Veidlapa Nr. M-3 (8)
Studiju kursa apraksts
Datu apstrāde un vizualizācija
Kursa kods
SVI_004
Zinātnes nozare
Matemātika
Kredītpunkti (ECTS)
5,00
Mērķauditorija
Ārstniecība; Dzīvās dabas zinātnes; Informācijas un komunikācijas zinātne; Komunikācijas zinātne; Medicīnas pakalpojumi; Medicīnas tehnoloģijas; Politikas zinātne; Psiholoģija; Sabiedrības veselība; Tirgzinības un reklāma; Uzņēmējdarbības vadība; Vadībzinātne; Vecmāšu zinības; Veselības vadība; Zobārstniecība
LKI
7. līmenis
Studiju veids un forma
Pilna laika
Studiju kursa īstenotājs
Kursa vadītājs
Sergio Andres Uribe Espinoza
Struktūrvienības vadītājs
Daiga Behmane
Struktūrvienība
Veselības vadības docētāju grupa
Kontaktinformācija
Rīga, Kronvalda bulvāris 9, +371 67338307
Par studiju kursu
Mērķis
Kursa "Datu apstrāde un vizualizācija" mērķis ir sniegt studentiem pamatprasmes un zināšanas, kas nepieciešamas, lai prasmīgi apstrādātu, analizētu un vizualizētu datus, izmantojot R programmēšanas valodu. Kurss ir izstrādāts tā, lai sniegtu visaptverošu ievadu datu zinātnes koncepcijās, koncentrējoties uz datu manipulācijām, tīrīšanu un izpētes datu analīzi. Izmantojot praktiskas un uz projektiem balstītas mācības, studenti attīstīs spēju veidot izteiksmīgas vizualizācijas, efektīvi komunicēt uz datiem balstītas atziņas un pielietot analītiskās metodes, lai risinātu reālas problēmas digitālās veselības un veselības pārvaldības jomā.
Priekšzināšanas
Šajā kursā ir vēlamas, bet nav nepieciešamas pamatzināšanas par izklājlapām vai Excel. Tas ir paredzēts studentiem bez iepriekšējas pieredzes programmēšanā vai datu analīzē un sniedz pamatzināšanas par datu zinātnes koncepcijām, izmantojot R.
Studiju rezultāti
Zināšanas
1.Pabeidzot moduļa kursu, studenti: Izpratīs pētnieciskās datu analīzes principus un paņēmienus, koncentrējoties uz datu apkopošanu un vizualizāciju. Atzīstīs sakārtotu datu nozīmi un to lomu analīzes veicināšanā. Uzzinās par datu tīrīšanas procesiem, kas ir būtiski precīzai izpētes analīzei.
Prasmes
1.Studenti pratīs: Veikt rūpīgas izpētes analīzes, izmantojot dažādas vizualizācijas metodes. Identificēt modeļus, tendences un anomālijas datu kopās. Izmantot R, lai efektīvi manipulētu un sagatavot datus analīzei.
Kompetences
1.Studenti varēs: Novērtēt datu kvalitāti un veikt nepieciešamos pielāgojumus, lai atvieglotu ieskatu veicinošu izpēti. Izveidot informatīvas vizualizācijas, kas skaidri un efektīvi prezentē atklājumus. Izstrādāt analītisko domāšanas veidu, kas par prioritāti piešķir datu struktūru un datu attiecību izpratni.
Vērtēšana
Patstāvīgais darbs
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Patstāvīgais darbs |
-
|
-
|
|
• Patstāvīga zinātniskās literatūras apguve;
• Informācijas vākšana un analīze;
• Individuālo un grupu darbu sagatavošana un rezultātu prezentēšana.
|
||
Pārbaudījums
|
Virsraksts
|
% no gala vērtējuma
|
Vērtējums
|
|---|---|---|
|
1.
Pārbaudījums |
-
|
-
|
|
Iesaistīšanās un līdzdalība: aktīvas un jēgpilnas iesaistīšanās novērtējums interaktīvo lekciju laikā.
Uzdevumu kvalitāte un izpilde: Novērtējums, kas balstīts uz individuālo un grupu nodarbības kvalitāti, radošumu un savlaicīgu izpildi.
Capstone Project Excellence: Vērtēšana, pamatojoties uz pamatīgumu, novatorismu un analītisko dziļumu, kas parādīts galīgajā projektā.
Studenti tiks vērtēti, pamatojoties uz piedalīšanos klasē un prasmju praktisko pielietojumu, veidojot 40% no viņu kopējās atzīmes, kā arī noslēguma projektu par atlikušajiem 60%.
|
||
Studiju kursa tēmu plāns
PILNA LAIKA
1. daļa
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads R — sakārtoti dati — grafikas gramatika
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Ievads R — sakārtoti dati — grafikas gramatika
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Datu vizualizācijas pamati
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Datu vizualizācijas pamati
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Datu manipulācijas paņēmieni: sadalīt, lietot, apvienot
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Datu manipulācijas paņēmieni: sadalīt, lietot, apvienot
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Izpētes datu analīzes metodes
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Izpētes datu analīzes metodes
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Datu importēšana un tīrīšana
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Datu importēšana un tīrīšana
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Darbs ar stīgām un datumiem
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Darbs ar stīgām un datumiem
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Datu 'Wrangling'
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Datu 'Wrangling'
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Pievienošanās datu kopām R
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Pievienošanās datu kopām R
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Efektīva datu ziņošana ar R Markdown
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Efektīva datu ziņošana ar R Markdown
|
-
Lekcija
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Projekta prezentācijas un noslēguma piezīmes
|
-
Nodarbība/Seminārs
|
Modalitāte
|
Norises vieta
|
Kontaktstundas
|
|---|---|---|
|
Klātiene
|
Auditorija
|
2
|
Tēmas
|
Projekta prezentācijas un noslēguma piezīmes
|
Kopā kredītpunkti (ECTS):
5,00
Kontaktstundas:
40 ak. st.
Gala pārbaudījums:
Eksāmens
Bibliogrāfija
Obligātā literatūra
1.
"R for Data Science" - Grolemund. 2016. Garrett & Wickham, Hadley.
2.
Broman KW, Woo KH. 2017. Data organization in spreadsheets. PeerJ Preprints 5:e3183v1
3.
Ellis, S. E., & Leek, J. T. 2018. How to Share Data for Collaboration. The American Statistician, 72(1), 53–57.
Papildu literatūra
1.
"Modern Dive" - An Introduction to Statistical and Data Sciences
2.
Krzywinski, M., 2013a. Points of view: Elements of visual style. Nat. Methods 10, 371–371.
3.
Krzywinski, M., 2013b. Points of view: Labels and callouts. Nat. Methods 10, 275–275.
4.
Krzywinski, M., 2013c. Points of view: Axes, ticks and grids. Nat. Methods 10, 183–183.
5.
Krzywinski, M., Cairo, A., 2013. Points of view: Storytelling. Nat. Methods 10, 687–687.
6.
Krzywinski, M., Savig, E., 2013. Points of view: Multidimensional data. Nat. Methods 10, 595–595.
7.
Krzywinski, M., Wong, B., 2013. Points of view: Plotting symbols. Nat. Methods 10, 451–451.
8.
Streit, M., Gehlenborg, N., 2014. Points of View: Bar charts and box plots. Nat. Methods 11, 117–117.
9.
Wong, B., 2010. Design of data figures. Nat. Methods 7, 665.
10.
Producers, G.F., n.d. Effective tables and graphs in official statistics.
Citi informācijas avoti
1.
"Data Visualization: A Practical Introduction" - Kieran Healy.
2.
"Fundamentals of Data Visualization" - Claus O. Wilke. Wilke, C.O., n.d. Fundamentals of Data Visualization [WWW Document]. (accessed 4.17.20).
3.
Holtz, Y., n.d. The R Graph Gallery [WWW Document]. (accessed 10.13.20).