Veidlapa Nr. M-3 (8)
Studiju kursa apraksts

Mākslīgā intelekta praktiskie pielietojumi

Studiju kursa pamatinformācija

Kursa kods
SZF_212
Zinātnes nozare
Citas sociālās zinātnes, tai skaitā starpnozaru sociālās zinātnes un militārā zinātne
Kredītpunkti (ECTS)
3,00
Mērķauditorija
Vadībzinātne
LKI
7. līmenis
Studiju veids un forma
Pilna laika

Studiju kursa īstenotājs

Kursa vadītājs
Struktūrvienības vadītājs
Struktūrvienība
Sociālo zinātņu fakultāte
Kontaktinformācija

Dzirciema iela 16, Rīga, szf@rsu.lv

Par studiju kursu

Mērķis

Iepazīstināt studentus ar mākslīgā intelekta (MI) un augstas veiktspējas skaitļošanas (HPC) pamatprincipiem un pielietojumiem, īpašu uzmanību pievēršot datorredzei un dabiskās valodas apstrādei (NLP).

Priekšzināšanas

Studentiem jābūt pieredzei Python programmēšanā, izmantojot bibliotēkas kā NumPy, Pandas un TensorFlow/PyTorch. Jāprot strādāt ar mašīnmācīšanās modeļiem, īpaši neironu tīkliem, un jābūt izpratnei par datorredzes (CNN, attēlu apstrāde) un dabiskās valodas apstrādes (tokenizācija, word embeddings, transformer modeļi) pamatiem.

Studiju rezultāti

Zināšanas

1.Pārzinās teorētiskos pamatus datorredzē un/vai dabiskās valodas apstrādē (NLP)

2.Pratīs pielietot neironu tīklu un mašīnmācīšanās metodes

3.Zinās attēlu un teksta apstrādes algoritmus

4.Pārzinās dziļās mācīšanās modeļu, piemēram, CNN un Transformeru arhitektūras, darbības principus

5.Pratīs pielietot mākslīgā intelekta un mašīnmācīšanās rīkus (TensorFlow, PyTorch, OpenCV, spaCy)

Prasmes

1.Attēlu un teksta apstrādes metožu praktiska pielietošana

2.Datu analīze un priekšapstrāde modeļu trenēšanai

3.Neironu tīklu modeļu trenēšana un optimizēšana

4.Python programmēšana un bibliotēku pielietošana datorredzē un NLP

5.Eksperimentu veikšana un rezultātu interpretācija

Kompetences

1.Spēja izstrādāt un pielāgot datorredzes un NLP risinājumus konkrētām vajadzībām

2.Kritiska domāšana un problēmu risināšanas prasmes

3.Spēja analizēt un interpretēt lielus attēlu un teksta datus

4.Zinātniskās pētniecības un tehnisko ziņojumu sagatavošanas prasmes

5.Sadarbība starpdisciplināros projektos un AI tehnoloģiju pielietošana reālās situācijās

Vērtēšana

Patstāvīgais darbs

Virsraksts
% no gala vērtējuma
Vērtējums
1.

Pašpārbaudes tests par tēmu Datorredze

20,00% no gala vērtējuma
10 balles

Pašpārbaudes tests par attiecīgo tēmu

2.

Pašpārbaudes tests par tēmu NLP

20,00% no gala vērtējuma
10 balles
3.

Pašpārbaudes tests par tēmu HPC

20,00% no gala vērtējuma
10 balles

Pārbaudījums

Virsraksts
% no gala vērtējuma
Vērtējums
1.

Kursa darbs

40,00% no gala vērtējuma
Ieskaite

Studiju kursa tēmu plāns

PILNA LAIKA
3. daļa
  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
2

Tēmas

Datorredze
Apraksts

Datorredze ir mākslīgā intelekta apakšnozare, kas nodarbojas ar vizuālās informācijas apstrādi un analīzi, ļaujot datoriem „redzēt” un interpretēt attēlus vai video. Šī joma apvieno dažādas metodes no attēlu apstrādes, dziļās mācīšanās un statistikas, lai izstrādātu risinājumus tādām problēmām kā objektu atpazīšana, attēlu klasifikācija, sejas atpazīšana, autonomā transporta vadība un medicīniskās attēlveidošanas analīze.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
2

Tēmas

Datorredze
Apraksts

Datorredze ir mākslīgā intelekta apakšnozare, kas nodarbojas ar vizuālās informācijas apstrādi un analīzi, ļaujot datoriem „redzēt” un interpretēt attēlus vai video. Šī joma apvieno dažādas metodes no attēlu apstrādes, dziļās mācīšanās un statistikas, lai izstrādātu risinājumus tādām problēmām kā objektu atpazīšana, attēlu klasifikācija, sejas atpazīšana, autonomā transporta vadība un medicīniskās attēlveidošanas analīze.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
2

Tēmas

Datorredze
Apraksts

Datorredze ir mākslīgā intelekta apakšnozare, kas nodarbojas ar vizuālās informācijas apstrādi un analīzi, ļaujot datoriem „redzēt” un interpretēt attēlus vai video. Šī joma apvieno dažādas metodes no attēlu apstrādes, dziļās mācīšanās un statistikas, lai izstrādātu risinājumus tādām problēmām kā objektu atpazīšana, attēlu klasifikācija, sejas atpazīšana, autonomā transporta vadība un medicīniskās attēlveidošanas analīze.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
2

Tēmas

Datorredze
Apraksts

Datorredze ir mākslīgā intelekta apakšnozare, kas nodarbojas ar vizuālās informācijas apstrādi un analīzi, ļaujot datoriem „redzēt” un interpretēt attēlus vai video. Šī joma apvieno dažādas metodes no attēlu apstrādes, dziļās mācīšanās un statistikas, lai izstrādātu risinājumus tādām problēmām kā objektu atpazīšana, attēlu klasifikācija, sejas atpazīšana, autonomā transporta vadība un medicīniskās attēlveidošanas analīze.

  1. Pārbaudījums

Modalitāte
Norises vieta
Kontaktstundas
Attālināti
E-studiju vide
2

Tēmas

Datorredze
Apraksts

Datorredze ir mākslīgā intelekta apakšnozare, kas nodarbojas ar vizuālās informācijas apstrādi un analīzi, ļaujot datoriem „redzēt” un interpretēt attēlus vai video. Šī joma apvieno dažādas metodes no attēlu apstrādes, dziļās mācīšanās un statistikas, lai izstrādātu risinājumus tādām problēmām kā objektu atpazīšana, attēlu klasifikācija, sejas atpazīšana, autonomā transporta vadība un medicīniskās attēlveidošanas analīze.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
2

Tēmas

Dabiskās valodas apstrāde
Apraksts

Dabiskās valodas apstrāde (Natural Language Processing, NLP) ir mākslīgā intelekta apakšnozare, kas nodarbojas ar datoru spēju saprast, analizēt un ģenerēt cilvēku valodu. Šī joma apvieno lingvistiku, mašīnmācīšanos un dziļo mācīšanos, lai attīstītu tehnoloģijas, kas ļauj datoriem apstrādāt tekstu un runu līdzīgi kā cilvēki.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
2

Tēmas

Dabiskās valodas apstrāde
Apraksts

Dabiskās valodas apstrāde (Natural Language Processing, NLP) ir mākslīgā intelekta apakšnozare, kas nodarbojas ar datoru spēju saprast, analizēt un ģenerēt cilvēku valodu. Šī joma apvieno lingvistiku, mašīnmācīšanos un dziļo mācīšanos, lai attīstītu tehnoloģijas, kas ļauj datoriem apstrādāt tekstu un runu līdzīgi kā cilvēki.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
2

Tēmas

Dabiskās valodas apstrāde
Apraksts

Dabiskās valodas apstrāde (Natural Language Processing, NLP) ir mākslīgā intelekta apakšnozare, kas nodarbojas ar datoru spēju saprast, analizēt un ģenerēt cilvēku valodu. Šī joma apvieno lingvistiku, mašīnmācīšanos un dziļo mācīšanos, lai attīstītu tehnoloģijas, kas ļauj datoriem apstrādāt tekstu un runu līdzīgi kā cilvēki.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
2

Tēmas

Dabiskās valodas apstrāde
Apraksts

Dabiskās valodas apstrāde (Natural Language Processing, NLP) ir mākslīgā intelekta apakšnozare, kas nodarbojas ar datoru spēju saprast, analizēt un ģenerēt cilvēku valodu. Šī joma apvieno lingvistiku, mašīnmācīšanos un dziļo mācīšanos, lai attīstītu tehnoloģijas, kas ļauj datoriem apstrādāt tekstu un runu līdzīgi kā cilvēki.

  1. Patstāvīgais darbs

Modalitāte
Norises vieta
Kontaktstundas
Attālināti
E-studiju vide
1

Tēmas

Dabiskās valodas apstrāde
Apraksts

Dabiskās valodas apstrāde (Natural Language Processing, NLP) ir mākslīgā intelekta apakšnozare, kas nodarbojas ar datoru spēju saprast, analizēt un ģenerēt cilvēku valodu. Šī joma apvieno lingvistiku, mašīnmācīšanos un dziļo mācīšanos, lai attīstītu tehnoloģijas, kas ļauj datoriem apstrādāt tekstu un runu līdzīgi kā cilvēki.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
2

Tēmas

HPC
Apraksts

HPC (no angļu valodas High Performance Computing) ļauj risināt sarežģītus skaitļošanas uzdevumus īsākā laikā. Skaitļošana notiek uz datoriem (koplietotas atmiņas lieldators, skaitļošanas klasteris), kuru veido daudzi paralēli procesori. Mūsdienās HPC ir jebkuras modernas universitātes neatņemama sastāvdaļa, un tas tiek izmantots dažādām vajadzībām – sākot ar inženiertehniskiem uzdevumiem Mathworks MATLAB vidē un beidzot ar lielo datu (Big Data) analītiku un mašīnmācīšanos.

Vairums HPC sistēmu tiek būvētas kā skaitļošanas klasteri, kas sastāv no daudziem atsevišķiem serveriem, kas saslēgti kopā ar ātru datortīklu (piemēram, InfiniBand). HPC klasteris ir piemērots gan paralēlajai skaitļošanai, nodrošinot viena liela uzdevuma paralēlu izpildi, gan distributīvajai skaitļošanai, izpildot daudzus neatkarīgus uzdevumus uz atsevišķiem serveriem vai procesoriem.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
2

Tēmas

HPC
Apraksts

HPC (no angļu valodas High Performance Computing) ļauj risināt sarežģītus skaitļošanas uzdevumus īsākā laikā. Skaitļošana notiek uz datoriem (koplietotas atmiņas lieldators, skaitļošanas klasteris), kuru veido daudzi paralēli procesori. Mūsdienās HPC ir jebkuras modernas universitātes neatņemama sastāvdaļa, un tas tiek izmantots dažādām vajadzībām – sākot ar inženiertehniskiem uzdevumiem Mathworks MATLAB vidē un beidzot ar lielo datu (Big Data) analītiku un mašīnmācīšanos.

Vairums HPC sistēmu tiek būvētas kā skaitļošanas klasteri, kas sastāv no daudziem atsevišķiem serveriem, kas saslēgti kopā ar ātru datortīklu (piemēram, InfiniBand). HPC klasteris ir piemērots gan paralēlajai skaitļošanai, nodrošinot viena liela uzdevuma paralēlu izpildi, gan distributīvajai skaitļošanai, izpildot daudzus neatkarīgus uzdevumus uz atsevišķiem serveriem vai procesoriem.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
2

Tēmas

HPC
Apraksts

HPC (no angļu valodas High Performance Computing) ļauj risināt sarežģītus skaitļošanas uzdevumus īsākā laikā. Skaitļošana notiek uz datoriem (koplietotas atmiņas lieldators, skaitļošanas klasteris), kuru veido daudzi paralēli procesori. Mūsdienās HPC ir jebkuras modernas universitātes neatņemama sastāvdaļa, un tas tiek izmantots dažādām vajadzībām – sākot ar inženiertehniskiem uzdevumiem Mathworks MATLAB vidē un beidzot ar lielo datu (Big Data) analītiku un mašīnmācīšanos.

Vairums HPC sistēmu tiek būvētas kā skaitļošanas klasteri, kas sastāv no daudziem atsevišķiem serveriem, kas saslēgti kopā ar ātru datortīklu (piemēram, InfiniBand). HPC klasteris ir piemērots gan paralēlajai skaitļošanai, nodrošinot viena liela uzdevuma paralēlu izpildi, gan distributīvajai skaitļošanai, izpildot daudzus neatkarīgus uzdevumus uz atsevišķiem serveriem vai procesoriem.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
2

Tēmas

HPC
Apraksts

HPC (no angļu valodas High Performance Computing) ļauj risināt sarežģītus skaitļošanas uzdevumus īsākā laikā. Skaitļošana notiek uz datoriem (koplietotas atmiņas lieldators, skaitļošanas klasteris), kuru veido daudzi paralēli procesori. Mūsdienās HPC ir jebkuras modernas universitātes neatņemama sastāvdaļa, un tas tiek izmantots dažādām vajadzībām – sākot ar inženiertehniskiem uzdevumiem Mathworks MATLAB vidē un beidzot ar lielo datu (Big Data) analītiku un mašīnmācīšanos.

Vairums HPC sistēmu tiek būvētas kā skaitļošanas klasteri, kas sastāv no daudziem atsevišķiem serveriem, kas saslēgti kopā ar ātru datortīklu (piemēram, InfiniBand). HPC klasteris ir piemērots gan paralēlajai skaitļošanai, nodrošinot viena liela uzdevuma paralēlu izpildi, gan distributīvajai skaitļošanai, izpildot daudzus neatkarīgus uzdevumus uz atsevišķiem serveriem vai procesoriem.

  1. Patstāvīgais darbs

Modalitāte
Norises vieta
Kontaktstundas
Attālināti
E-studiju vide
1

Tēmas

HPC
Apraksts

HPC (no angļu valodas High Performance Computing) ļauj risināt sarežģītus skaitļošanas uzdevumus īsākā laikā. Skaitļošana notiek uz datoriem (koplietotas atmiņas lieldators, skaitļošanas klasteris), kuru veido daudzi paralēli procesori. Mūsdienās HPC ir jebkuras modernas universitātes neatņemama sastāvdaļa, un tas tiek izmantots dažādām vajadzībām – sākot ar inženiertehniskiem uzdevumiem Mathworks MATLAB vidē un beidzot ar lielo datu (Big Data) analītiku un mašīnmācīšanos.

Vairums HPC sistēmu tiek būvētas kā skaitļošanas klasteri, kas sastāv no daudziem atsevišķiem serveriem, kas saslēgti kopā ar ātru datortīklu (piemēram, InfiniBand). HPC klasteris ir piemērots gan paralēlajai skaitļošanai, nodrošinot viena liela uzdevuma paralēlu izpildi, gan distributīvajai skaitļošanai, izpildot daudzus neatkarīgus uzdevumus uz atsevišķiem serveriem vai procesoriem.

Kopā kredītpunkti (ECTS):
3,00
Kontaktstundas:
24 ak. st.
Gala pārbaudījums:
Eksāmens (Rakstisks)

Bibliogrāfija

Obligātā literatūra

1.

Shanmugamani R. 2020. Deep Learning for Computer VisionPiemērots angļu valodas plūsmai

2.

Forsyth D.A. un Ponce J. 2021. Computer Vision: A Modern ApproachPiemērots angļu valodas plūsmai

3.

Rothman D. 2021. Transformers for Natural Language ProcessingPiemērots angļu valodas plūsmai

4.

Tunstall L., Leandro von Werra, and Wolf T. 2022. Natural Language Processing with TransformersPiemērots angļu valodas plūsmai

Papildu literatūra

1.

Sahu S.K., Balvir S.U., Sahu A.K., et.al. 2025. Advancing High Performance Computing for AI in the Era of Large-Scale Models A Research Roadmap. Parallel and High-Performance ComputiPiemērots angļu valodas plūsmai

2.

Juglan K.C., Sharma B., Gehlot A., et.al. 2023. Exploring the Effectiveness of Natural Language Processing in Customer Service. 3rd International Conference on Advance Computing and Innovative Technologies in Engineering, ICACITE 2023, pp. 814 - 818Piemērots angļu valodas plūsmai