Veidlapa Nr. M-3 (8)
Studiju kursa apraksts
Mākslīgā intelekta projektu vadība
Kursa kods
SZF_172
Zinātnes nozare
Citas sociālās zinātnes, tai skaitā starpnozaru sociālās zinātnes un militārā zinātne
Kredītpunkti (ECTS)
6,00
Mērķauditorija
Informācijas un komunikācijas zinātne; Medicīnas tehnoloģijas; Uzņēmējdarbības vadība; Vadībzinātne; Veselības vadība
LKI
7. līmenis
Studiju veids un forma
Pilna laika
Studiju kursa īstenotājs
Kursa vadītājs
Māris Ancāns
Struktūrvienības vadītājs
Ieva Puzo
Struktūrvienība
Sociālo zinātņu fakultāte
Kontaktinformācija
Kuldīgas iela 9c, Rīga, szf@rsu.lv
Par studiju kursu
Mērķis
Kursa mērķis ir sagatavot studējošos efektīvai MI projektu plānošanai un vadīšanai dažādās nozarēs. Kurss nodrošinās teorētiskās zināšanas par MI tehnoloģijām un projektu vadības principiem, kā arī sniegs praktisko pieredzi, sadarbojoties ar uzņēmumiem. Studējošie attīstīs prasmes komandas darbā, resursu pārvaldībā un problēmu risināšanā, kas nepieciešamas veiksmīgai MI projektu realizācijai. Pabeidzot kursu, studējošie būs gatavi pielietot iegūtās zināšanas un vadīt MI projektus reālos biznesa scenārijos.
Priekšzināšanas
Vēlama iepriekšēja pieredze datu apstrādē un programmēšanā. Zināšanas par mākslīgo intelektu vai mašīnmācīšanās pamatiem ir vēlamas, taču nav obligātas.
Studiju rezultāti
Zināšanas
1.• AI/ML projektu dzīves cikls: Spēja identificēt un izskaidrot AI/ML projektu galvenos posmus, sākot no problēmas definēšanas līdz modeļa ieviešanai. • Datu apstrāde: Zināšanas par datu avotu identificēšanu, datu tīrīšanu un sagatavošanu modeļu izstrādei. • Modeļu izstrāde un trenēšana: Pārzināt dažādus ML algoritmus, to trenēšanu un hiperparametru regulēšanu. • Modeļu novērtēšana un uzraudzība: Prasme novērtēt un uzraudzīt modeļus, lai nodrošinātu ilgtermiņa veiktspēju un novērstu modeļa nobīdi. • Eksperimentēšana: Saprast eksperimentu ciklu AI/ML projektos un tā atšķirības no tradicionālās izstrādes.
Prasmes
1.• Modeļu novērtēšana un uzraudzība: interpretējiet, uzraugiet, novērtējiet modeļu veiktspēju un novirzes mazināšanu. • Datu analīzes pārraudzība: novērtējiet datu sagatavošanas/tīrīšanas un analīzes procesus, lai nodrošinātu augstas kvalitātes rezultātus. • Lietošanai gatavas platformas: izmantojiet esošās platformas, lai paātrinātu izstrādi. • Komunikācija: skaidri un efektīvi izskaidrojiet tehniskos procesus un rezultātus komandas locekļiem un ieinteresētajām personām. • Problēmu risināšana: identificējiet un atrisiniet problēmas, kas saistītas ar AI projektu vadību, bez tiešas iesaistīšanās tehniskajā izpildē.
Kompetences
1.• Stratēģiskā domāšana: spēja izprast un izstrādāt ilgtermiņa datus un AI stratēģijas, kas ir saskaņotas ar organizācijas mērķiem. • Uz datiem balstīta lēmumu pieņemšana: prasme pieņemt pārdomātus lēmumus, pamatojoties uz AI modeļa rezultātiem un datu analīzi. • Projektu vadība: kompetence AI/ML projektu plānošanā un koordinēšanā no koncepcijas līdz īstenošanai. • Komandas vadība: izpratne par komandas locekļu lomām un spējām.
Vērtēšana
Patstāvīgais darbs
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Patstāvīgais darbs |
-
|
-
|
|
Grupu darbs: studenti grupās uzņemsies lomas (projekta vadītājs, datu inženieris, datu zinātnieks utt.) un strādās pie problēmas risināšanas, ievērojot AI/ML projekta dzīves ciklu. Viņi definēs datu avotus, identificēs problēmas un izstrādās risinājumus. Šis grupu darbs var sākties lekciju sākumā un tiks prezentēts kursa beigās.
|
||
Pārbaudījums
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Pārbaudījums |
-
|
-
|
|
Grupas darba prezentācija pēdējā lekcijā (40%)
2 viktorīnas testi lekciju laikā (30%)
2 uz lekcijām balstītas esejas (30%)
|
||
Studiju kursa tēmu plāns
PILNA LAIKA
1. daļa
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Mākslīgā intelekta sistēmu optimizācija un paplašināšana
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
MVP ātra izstrāde
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Veiksmes mērīšana
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Datu stratēģija un vadība AI projektos
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Vieslekcija: kļūdas AI projektos
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Projekta iespējamības novērtēšana un riska analīze
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Vieslekcija: kļūdas AI projektos
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
AI projekta plānošana un resursu sadalīšana
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Komandas dinamika AI projektos
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Eksperimentu dizains un iterācija
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Mākslīgā intelekta sistēmu optimizācija un paplašināšana
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Robustas ML datu plūsmas veidošana
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Eksperimentu dizains un iterācija
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Mašīnmācīšanās projekta dzīves cikls
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Robustas ML datu plūsmas veidošana
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Projekta iespējamības novērtēšana un riska analīze
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Datu stratēģija un vadība AI projektos
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Veiksmes mērīšana
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Mašīnmācīšanās projekta dzīves cikls
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
AI projekta plānošana un resursu sadalīšana
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
MVP ātra izstrāde
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Grupas projekta darbu prezentācijas
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Komandas dinamika AI projektos
|
Kopā kredītpunkti (ECTS):
6,00
Kontaktstundas:
46 ak. st.
Gala pārbaudījums:
Eksāmens
Bibliogrāfija
Obligātā literatūra
1.
Andy Pardoe. Confident AI, 2024Piemērots angļu valodas plūsmai
2.
Andriy Burkov. Machine Learning Engineering, 2020Piemērots angļu valodas plūsmai
Papildu literatūra
1.
Tyagi L., Gupta A., Sisodia V.S. Revolutionizing Industries: AI-Driven Case Studies and Success Stories in Real-World Applications and Innovations. 2024. Proceedings of International Conference on Sustainable Computing and Integrated Communication in Changing Landscape of AI, ICSCAIPiemērots angļu valodas plūsmai
2.
Álvarez López J.A. Case Studies of Real AI Applications. 2022. Artificial Intelligence for Business: Innovation, Tools and Practices, pp. 141 - 157Piemērots angļu valodas plūsmai
3.
Gabsi A.E.H. Integrating artificial intelligence in industry 4.0: insights, challenges, and future prospects–a literature review. 2024. Annals of Operations ResearchPiemērots angļu valodas plūsmai
4.
Rashid A.B., Kausik M.A.K. AI revolutionizing industries worldwide: A comprehensive overview of its diverse applications. 2024. Hybrid Advances, 7, art. no. 100277Piemērots angļu valodas plūsmai