Kursa kods CitiD016

Kredītpunkti 6

Pētījumu metodoloģija

Zinātnes nozareCiti

Kopējais stundu skaits kursā162

Lekciju stundu skaits36

Semināru un praktisko darbu stundu skaits28

Studenta patstāvīgā darba stundu skaits98

Kursa apstiprinājuma datums10.06.2020

Atbildīgā struktūrvienībaDatoru sistēmu un datu zinātnes institūts

Kursa izstrādātāji

author prof.

Līga Paura

Dr. agr.

author prof.

Irina Arhipova

Dr. sc. ing.

Kursa anotācija

Doktoranti gūst zināšanas par kopējām zinātnisko pētījumu īstenošanas pamatprincipiem, pētījumu metodēm zinātnisko problēmu risināšanā, to atbilstību pētnieciskajam uzdevumam un materiālam, kā arī piemērotākās metodes izvēle un īstenošana. Studiju kurss orientēts uz zinātnisko problēmu risinājumu principu apgūšanu un metožu izvēli eksperimenta plānošanā, empīriskā materiāla ieguvē un datu matemātiskā apstrādē, procesu un sistēmu matemātiskā modelēšanā. Kursā ir ietvertas
matemātiskās modelēšanas, optimizācijas, matemātiskās statistikas, datu izraces, dzīvdzilves analīzes metodes un laika rindas analīzes metodes.

Kursa rezultāti un to vērtēšana

Pēc studiju kursa studijām doktorantam būs:
• zināšanas par pētījumu metožu aktuālajām zinātniskajām teorijām, atziņām un to pielietošanu pētījumos saistītos ar profesionālo jomu (semināru laikā analizētas un izvērtētas nepieciešamās matemātiskās metodes promocijas darba hipotēzes pārbaudei);
• prasmes patstāvīgi izvērtēt un izvēlēties zinātniskiem pētījumiem atbilstošas matemātiskās metodes, īstenojot būtiska apjoma oriģinālu pētījumu, no kura daļa ir starptautiski citējamu publikāciju līmenī (semināru laikā izvēlētas nepieciešamās matemātiskās metodes promocijas darba eksperimenta plānošanai, empīriskā materiāla ieguvei un datu matemātiskai apstrādei, procesu un sistēmu matemātiskai modelēšanai);
• kompetences sadarbībā ar promocijas darba vadītāju veikt patstāvīgu, kritisku analīzi un izvērtēšanu, risināt nozīmīgus pētnieciskus vai inovāciju uzdevumus, patstāvīgi izvirzīt pētījuma ideju (izstrādāts un aizstāvēts mājas darbs).

Kursa saturs(kalendārs)

1. Ievads studiju kursā. Pētījumu metodoloģijas studiju kursu dizains un savstarpējā mijiedarbība. Fundamentālie pētījumi, rūpnieciskie pētījumi, eksperimentālā izstrāde [L – 4h]
2. Dažādu datu apstrādes rīku izmantošana datu apstrādē: brīvprogrammatūra, komercprogrammatūra, tiešsaistes rīki. Brīvprogrammatūra R datu apstrādē. [L – 2h, P – 2h]
3. Matemātiskās modelēšanas metodes: augsmes ierobežojumu teorija, diferenciālo vienādojumu teorija, dinamisko sistēmu teorija, fraktāļu teorija, neironu tīklu teorija, svārstību un viļņu teorija [L – 2h, P – 2h]
4. Matemātiskās modelēšanas metodes: kategoriju teorija, kinētisko reakciju teorija, kopu teorija, membrānu teorija, sistēmu teorija, sarežģīto sistēmu teorija [L – 3h, P – 1h]
5. Matemātiskās statistikas metodes. Metožu klasifikācija un to pielietojums. [L – 2h, P – 2h]
6. Matemātiskās statistikas metodes. Parametriskām, neparametriskām datu apstrādes metodes. Vienvariācijas un daudzvariāciju statistika. [L – 3h, P – 1h]
7. Laika rindas analīze. Metožu klasifikācija un to pielietojums. Ekstrapolācijas un dekompozīcijas modeļi. [L – 2h, P – 2h]
8. Laika rindas analīze. Autoregresīvie integrētie slīdošā vidējā procesi ARIMA (p,d,q). Sezonālās ARIMA modeļi. Prognozēšanas uzdevumi un nozīme lēmumu pieņemšanā. [L – 3h, P – 1h]
9. Optimizācijas metodes. Metožu klasifikācija un to pielietojums. Lineārās programmēšanas uzdevumi. [L – 2h, P – 2h]
10. Optimizācijas metodes. Tīkla modeļi un to elementi. Transporta uzdevums. [L – 2h, P – 2h]
11. Datu izraces metodes. Metožu klasifikācija. Lēmumu pieņemšanas koki. Modeļa izvēle un klasifikācija. Brīvprogrammatūra WEKA (Data Mining with Open Source Machine Learning Tool). [L – 2h, P – 2h]
12. Dzīvildzes analīze. Izdzīvošanas laika aprakstīšanas metodes: dzīvības tabulas, Kaplana- Meijera metode, izdzīvošanas funkcija, Hazarda funkcija. [L – 3h, P – 1h]
13. Dzīvildzes analīze. Divu grupu salīdzināšanas metode - Log-rangu tests. Kvalitatīvo un kovariācijas fakroru ietekmes analīze - Koksa regresija. [L – 2h, P – 2h]
14. Eksperimenta plānošana. Eksperiments un tā organizēšana. Veiksmīgs eksperiments. Datu iegūšana. [L – 2h, P – 2h]
15. Eksperimenta plānošana. Eksperimenta plānošanas veidi. [L – 2h, P – 2h]
16. Mājas darba aizstāvēšana [P – 4 h]

Prasības kredītpunktu iegūšanai

Izstrādāts un aizstāvēts mājas darbs. Mājas darbā ir jāizmanto vismaz trīs dažādas pētījuma matemātiskās metodes reālo datu apstrādei.

Studējošo patstāvīgo darbu organizācijas un uzdevumu raksturojums

Patstāvīgā darba organizācija semestra laikā notiek patstāvīgi studējot literatūru, izmantojot mācībspēka konsultācijas.

Studiju rezultātu vērtēšanas kritēriji

Studiju rezultātu vērtējums ir atkarīgs no mājas darba izstrādes pakāpes. Minimālā studiju rezultātu vērtējumā iegūšanai nepieciešams, balstoties uz promocijas darba datiem, formulēt un pārbaudīt hipotēzes, izmantojot vismaz 3 pētījumu matemātiskās metodes eksperimenta plānošanā, empīriskā materiāla ieguvē un datu matemātiskā apstrādē, procesu un sistēmu matemātiskā modelēšanā.

Obligātā literatūra

1. Jiawei Han, Micheline Kamber. (2006) Data mining: concepts and techniques. San Fransisco: Morgan Kaufmann; Amsterdam [etc.]: Elsevier, 770 pp.
2. Michael P. Marder. (2011) Research methods for science. Cambridge; New York, NY: Cambridge University Press, 227 pp.
3. Joseph F. Hair, Jr., William C. Black, Barry J. Babin, Rolph E. Anderson (2014) Multivariate data analysis. Harlow, Essex: Pearson, 734 pp.
4. Robert I. Kabacoff (2015) R in action: data analysis and graphics with R. Shelter Island, NY: Manning, 579 pp.
5. Siegmund Brandt. (2014) Data analysis: statistical and computational methods for scientists and engineer. Springer, 523 pp.
6. Montgomery, Douglas C., Cheryl L. Jennings, and Murat Kulahci. (2015) Introduction to Time Series Analysis and Forecasting. 2nd ed. Hoboken, N.J.: Wiley-Interscience, Print. Wiley Ser. in Probability and Statistics.
7. Kim, S., Hosmer, D., & Lemeshow, S. (2002). Solutions manual to accompany Applied survival analysis : Regression modeling of time to event data [by] David W. Hosmer, Jr., Stanley Lemeshow / solutions manual authored by Sunny Kim. New York: Wiley-Interscience.

Papildliteratūra

1. John H. Schuenemeyer, Lawrence J. Drew. (2011). Statistics for Earth and Environmental Scientists. Hoboken, New Jersey: John Wiley & Sons, 407 pp.
2. Joseph F. Hair [et al.] (2010) Multivariate data analysis: a global perspective. Upper Saddle River [etc.]: Pearson, 800 pp.
3. Bunday, B. (1984). Basic optimisation methods / Brian D. Bunday. London: Edward Arnold.
4. Massimiliano Bonamente. (2013) Statistics and analysis of scientific data. New York: Springer, 301 pp.
5. Nathabandu T. Kottegoda, Renzo Rosso (2008) Applied statistics for civil and environmental engineers. Oxford; Malden, MA: Blackwell Publishing, 718 pp.
6. John W. Creswell. Research design: qualitative, quantitative, and mixed methods approaches. Thousand Oaks, Calif.: Sage, 2009, P.260.

Periodika un citi informācijas avoti

1. Statistical Analysis and Data Mining.Hoboken, Wiley-Blackwell. ISSN:1932-1864. E-ISSN:1932-1872
2. Electronic Journal of Applied Statistical Analysis. ESE - Salento University Publishing. ISSN:2070-5948
3. International Journal of Data Mining, Modelling and Management. Inderscience. ISSN:1759-1163. E-ISSN:1759-1171

Piezīmes

Doktora studiju obligātais kurss studiju programmās Mežzinātne, Koksnes materiāli un tehnoloģijas, Veterinārmedicīna, Ainavu arhitektūra, Vides inženierija, Būvzinātne, kā arī paredzēts citām studiju programmām, kurām šis kurss ir iekļauts studiju plānā.