Veidlapa Nr. M-3 (8)
Studiju kursa apraksts
Datu zinātnes pielietojumi sabiedrības veselībā
Kursa kods
SVUEK_145
Zinātnes nozare
Klīniskā medicīna; Veselības aprūpes zinātne
Kredītpunkti (ECTS)
3,00
Mērķauditorija
Sabiedrības veselība; Veselības vadība
LKI
7. līmenis
Studiju veids un forma
Pilna laika
Studiju kursa īstenotājs
Kursa vadītājs
Uģis Kārlis Sprūdžs
Struktūrvienības vadītājs
Anda Ķīvīte-Urtāne
Struktūrvienība
Sabiedrības veselības institūts
Kontaktinformācija
Rīga, Kronvalda bulvāris 9, svek@rsu.lv, +371 67338307
Par studiju kursu
Mērķis
Iegūt padziļinātas zināšanas, iemaņas un prasmes specifiskās matemātiskās statistikas un jaunākās datu zinātnes metodēs studiju nolūkiem; darbam sabiedrības veselības specialitātē; kā arī veicināt datu zinātnes terminoloģijas apguvi un tās praktisko pielietošanu.
Priekšzināšanas
Pētniecības metodoloģija, statistikas pamattēmas, matemātika (vēlams) – logaritmi, diferenciāļi, prasmes darbā ar datoru.
Studiju rezultāti
Zināšanas
1.Veiksmīgas studiju kursa apguves rezultātā studenti: Atpazīs laikrindu analīzes terminoloģiju un tās izmantošanu; Pārzinās Oxmetrics programmas piedāvāto funckionalitāti laikrindu analīzē; Iemācīsies kā formulēt, attīstīt un ieviest prognozējošu klasifikācijas modeli, izmantojot KNIME platformu.
Prasmes
1.Veiksmīgas studiju kursa apguves rezultātā studenti pratīs: -Atvērt, izveidot un rediģēt laikrindu datus Oxmetrics programmā; -Izmantojot Oxmetrics platformu, korekti sagatavot vienas laikrindas aprakstošu modeli; -Izmantojot Oxmetrics platformu, korekti sagatavot daudzfaktoru laikrindas aprakstošu modeli; -Izmantojot KNIME platformu, atvērt un sagatavot datus klasifikācijas modeļa attīstīšanai; -KNIME platformā uzstādīt prognozējošā modeļa procedūru un to izpildīt; -Izmantojot KNIME platformu, izvērtēt prognozējošā modeļa derīgumu; -KNIME platformā identificēt prognozējošā modeļa galvenos faktorus un to ietekmes formu; -Izskaidrot klasifikācijas modeļa ieviešanas un monitoringa praksi; -Izveidot izmantoto metožu un rezultātu aprakstu.
Kompetences
1.Veiksmīgas studiju kursa apguves rezultātā, studenti spēs: Pareizi interpretēt un izvērtēt laikrindu modeļu pielietojumus sabiedrības veselības specialitātē; Izmantojot veselības aprūpes datus, izplānot, uzstādīt un izvērtēt prognozējošu klasifikācijas modeli.
Vērtēšana
Patstāvīgais darbs
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Patstāvīgais darbs |
-
|
-
|
|
Individuālais darbs ar lekciju piezīmēm – gatavošanās nodarbībām un kontroldarbiem, atbilstoši tematiskajam plānojumam; mājas uzdevumu ar datu apstrādi, modeļu attīstīšana, modeļu izvērtēšanu. Studiju kursa novērtēšanas anketas aizpildīšana.
|
||
Pārbaudījums
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Pārbaudījums |
-
|
-
|
|
Aktīva līdzdalība lekcijās un praktiskajās nodarbībās;
Apgūto terminu un metožu praktiskā pielietojuma pārbaudes;
Uzdoto mājas darbu pārbaude.
Studiju kursa noslēgumā eksāmens, kurā tiek pārbaudītas terminoloģijas un metožu zināšanas un to praktiskais pielietojums – 40%
Praktiskie uzdevumi datu apstrādē – 30%
Kontroldarbi – 30%
Par katru kavēto nodarbību – tēmas kopsavilkums, izmantojot norādīto literatūru (min. viena A4 lapa).
|
||
Studiju kursa tēmu plāns
PILNA LAIKA
1. daļa
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Laikrindu datu specifika. Piemēri. Vienas laikrindas analīze: tendence, stabilitāte, sezonalitāte, ekstrēmas vērtības.
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Laikrindu datu specifika. Piemēri. Vienas laikrindas analīze: tendence, stabilitāte, sezonalitāte, ekstrēmas vērtības.
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Laikrindu datu specifika. Piemēri. Vienas laikrindas analīze: tendence, stabilitāte, sezonalitāte, ekstrēmas vērtības.
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Laikrindu datu prognozēšanas modeļi: vienas laikrindas prognozēšana. Tendences un sezonalitātes faktori. Diferencēšana. Vienreizējie faktori. Autoregresija. Modeļa kvalitātes kritēriji. Notācija. Prognozēšanas intervālis.
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Laikrindu datu prognozēšanas modeļi: vienas laikrindas prognozēšana. Tendences un sezonalitātes faktori. Diferencēšana. Vienreizējie faktori. Autoregresija. Modeļa kvalitātes kritēriji. Notācija. Prognozēšanas intervālis.
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Laikrindu datu prognozēšanas modeļi: vienas laikrindas prognozēšana. Tendences un sezonalitātes faktori. Diferencēšana. Vienreizējie faktori. Autoregresija. Modeļa kvalitātes kritēriji. Notācija. Prognozēšanas intervālis.
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Daudzfaktoru laikrindu datu modeļi. Strukturālie un prognozējošie modeļi. Simultānie efekti. Efekti ar laika nobīdi. Iztrūkstošie efekti. Viltus korelācija. Logaritmiskais formulējums
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Daudzfaktoru laikrindu datu modeļi. Strukturālie un prognozējošie modeļi. Simultānie efekti. Efekti ar laika nobīdi. Iztrūkstošie efekti. Viltus korelācija. Logaritmiskais formulējums
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Daudzfaktoru laikrindu datu modeļi. Strukturālie un prognozējošie modeļi. Simultānie efekti. Efekti ar laika nobīdi. Iztrūkstošie efekti. Viltus korelācija. Logaritmiskais formulējums
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Daudzfaktoru laikrindu datu modelis kā simulācijas platforma.
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Daudzfaktoru laikrindu datu modelis kā simulācijas platforma.
|
-
Patstāvīgais darbs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
0
|
Tēmas
|
Daudzfaktoru laikrindu datu modelis kā simulācijas platforma.
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Laikrindu modeļi salīdzinājumā ar tradicionālajiem SIR tipa epidemioloģiskiem modeļiem.
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Laikrindu modeļi salīdzinājumā ar tradicionālajiem SIR tipa epidemioloģiskiem modeļiem.
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Prognozējošie modeļi atšķirībā no aprakstošiem modeļiem. Definīcija. Modeļa struktūras loģika. Lēmumu koks (“decision tree”) kā klasifikācijas modeļa piemērs. Priekšnosacījumi.
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Prognozējošie modeļi atšķirībā no aprakstošiem modeļiem. Definīcija. Modeļa struktūras loģika. Lēmumu koks (“decision tree”) kā klasifikācijas modeļa piemērs. Priekšnosacījumi.
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Prognozējošie modeļi atšķirībā no aprakstošiem modeļiem. Definīcija. Modeļa struktūras loģika. Lēmumu koks (“decision tree”) kā klasifikācijas modeļa piemērs. Priekšnosacījumi.
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Klasifikācijas modeļa attīstīšana: datu satavošana un sadalīšana, modeļa tipa izvēle, modeļa derīguma pārbaude. XGBoost modeļa metode.
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Klasifikācijas modeļa attīstīšana: datu satavošana un sadalīšana, modeļa tipa izvēle, modeļa derīguma pārbaude. XGBoost modeļa metode.
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Klasifikācijas modeļa attīstīšana: datu satavošana un sadalīšana, modeļa tipa izvēle, modeļa derīguma pārbaude. XGBoost modeļa metode.
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Klasifikācijas modeļa ieviešana. Galveno faktoru identificēšana un to ietekmes aprakstīšana. Modeļa monitorings.
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Klasifikācijas modeļa ieviešana. Galveno faktoru identificēšana un to ietekmes aprakstīšana. Modeļa monitorings.
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Klasifikācijas modeļa ieviešana. Galveno faktoru identificēšana un to ietekmes aprakstīšana. Modeļa monitorings.
|
-
Patstāvīgais darbs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
0
|
Tēmas
|
Klasifikācijas modeļa ieviešana. Galveno faktoru identificēšana un to ietekmes aprakstīšana. Modeļa monitorings.
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Konspektīvs pārskats par citiem modeļu tipiem. AutoML procedūra.
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Datorklase
|
1
|
Tēmas
|
Konspektīvs pārskats par citiem modeļu tipiem. AutoML procedūra.
|
Kopā kredītpunkti (ECTS):
3,00
Kontaktstundas:
24 ak. st.
Gala pārbaudījums:
Eksāmens
Bibliogrāfija
Obligātā literatūra
1.
Sprūdžs U. Lekciju materiāli 2022/2023
2.
Russell S & Norvig P. Artificial Intelligence: A Modern Approach. Pearson, 2021.
3.
Ārvalstu studentiem/For international students:
4.
Russell S & Norvig P. Artificial Intelligence: A Modern Approach. Pearson, 2021.