| Kods | DID308 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Nosaukums | Ievads datu ieguvē | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Statuss | Obligātais/Ierobežotās izvēles | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Līmenis un tips | Pamatstudiju, Akadēmiskais | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Tematiskā joma | Datorika | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Struktūrvienība | Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Mācībspēks | Sergejs Paršutins, Arnis Kiršners | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Kredītpunkti | 2.0 (3.0 ECTS) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Daļas | 1 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Anotācija |
Zināšanu iegūšana no datiem. Klasifikācijas, klasterizācijas un asociatīvās analīzes pamati. Datu sagatavošana analīzei. Datu līdzības un atšķirības mēri. Uz piemēriem balstīta apmācība. Induktīvā apmācība. Baijesa „Naivais” klasifikators. K-tuvāko kaimiņu klasifikators. Klasifikācijas lēmumu koki. Klasifikācijas koka apgriešanas metodes. Klasifikatoru precizitātes mērīšana. Šķērsvalidācija. Klasifikācijas likumu inducēšana. Hierarhiskā klasterizācija. Sadalošā klasterizācija. Klasterizācijas rezultātu novērtēšana. Asociatīvo likumu meklēšana. Apriori algoritms.. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa saturs |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Mērķis un uzdevumi, izteikti kompetencēs un prasmēs |
Sniegt pamatzināšanas par tādām intelektuālās datu analīzes tehnoloģijām, kā „Datu ieguve” un „Zināšanu atklāšana no datiem”. Iegūt praktiskas iemaņas zināšanu (noderīgas informācijas) iegūšanai no datiem, pielietojot klasifikācijas, klasterizācijas un asociatīvās analīzes metodes. Veicināt studenta spējas un kompetences veikt analizējamiem datiem nepieciešamo pirmsapstrādi un izvēlēties datu ieguves metodes, kas piemērotas konkrētam uzdevumam. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Sasniedzamie studiju rezultāti un to vērtēšana |
Students spēj sagatavot datus analīzei, pielietojot datu pirmsapstrādes pieejas. - Datus nepieciešams sagatavot analīzei katrā no patstāvīgajiem darbiem. Ceturtajā darbā ir nepieciešams veikt datu kopas ar reāliem datiem apstrādi. Students spēj atlasīt un apstrādāt nepieciešamo teorētisko materiālu. - Katrā no patstāvīgajiem darbiem ir nepieciešams sagatavot teorētisko daļu par izmantotajām metodēm. Students spēj izpildīt nepieciešamos aprēķinus un pielietot „Uz piemēriem balstītas apmācības” metodes. - Pirmajā patstāvīgajā darbā students veic sagatavoto datu klasifikāciju ar „Uz piemēriem balstītas apmācības” metodēm. Students spēj izpildīt nepieciešamos aprēķinus, pielietot klasifikācijas koku konstruēšanas metodes un savstarpēji salīdzināt klasifikācijas metodes. - klasifikācijas kokiem. Apkopojot rezultātus, veic analīzi, salīdzinot pirmā un otrā darba klasifikācijas metodes pēc to precizitātes. Students spēj izpildīt nepieciešamos aprēķinus, pielietot hierarhiskas un sadalošas klasterizācijas metodes un savstarpēji tās salīdzināt. - Trešajā patstāvīgajā darbā students veic sagatavoto datu klasterizāciju ar hierarhiskas un sadalošas klasterizācijas metodēm. Apkopojot rezultātus, veic metožu salīdzināšanu pēc to precizitātes. |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Priekšzināšanas | Matemātika, datu bāzes | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Studiju kursa plānojums |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||