas, uzsvaru liekot uz saistību starp datu zinātnieku un biznesa vajadzībām.. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa saturs |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Mērķis un uzdevumi, izteikti kompetencēs un prasmēs |
Šī kursa mērķis ir apgūt datu analīzes koncepcijas un paņēmienus, kas atvieglo lēmumu pieņemšanu no bagātīgas datu kopas. Studenti izpētīs datu jēdzienus, metadatu izveidošanu un interpretāciju, vispārējo lineāro metodi, klasteru analīzi un informācijas vizualizācijas pamatus. Studenti tiks pakļauti arī daudziem dažādiem datu zinātnes pieejas pielietojumiem. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Sasniedzamie studiju rezultāti un to vērtēšana |
Zināšanas:
- Studenti zinās, kādas statistiskās analīzes metodes izvēlēties, ņemot vērā īpašās secinājumu prasības un pieejamos datus.
- Students iegūs praktiskās iemaņas, kas vajadzīgas mūsdienu datu analītikā.
- Students iegūs lietišķo pieredzi ar datu zinātnes programmatūru, programmēšanu, lietojumprogrammām un procesiem. - Mājas darbi
Laboratorijas darbi
Eksāmens Prasmes: - Students spēj pielietot un attīstīt klasterizācijas, klasifikācijas un mašīnmācīšanās pētījumu metodes. - Students iegūs praktisku pieredzi ar reālās pasaules datu analīzi. - Students spēj aprakstīt reālās pasaules problēmas datu zinātnes jomā. - Students iegūs nepieciešamās zināšanas datu zinātnē, kas ir pietiekamas jaunu metožu izstrādei citās zinātnēs. - Mājas darbi Laboratorijas darbi Eksāmens Kompetence: Students spēj identificēt informāciju un matemātiskos aspektus finanšu pētījumos; novērtēt izmantoto metožu pareizību un pielietojamību katrā pašreizējā situācijā. - Mājas darbi Laboratorijas darbi Gadījumu izpētes vingrinājumi Eksāmens |
||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju rezultātu vērtēšanas kritēriji |
Mājasdarbi. - 20%
Referāts. - 20% Dalība praktiskajās nodarbībās. - 30% Eksāmens. - 30% |
||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Priekšzināšanas | Nepieciešamas labas matemātiskās zināšanas un programmēšanas prasmes, kas ir pietiekamas jaunu valodu un programmatūras apguvei. Pamatzināšanas par statistiku, lineārā algebra būs kā papildus plus. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa plānojums |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||