Veidlapa Nr. M-3 (8)
Studiju kursa apraksts
Mākslīgā intelekta un datu zinātnes rīki
Kursa kods
SZF_171
Zinātnes nozare
Elektrotehnika, elektronika, informācijas un komunikāciju tehnoloģijas
Kredītpunkti (ECTS)
3,00
Mērķauditorija
Informācijas un komunikācijas zinātne; Uzņēmējdarbības vadība; Vadībzinātne
LKI
7. līmenis
Studiju veids un forma
Pilna laika
Studiju kursa īstenotājs
Kursa vadītājs
Artis Birziņš
Struktūrvienības vadītājs
Ieva Puzo
Struktūrvienība
Sociālo zinātņu fakultāte
Kontaktinformācija
Kuldīgas iela 9c, Rīga
Par studiju kursu
Mērķis
Studējošie šajā kursā iegūs zināšanas un praktiskas prasmes, kas ļauj pielietot jaunākās mākslīgā intelekta un datu zinātnes tehnoloģijas, kā arī ar tām saistītos rīkus, lai risinātu uzdevumus un radītu risinājumus biznesa vai organizācijas vidē. Apgūstot tādu tehnoloģiju un rīku izvēli un pielietojumu kā kognitīvie pakalpojumi, ģeneratīvā mākslīgā intelekta platformas, malas skaitļošanas (edge computing) un mašīnmācīšanās modeļu izvietošanas paņēmieni mākoņvidē un DevOps, studējošie iemācīsies organizēt atbilstošu izstrādes vidi, iespējot inovācijas un uzlabot operacionālo efektivitāti, sasniedzot organizācijas nospraustos mērķus ar MI un datu zinātnes pielietojumu saistītās jomās. Apvienojot teoriju un praksi, kurss sagatavos nākotnes līderus, kas zinās kādus rīkus un darba metodes pielietot, lai izmantotu tehnoloģiju iespējas.
Priekšzināšanas
Pamatzināšanas Python programmēšanā, datu zinātnes un mašīnmācīšanās pamati, studējošie ir pazīstami ar datu vizualizācijas metodēm. Iepriekšēja pieredze ar mākoņplatformām (piemēram, AWS, Azure) ir vēlama, taču nav obligāta. Šīs zināšanas palīdzēs studējošajiem apgūt kursā apskatītos mākslīgā intelekta rīkus un metodes.
Studiju rezultāti
Zināšanas
1.Studenti spēs atšķirt, definēt, aprakstīt un skaidrot MI un datu zinātnes tehnoloģiju un ar to saistīto rīku nozīmi un pielietošanas veidu MI un datu zinātnes risinājumu radīšanas procesā.
Patstāvīgais darbs un pārbaudījumi
Pārbaudījums
Prasmes
1.Studenti spēs konfigurēt un uzsākt izmantot ar MI un datu zinātnes tehnoloģiju saistītos rīkus, lai tos izmantotu jaunu MI un datu zinātnes risinājumu izstrādē.
Patstāvīgais darbs un pārbaudījumi
Kognitīvā pakalpojuma izmēģinājuma prototips • Modeļa mācīšana un inference skaitļošanas mākoņpakalpojumā
2.Studenti spēs izvēlēties piemērotus rīkus balstoties uz informāciju par sasniedzamo darba mērķi, datu veidu un riskiem.
Kompetences
1.Studenti spēs analizēt, izvērtēt un prezentēt MI un datu zinātnes risinājumu radīšanai vajadzīgo rīku alternatīvas, opcijas un pielietojumu organizācijas kontekstā.
Patstāvīgais darbs un pārbaudījumi
Pārbaudījums • Patstāvīgais darbs
2.Studenti spēs analizēt un izskaidrot dažādu rīku pielietojumu viena MI vai datu zinātnes projekta izstrādes ietvaros atkarībā no projekta darbaplūsmas vai fāzes.
Vērtēšana
Patstāvīgais darbs
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Patstāvīgais darbs |
25,00% no gala vērtējuma
|
Ieskaite
|
|
Teorētiskais jautājumu tests. 25% no kopvērtējuma. |
||
|
2.
Kognitīvā pakalpojuma izmēģinājuma prototips |
25,00% no gala vērtējuma
|
Ieskaite
|
|
Kognitīvā pakalpojuma izmēģinājuma prototips Uzdevums, kurā studējošais individuāli demonstrēs paša izvēlētu kognitīva mākoņpakalpojuma (piemēram, datorredze, balss, čats utt.) prototipu, tādējādi iepazīstoties ar izstādes procesā saistītajiem rīkiem. 25% no kopvērtējuma. |
||
|
3.
Modeļa mācīšana un inference skaitļošanas mākoņpakalpojumā |
25,00% no gala vērtējuma
|
Ieskaite
|
|
Modeļa mācīšana un inference skaitļošanas mākoņpakalpojumā Izmantojot izmēģinājuma vai citu versiju, studējošie trenēs un inferēs mašīnmācīšanās modeli, lai šajā procesā praktiski apgūtu iesaistītos rīkus. Vērtēšana tiks veikta balstoties uz veiksmīga darbības iznākuma apstiprinājuma. 25% no kopvērtējuma |
||
Pārbaudījums
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Pārbaudījums |
25,00% no gala vērtējuma
|
Ieskaite
|
|
MI un datu zinātnes rīku un darba vides organizēšanas uzņēmumā plānošana (grupas prezentācija) Gadījuma analīzes (case study) tipa uzdevums, kurā pēc iepazīšanās ar uzdevuma nosacījumiem un sasniedzamajiem organizācijas mērķiem, studējošajiem (grupās) ir jāizvērtē un jāizvēlas piemērotu rīku alternatīvas un jāizskaidro MI DevOps darba organizēšanas pieeja balstoties uz apgūto materiālu. Vērtēšanā vadīsimies pēc izvēlētā risinājuma atbilstības gadījuma aprakstā norādītajiem organizācijas mērķiem un ierobežojumiem. 25% no kopvērtējuma. |
||
Studiju kursa tēmu plāns
PILNA LAIKA
1. daļa
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads, MI aizsākumi no skaitļošanas tehnoloģijām un lielajiem datiem
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Datu zinātne un MI organizācijās - rīku ainava
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
DevOps MI un datu zinātnes risinājumu izstrādē
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Kognitīvie pakalpojumi un to pielietošana ar praktisko darbu
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Dziļā mācīšanās un neironu tīkli / Alternatīvi vieslektors vai praktiskā darba laiks
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Malu skaitļošana (edge computing)
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ģeneratīvais MI: rīki un iespējas
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
MI modeļu radīšana un pārvaldība mākonī: no trenēšanas līdz inferencei
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
MI modeļu radīšana un pārvaldība mākonī: no trenēšanas līdz inferencei / Vai vieslektors
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
MI modeļu izvietošana lokāli
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Riski un ētika MI risinājumu izstrādē
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
MI un MI rīku nākotnes tendences un noslēgums
|
Kopā kredītpunkti (ECTS):
3,00
Kontaktstundas:
24 ak. st.
Gala pārbaudījums:
Eksāmens
Bibliogrāfija
Obligātā literatūra
1.
Wikipedia. 2024. Cloud Computing. Wikimedia FoundationPiemērots angļu valodas plūsmai
2.
Eric Anderson, Florian Zettelmeyer. 2022. Leading with AI and Analytics Build Your Data Science IQ to Drive Business Value. McGraw-Hill EducationPiemērots angļu valodas plūsmai
3.
Microsoft. 2024. Azure Machine Learning documentationPiemērots angļu valodas plūsmai
Papildu literatūra
1.
Microsoft. 2024. What is Edge Computing?Piemērots angļu valodas plūsmai
2.
Jupyter Team. 2024. Project Jupyter DocumentationPiemērots angļu valodas plūsmai
Citi informācijas avoti
1.
Bob Swan. 2024. How to Build a Thriving AI Ecosystem with Lisa Su, CEO of AMDPiemērots angļu valodas plūsmai
2.
Kamrad Ahmed. 2024 AI and Data Scientist RoadmapPiemērots angļu valodas plūsmai
3.
Lex Fridman. 2024. Pieter Levels: Programming, Viral AI Startups, and Digital Nomad Life.Piemērots angļu valodas plūsmai
4.
NVDIA. 2024. NVIDIA CEO Jensen Huang Keynote at COMPUTEX 2024Piemērots angļu valodas plūsmai
5.
NVDIA. 2024. AI and The Next Computing Platforms With Jensen Huang and Mark ZuckerbergPiemērots angļu valodas plūsmai
6.
Warpdotdev. 2024. Easiest Way to Fine-Tune a LLM and Use It With OllamaPiemērots angļu valodas plūsmai