Veidlapa Nr. M-3 (8)
Studiju kursa apraksts
Mākslīgā intelekta pamati un mašīnmācīšanās
Kursa kods
SZF_167
Zinātnes nozare
-
Kredītpunkti (ECTS)
5,00
Mērķauditorija
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
RSU Sociālo zinātņu fakultāte, Kuldīgas iela 9c, szf@rsu.lv
Par studiju kursu
Mērķis
Students iemācīsies pielietot AI/ML tehnikas, lai risinātu biznesa problēmas, veiktu datu analīzi, veidotu prognozēšanas modeļus un pieņemtu uz datiem balstītus lēmumus, vienlaikus nodrošinot ētisku AI izmantošanu.
Priekšzināšanas
Nav nepieciešamas.
Studiju rezultāti
Zināšanas
1.- galvenie algoritmi uzraudzītā un bez uzraudzības apmācībā, tostarp regresijas, klasifikācijas, klasterizācijas un ansambļa metodes; - pamatzināšanas par modeļu novērtēšanas metriku un modeļu rezultātu interpretāciju; - praktiskās zināšanas par atvērtā pirmkoda AI/ML rīkiem un bibliotēkām.
Prasmes
1.- veikt pētniecisko un vizuālo datu analīzi un pamata datu pirmapstrādes paņēmienus; - mašīnmācīšanās modeļu veidošana un novērtēšana; - pamata modeļu izvietošana.
Kompetences
1.- modeļa rezultātu un metrikas interpretācija, lai pieņemtu uz datiem balstītus biznesa lēmumus; - AI/ML modeļu biznesa darbplūsmu integrēšana, tehnoloģisko iespēju saskaņošana ar organizācijas mērķiem; - Ņemiet vērā ētiskus apsvērumus, piemēram, neobjektivitāti un godīgumu, piemērojot AI/ML uzņēmējdarbības vidē.
Vērtēšana
Patstāvīgais darbs
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Patstāvīgais darbs |
-
|
-
|
|
Uzdevumi, kuros apvienoti teorētiskie jautājumi un praktiskie vingrinājumi.
|
||
Pārbaudījums
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Pārbaudījums |
-
|
-
|
|
Tiks vērtēti kursa laikā izpildītie īsie patstāvīgie darbi. Uzdevumos ir apvienoti teorētiskie jautājumi un praktiskie vingrinājumi. Noslēguma nodarbībā studenti aizstāvēs savus risinājumus, demonstrējot savu izpratni un galveno jēdzienu praktisko pielietojumu.
|
||
Studiju kursa tēmu plāns
PILNA LAIKA
1. daļa
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads AI, ML un uz datiem balstītā lēmumu pieņemšanā
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Izpētes un vizuālo datu analīze biznesa ieskatiem
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads statistikā un datu priekšapstrādē
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Līdzekļu inženierija un funkciju izvēle
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Rezultātu prognozēšana ar lineāro regresiju
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Binārā klasifikācija un klientu segmentēšana ar loģistikas regresiju
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Lēmumu koki
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ansambļa mācības: nejauši meži, lai uzlabotu lēmumu pieņemšanu
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
k-Tuvākie kaimiņi (k-NN) un klasteru veidošana
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Galveno komponentu analīze (PCA) datu sarežģītības samazināšanai
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Uzlabošanas metodes (XGBoost)
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Gradientu pastiprināšanas metožu salīdzināšana optimālu rezultātu sasniegšanai
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Tendenču prognozēšana, izmantojot laikrindu analīzi
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads modeļu izvietošanā un biznesa lietojumprogrammās
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Modeļu veidošanas automatizācija ar AutoML
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Efektīva datu apstrāde lielajiem datiem
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Modeļu uzraudzība konsekventu rezultātu nodrošināšanai
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Meta mācīšanās un uzlabotas AutoML metodes
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ētika, neobjektivitāte un godīgums lēmumu pieņemšanā ar AI
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Novērtēšana un kursa noslēgums
|
Kopā kredītpunkti (ECTS):
5,00
Kontaktstundas:
40 ak. st.
Gala pārbaudījums:
Eksāmens (Rakstisks)
NEPILNA LAIKA
1. daļa
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads AI, ML un uz datiem balstītā lēmumu pieņemšanā
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Izpētes un vizuālo datu analīze biznesa ieskatiem
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads statistikā un datu priekšapstrādē
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Līdzekļu inženierija un funkciju izvēle
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Rezultātu prognozēšana ar lineāro regresiju
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Binārā klasifikācija un klientu segmentēšana ar loģistikas regresiju
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Lēmumu koki
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ansambļa mācības: nejauši meži, lai uzlabotu lēmumu pieņemšanu
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
k-Tuvākie kaimiņi (k-NN) un klasteru veidošana
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Galveno komponentu analīze (PCA) datu sarežģītības samazināšanai
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Uzlabošanas metodes (XGBoost)
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Gradientu pastiprināšanas metožu salīdzināšana optimālu rezultātu sasniegšanai
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Tendenču prognozēšana, izmantojot laikrindu analīzi
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads modeļu izvietošanā un biznesa lietojumprogrammās
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Modeļu veidošanas automatizācija ar AutoML
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Efektīva datu apstrāde lielajiem datiem
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Modeļu uzraudzība konsekventu rezultātu nodrošināšanai
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Meta mācīšanās un uzlabotas AutoML metodes
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ētika, neobjektivitāte un godīgums lēmumu pieņemšanā ar AI
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Novērtēšana un kursa noslēgums
|
Kopā kredītpunkti (ECTS):
5,00
Kontaktstundas:
40 ak. st.
Gala pārbaudījums:
Eksāmens (Rakstisks)
Bibliogrāfija
Obligātā literatūra
1.
Géron, A. "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow". 3rd ed., 2022.Piemērots angļu valodas plūsmai
2.
Bishop C. M., "Pattern Recognition and Machine Learning".
Papildu literatūra
1.
Theobald, O. "Machine Learning for Absolute Beginners: A Plain English Introduction"Piemērots angļu valodas plūsmai
2.
Provost, F., & Fawcett, T. "Data Science for Business: What You Need to Know About Data Mining and Data-Analytic Thinking"Piemērots angļu valodas plūsmai
3.
Knaflic, C. N. "Storytelling with Data"Piemērots angļu valodas plūsmai
4.
Hyndman R. J., Athanasopoulos G. "Forecasting: Principles and Practice"
5.
Breiman, L. Random Forests. Machine Learning 45, 5–32 (2001)
6.
Chen, T., & Guestrin, C.XGBoost: A Scalable Tree Boosting System. KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785 - 794(2016)
7.
Breck E., Cai S., Nielsen E., Salib M. & Sculley D., The ML test score: A rubric for ML production readiness and technical debt reduction. 2017 IEEE International Conference on Big Data (Big Data), Boston, MA, USA, 2017, pp. 1123-1132.
8.
Hutter F., Kotthoff L., Vanschoren J."Automated Machine Learing", 2019.
9.
Barocas S., Hardt M., Narayanan A. "Fairness and Machine Learning: Limitations and Opportunities", 2023.
10.
Chen, T., & Guestrin, C. XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining , 2016, pp. 785–794.