Veidlapa Nr. M-3 (8)
Studiju kursa apraksts
Mākslīgā intelekta pamati un mašīnmācīšanās
Kursa kods
SZF_167
Zinātnes nozare
Citas elektrotehnikas, elektronikas, informācijas un komunikāciju tehnoloģiju apakšnozares; Elektrotehnika, elektronika, informācijas un komunikāciju tehnoloģijas
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
Iepriekšēja pieredze MI vai mašīnmācīšanās jomā nav nepieciešama. Tomēr pamatizpratne par matemātiku, īpaši lineāro algebru, statistiku un varbūtību teoriju, ir noderīga. Zināšanas par Python programmēšanu (piemēram, mainīgie, cilpas, funkcijas) un darbs ar strukturētiem datiem (piemēram, izklājlapām vai CSV failiem) atbalstīs iesaisti kursa apguvē. Par labu nāk arī spēcīgas analītiskās prasmes un interese par problēmu risināšanu.
Piemēram:
https://www.udacity.com/course/introduction-to-python--ud1110
https://www.udacity.com/course/intro-to-statistics--st101
Studiju rezultāti
Zināšanas
1.Izskaidrot galvenos algoritmus uzraudzītās un neuzraudzītās mācīšanās, tostarp regresijas, klasifikācijas, klasteru veidošanas un apkopošanas metodes.
Patstāvīgais darbs un pārbaudījumi
Patstāvīgais darbs • Literatūras studijas
2.Aprakstiet un interpretējiet modeļa novērtēšanas pamatrādītājus (piemēram, precizitāti, precizitāti, atsaukšanu) un analizējiet modeļa veiktspējas rezultātus.
Patstāvīgais darbs un pārbaudījumi
Literatūras studijas • Patstāvīgais darbs
3.Aprakstīt atvērtā pirmkoda AI/ML rīku un bibliotēku (piemēram, scikit-Learn) pamatfunkcijas.
Patstāvīgais darbs un pārbaudījumi
Patstāvīgais darbs • Literatūras studijas
Prasmes
1.Veikt pētniecisko un vizuālo datu analīzi un pamata datu pirmapstrādes paņēmienus.
Patstāvīgais darbs un pārbaudījumi
Individuālais darbs
2.Atpazīt galveno algoritmu lietošanas gadījumus uzraudzītās un neuzraudzītās mācīšanās, tostarp regresijas, klasifikācijas, klasteru veidošanas un apkopošanas metodēs.
Patstāvīgais darbs un pārbaudījumi
Individuālais darbs
3.Veidot un novērtēt mašīnmācīšanās modeļus
Patstāvīgais darbs un pārbaudījumi
Individuālais darbs
4.Izvietot pamata modeļus.
Patstāvīgais darbs un pārbaudījumi
Individuālais darbs
Kompetences
1.Interpretēt modeļa rezultātus un metrikas, lai pieņemtu uz datiem balstītus biznesa lēmumus
Patstāvīgais darbs un pārbaudījumi
MM risinājuma prezentācija
2.Integrēt MI/ML modeļu biznesa darbplūsmas, saskaņojot tehnoloģiskās iespējas ar organizācijas mērķiem.
Patstāvīgais darbs un pārbaudījumi
MM risinājuma prezentācija
3.Ņemt vērā ētiskus apsvērumus, piemēram, neobjektivitāti un godīgumu, piemērojot AI/ML uzņēmējdarbības vidē.
Patstāvīgais darbs un pārbaudījumi
MM 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 patstāvīgi darbi, kas pabeigti kursa laikā. Uzdevumi sastāv no praktiskiem uzdevumiem kas tiek izpildīti datorklasē. |
||
|
2.
MM risinājuma prezentācija |
50,00% no gala vērtējuma
|
10 balles
|
|
Noslēguma nodarbībā katrs studējošais prezentēs savu projektu, apliecinot izpratni un galveno koncepciju praktisko pielietojumu. 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
-
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.