Kursa kods InfT4030
Kredītpunkti 3
Zinātnes nozareElektrotehnika, elektronika, informācijas un komunikāciju tehnoloģijas
Zinātnes apakšnozareDatorvadība
Kopējais stundu skaits kursā81
Lekciju stundu skaits16
Semināru un praktisko darbu stundu skaits16
Studenta patstāvīgā darba stundu skaits49
Kursa apstiprinājuma datums12.01.2016
Atbildīgā struktūrvienībaDatoru sistēmu un datu zinātnes institūts
Mg. sc. ing.
Kursa ietvaros studenti tiek iepazīstināti ar datizraces uzdevumiem, to risināšanas un rezultātu analīzes metodēm. Praktisko nodarbību laikā tiek pētītas datizraces algoritmu pielietošanas iespējas reālu uzdevumu risināšanā. Praktisko darbu ietvaros apskatāmo algoritmu realizācijas tiek veidotas lietojot C# programmēšanas valodu.
• Zināšanas datizraces principiem;
• prasmes izvēlēties piemērotu risināšanas metodi datizraces problēmām;
• kompetence patstāvīgi pielāgot datizraces algoritmus konkrētas problēmas risināšanai, analizēt iegūtos rezultātus.
1 Datu pirmapstrāde
2 „Naivā” Beijesa klasifkācijas metode, tuvākā kaimiņa klasifikācijas metode
3 Lēmumu koku izveides algoritms, entropijas izmantošana atribūtu iedalījumu noteikšanai, frekvenču tabulas iedalījumu
4 Klasificēšanas precizitātes noteikšana
5 Algoritms globālai diskretizācijai
6 Nevienozīmīgas klasifikācijas gadījumu apstrāde
7 Lēmumu koka atzarojuma līmeņa samazināšana datu pirmsapstrādē un pēcapstrādē.
8 Prism algoritms
9 Klasifikatora veiktspējas noteikšana
10 Asociāciju likumu iegūšana
11 Asociatīvo likumu ģenerēšana un to nozīmīguma mērīšana
12 Klāsterizēšanas algoritmi - k-mean algoritms
13 Klāsterizēšanas algoritmi - hierarhiskie klāsterizēšanas algoritmi
14 Klāsterizēšanas algoritmi - ātrie klāsterizēšanas algoritmi
15 Datizraces algoritmi darbam ar teksta kopām
16 Kursa projekta aizstāvēšana
Ir izstrādāts kursa projekts un laicīgi iesniegta un aizstāvēta vismaz puse praktisko darbu.
Studenta kopējais vērtējums priekšmetā sastāvēs no šādām komponentēm:
1.praktisko darbu vērtējums (60%);
2.projekta vērtējums (40%).
1. McKnight P.E., McKnight M., Sidani S., Figueredo A.J. Missing Data. A gentle introduction. The Guilford press, New York, London, 2007.
2. Bramer M. Principles of Data Mining, London: Springer Verlag, 2007.
3. Барсегян А.А., Куприянов М.С., Цтепаненко Б.Б., Холод И. И. Технологии анализа данних: Data Mining, Visual Mining, Text Minig, Olap, Санкт-Петербург: БХВ- Петербург, 2007. 375 c.
Obligātais izvēles studiju kurss ITF akadēmiskās bakalaura studiju programmas „Datorvadība un datorzinātnes”.