Veidlapa Nr. M-3 (8)
Studiju kursa apraksts
Padziļinātā mašīnmācīšanās
Kursa kods
SZF_168
Zinātnes nozare
-
Kredītpunkti (ECTS)
5,00
Mērķauditorija
Uzņēmējdarbības vadība; Vadībzinātne
LKI
7. līmenis
Studiju veids un forma
Pilna laika; Nepilna laika
Studiju kursa īstenotājs
Kursa vadītājs
Nataliia Kinash
Struktūrvienības vadītājs
Ieva Puzo
Struktūrvienība
Sociālo zinātņu fakultāte
Kontaktinformācija
Kuldīgas 9c, Rīga
Par studiju kursu
Mērķis
Līdz šī kursa beigām studenti iemācīsies pielietot uzlabotas mašīnmācīšanās metodes, tostarp neironu tīklus, LLM, pastiprināšanas mācīšanos, GAN un automātiskos kodētājus, lai risinātu biznesa problēmas. Viņi iemācīsies veidot, izvietot, uzraudzīt un izskaidrot modeļus, nodrošinot ētisku izmantošanu un stratēģisku uzņēmējdarbības ietekmi.
Priekšzināšanas
"Mākslīgā intelekta un mašīnmācīšanās pamati" kurss vai līdzvērtīgs kurss
Studiju rezultāti
Zināšanas
1.- Izpratne par uzlabotām mašīnmācīšanās koncepcijām, modeļiem un algoritmiem. - Iepazīšanās ar progresīvām neironu tīklu arhitektūrām (CNN, RNN, GAN, LLM), to priekšrocībām un ierobežojumiem. - Izpratne par stiprināšanas mācībām. - Zināšanas par ētiskiem apsvērumiem, neobjektivitāti un godīgumu saistībā ar AI. - Izpratne par modeļu ieviešanas un uzraudzības procesiem.
Prasmes
1.- Veidojiet un precizējiet uzlabotos mašīnmācīšanās modeļus. - Izmantojiet dabiskās valodas apstrādes metodes, tostarp tūlītēju inženieriju. - Izvietot mašīnmācīšanās modeļus. - Izmantojiet izskaidrojamas AI metodes, piemēram, SHAP un LIME, lai nodrošinātu modeļa interpretāciju.
Kompetences
1.- Izvēlieties un lietojiet mašīnmācības risinājumus, lai uzlabotu biznesa lēmumu pieņemšanu un efektivitāti. - Efektīvi paziņojiet modeļa rezultātus un ieskatus netehniskajām ieinteresētajām personām. - Nodrošināt ētiskas AI prakses integrāciju. - Mašīnmācīšanās modeļu pielāgošana dinamiskā vidē.
Vērtēšana
Patstāvīgais darbs
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Patstāvīgais darbs |
-
|
-
|
|
uzdevumi un noslēguma projekts
|
||
Pārbaudījums
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Pārbaudījums |
-
|
-
|
|
Kursa vērtēšanā tiek apvienoti uzdevumi un gala darbs, lai novērtētu praktisko un teorētisko izpratni. Uzdevumi ir vērsti uz progresīvu ML paņēmienu izmantošanu biznesa scenārijos. Noslēguma projektā ir integrēti vairāki jēdzieni, kas liek studentiem atrisināt reālas biznesa problēmu un prezentēt rezultātus.
|
||
Studiju kursa tēmu plāns
PILNA LAIKA
1. daļa
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads uzlabotajā mašīnmācībā
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Uzlabota funkciju inženierija un datu transformācija. Modeļu novērtēšana un izvēle.
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads neironu tīklos
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Regularizācija un optimizācija neironu tīklos
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Konvolucionālie neironu tīkli (CNN) attēlu analīzei
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Uzlabotas CNN arhitektūras un pārneses mācības
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Laika rindu analīze ar atkārtotiem neironu tīkliem (RNN un LSTM)
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Dabiskās valodas apstrāde ar transformatoriem
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads lielo valodu modeļos (LLM)
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ātra inženierija LLM
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ģeneratīvie pretrunīgie tīkli (GAN) un sintētiskie dati
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Autokodētāji un anomāliju noteikšana
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads stiprināšanas mācībās (RL)
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Uzlabotas pastiprināšanas mācības (uz politiku balstītas metodes)
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Metamācīšanās un adaptīvie modeļi
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Izskaidrojams AI un interpretējamība
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ētika un atbildīgs AI klientiem orientētiem algoritmiem
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Modeļu ieviešanas stratēģijas un biznesa integrācijas
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Modeļa uzraudzība un apkope
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Projekta prezentācija un noslēgums
|
Kopā kredītpunkti (ECTS):
5,00
Kontaktstundas:
40 ak. st.
Gala pārbaudījums:
Eksāmens (Rakstisks)
NEPILNA LAIKA
1. daļa
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads uzlabotajā mašīnmācībā
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Uzlabota funkciju inženierija un datu transformācija. Modeļu novērtēšana un izvēle.
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads neironu tīklos
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Regularizācija un optimizācija neironu tīklos
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Konvolucionālie neironu tīkli (CNN) attēlu analīzei
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Uzlabotas CNN arhitektūras un pārneses mācības
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Laika rindu analīze ar atkārtotiem neironu tīkliem (RNN un LSTM)
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Dabiskās valodas apstrāde ar transformatoriem
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads lielo valodu modeļos (LLM)
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ātra inženierija LLM
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ģeneratīvie pretrunīgie tīkli (GAN) un sintētiskie dati
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Autokodētāji un anomāliju noteikšana
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads stiprināšanas mācībās (RL)
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Uzlabotas pastiprināšanas mācības (uz politiku balstītas metodes)
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Metamācīšanās un adaptīvie modeļi
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Izskaidrojams AI un interpretējamība
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ētika un atbildīgs AI klientiem orientētiem algoritmiem
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Modeļu ieviešanas stratēģijas un biznesa integrācijas
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Modeļa uzraudzība un apkope
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Projekta prezentācija un noslēgums
|
Kopā kredītpunkti (ECTS):
5,00
Kontaktstundas:
40 ak. st.
Gala pārbaudījums:
Eksāmens (Rakstisks)
Bibliogrāfija
Obligātā literatūra
1.
Raschka, S., Liu, Y., Mirjalili, V. "Machine Learning with PyTorch and Scikit-Learn"Piemērots angļu valodas plūsmai
2.
Foster, D., "Generative Deep Learning"
Papildu literatūra
1.
Goodfellow, I., Bengio, Y., & Courville, A. "Deep Learning"Piemērots angļu valodas plūsmai
2.
Barocas, S., Hardt, M., & Narayanan, A. "Fairness and Machine Learning: Limitations and Opportunities"Piemērots angļu valodas plūsmai
3.
Molnar, C. "Interpretable Machine Learning"Piemērots angļu valodas plūsmai
4.
Géron, A. "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow", 2nd EditionPiemērots angļu valodas plūsmai
5.
Sutton, R. S., & Barto, A. G. "Reinforcement Learning: An Introduction"Piemērots angļu valodas plūsmai
6.
Bishop, C. "Pattern Recognition and Machine Learning"Piemērots angļu valodas plūsmai
7.
Rudin, C., Chen, C., Chen, Z., Huang, H., Semenova, L., Zhong, C. “Interpretable Machine Learning: Fundamental Principles and 10 Grand Challenges” (Statistics Surveys, 2021).
8.
Goodfellow, I. J., Pouget‑Abadie, J., Mirza, M., Xu, B., Warde‑Farley, D., Ozair, S., Courville, A., Bengio, Y. “Generative Adversarial Networks” (arXiv preprint, 2014).
9.
Iusztin, P., Labonne, M. "LLM Engineer's Handbook: Master the art of engineering large language models from concept to production"
10.
Noyan, M., Marafioti, A., Farré, M., Zohar, O. "Vision Language Models"
Citi informācijas avoti
1.
The Transformers by Hugging Face (open-source, website and documentation)Piemērots angļu valodas plūsmai