Veidlapa Nr. M-3 (8)
Studiju kursa apraksts
Padziļinātā mašīnmācīšanās
Kursa kods
SZF_168
Zinātnes nozare
Citas elektrotehnikas, elektronikas, informācijas un komunikāciju tehnoloģiju apakšnozares; Elektrotehnika, elektronika, informācijas un komunikāciju tehnoloģijas
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.Skaidrot padziļinātus mašīnmācīšanās konceptus, modeļus un algoritmus, tostarp to teorētiskos pamatus un praktiskās sekas.
Patstāvīgais darbs un pārbaudījumi
Patstāvīgais darbs • Literatūras studijas
2.Aprakstiet piemērotus lietošanas gadījumus uzlabotām neironu tīkla arhitektūrām, piemēram, CNN, RNN, Gans un LLMS, tostarp to priekšrocības, ierobežojumus un piemērotus lietojumus.
Patstāvīgais darbs un pārbaudījumi
Literatūras studijas • Patstāvīgais darbs
3.Aprakstīt pastiprinātas mācīšanās pamatprincipus un nošķirt to no uzraudzītām un neuzraudzītām mācīšanās pieejām.
Patstāvīgais darbs un pārbaudījumi
Patstāvīgais darbs • Literatūras studijas
4.Apspriest ētiskos apsvērumus mākslīgajā intelektā, tostarp algoritmisko neobjektivitāti, taisnīgumu, pārredzamību un pārskatatbildību.
Patstāvīgais darbs un pārbaudījumi
Literatūras studijas • Patstāvīgais darbs
5.Izklāstīt galvenos modeļa izvietošanas soļus un izskaidrojiet paraugpraksi modeļa veiktspējas pārraudzībai un uzturēšanai ražošanas vidēs.
Patstāvīgais darbs un pārbaudījumi
Patstāvīgais darbs • Literatūras studijas
Prasmes
1.Veidojiet un precizējiet uzlabotos mašīnmācīšanās modeļus.
Patstāvīgais darbs un pārbaudījumi
Individuālais darbs
2.Izmantojiet dabiskās valodas apstrādes metodes, tostarp tūlītēju inženieriju.
Patstāvīgais darbs un pārbaudījumi
Individuālais darbs
3.Izvietot mašīnmācīšanās modeļus.
Patstāvīgais darbs un pārbaudījumi
Individuālais darbs
4.Izmantot izskaidrojamas AI metodes, piemēram, SHAP un LIME, lai nodrošinātu modeļa interpretāciju.
Patstāvīgais darbs un pārbaudījumi
Individuālais darbs
5.Izvēlieties biznesa gadījumam atbilstošo uzlaboto neironu tīkla arhitektūru, piemēram, CNN, RNN, Gans un LLMS.
Patstāvīgais darbs un pārbaudījumi
Individuālais darbs
Kompetences
1.Izvēlēties un lietot mašīnmācības risinājumus, lai uzlabotu biznesa lēmumu pieņemšanu un efektivitāti.
Patstāvīgais darbs un pārbaudījumi
Dziļās mācīšanās risinājuma prezentācija
2.Nodrošināt ētiskas AI prakses integrāciju.
Patstāvīgais darbs un pārbaudījumi
Dziļās mācīšanās risinājuma prezentācija
3.Pielāgot mašīnmācīšanās modeļus dinamiskā vidē.
Patstāvīgais darbs un pārbaudījumi
Dziļās mācīšanās risinājuma prezentācija
4.Novērtējiet dziļo neironu tīklu veiktspēju, izmantojot atbilstošu metriku, un interpretējiet rezultātus.
Patstāvīgais darbs un pārbaudījumi
Dziļās mācīšanās risinājuma prezentācija
5.Efektīvi komunicējiet modeļa rezultātus un ieskatus netehniskajām ieinteresētajām personām.
Patstāvīgais darbs un pārbaudījumi
Dziļās mācīšanās risinājuma prezentācija
Vērtēšana
Patstāvīgais darbs
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Patstāvīgais darbs |
15,00% no gala vērtējuma
|
10 balles
|
|
Pēc katras lekcijas studējošie izpilda tiešsaistes testu, kurā tiek vērtēta lekcijā ietvertā teorētiskā materiāla izpratne. |
||
|
2.
Literatūras studijas |
-
|
-
|
|
Lai sagatavotos lekcijām un praktiskajām nodarbībām, studējošajiem jālasa kursa literatūra un jānoskatās Moodle mācību platformā pieejamie video materiāli. |
||
Pārbaudījums
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Individuālais darbs |
35,00% no gala vērtējuma
|
10 balles
|
|
Tiks vērtēti īsi individuāli laboratorijas darbi, kas pabeigti kursa laikā. Laboratorijas darbi sastāv no praktiskiem uzdevumiem datorklasē. Uzdevumos galvenā uzmanība tiek pievērsta mašīnmācīšanās metožu pielietošanai biznesa scenārijos. |
||
|
2.
Dziļās mācīšanās risinājuma prezentācija |
50,00% no gala vērtējuma
|
10 balles
|
|
Noslēguma nodarbībā katrs studējošais prezentēs savu projektu, apliecinot izpratni un galveno koncepciju praktisko pielietojumu. Gala projekts ir integrē kursā apgūto, liekot risināt reālu biznesa problēmu un prezentēt rezultātus. Projekts jāiesniedz iepriekš saskaņā ar e-studijās (Moodle) publicēto grafiku. Prezentācija sastāv no 10 minūšu demonstrācijas, kurā var būt iekļauti slaidi (ja nepieciešams), risinājuma demonstrācija un programmēšanas kods. Studejošie demonstrēs izpratni par risinājumu, atbildot uz docētāja un studējošo jautājumiem. |
||
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