Kursa kods InfT5043

Kredītpunkti 2

Brīvprogrammatūra R statistikā

Zinātnes nozareKopējais stundu skaits kursāLekciju stundu skaitsSemināru un praktisko darbu stundu skaitsKursa apstiprinājuma datumsAtbildīgā struktūrvienība
Informācijas tehnoloģija (nav zn)24121220/02/2013Vadības sistēmu katedra

Kursa izstrādātāji

author prof.

Irina Arhipova

Inženierzinātņu doktors

author prof.

Līga Paura

Lauksaimniecības doktors

Papildliteratūra

1. Dalgaard P. Introductory statistics with R. New York [etc.]: Springer, 2002. 267 p.
2. Rahlf T. Datendesign mit R: 100 Visualisierungsbeispiele. Munchen: Open sourse press, 2014. 426 s. [ITF, VSK 1 eks.]
3. Ekstrøm C. T. The R primer. Boca raton [etc.]: CRP press of Taylor&Francis Group, 2012. 287 p. [ITF, VSK 1 eks.]
4. Zumel N., Mount J. Practical Data Science with R. Shelter Island: Manning publications Co., 2014. 416 p. [ITF, VSK 1 eks.]

Piezīmes

Izvēles kurss ITF Maģistra studiju programmai "Informācijas tehnoloģijas" un brīvās izvēles studiju kurss visu fakultāšu Maģistra studiju programmās.

Kursa anotācija

Studenti apgūst brīvi pieejamo programmu R grafisko attēlu veidošanai un tās pielietošanu datu apstrādē. R programmas un statistisko metožu apgūšanai pielietos reālos piemērus saistītos ar dažādām jomām. Iegūtās zināšanas studenti tālāk izmantos kursa darbu un maģistra darba izstrādē. Kursā ir iekļautas sekojošās tēmas: statistiskie rādītāji ar R, divu ģenerālkopu vidējo vērtību salīdzināšana ar R, viena un divu faktoru dispersijas analīze ar R, viena faktora korelācijas un regresijas analīze ar R.

Kursa rezultāti un to vērtēšana

Pēc studiju kursa studijām studentam būs:
• zināšanas par brīvi pieejamās programmas R iespējām un kritiska izpratne par datu apstrādes metodēm un to pielietošanu pētījumos (izstrādāti praktiskie darbi, sekmīgi uzrakstīti kontroldarbi);
• prasmes izmantot brīvi pieejamo programmu R datu apstrādē, argumentēti izskaidrot un diskutēt par metožu pielietošanu un realizēšanu konkrētās problemātikas pētījumam (izstrādāti praktiskie darbi, patstāvīgi izstrādāts mājas darbs);
• kompetences veikt maģistra darbā datu apstrādi, izmantojot R programmu, interpretēt iegūtos rezultātus, formulēt secinājumus, pamatot lēmumus un veikt to analīzi (sekmīgi uzrakstīti kontroldarbi, patstāvīgi izstrādāts un praktiskās nodarbībās prezentēts mājas darbs).

Kursa plāns

1. Ievads R.
2. Darbs R vidē: datu ievadīšana, importēšana un eksportēšana.
3. Darbs R vidē: datu masīva veidošana un manipulācijas ar to.
4. Darbs R vidē: Statistisko rādītāju aprēķināšana.
5. Darbs R vidē: grafisko attēlu veidošana.
6. Divu saistīto paraugkopu analīze ar R.
7. Divu nesaistīto paraugkopu analīze ar R.
1.kontroldarbs: grafiskie attēli, divu kopu salīdzināšana.
8. Viena faktora dispersijas analīze ar R.
9. Viena faktora dispersijas analīzes nosacījumu pārbaude ar R.
10. Divu faktoru dispersijas analīze ar R.
11. Dispersijas analīzes - heterogēnais komplekss ar R.
12. Korelācijas analīze ar R.
13. Regresijas analīze ar R.
14. Darbs R vidē: Darbs ar lielo datu masīvu (3h).
2.kontroldarbs: Disperijas analīze, regresijas analīze.

Prasības kredītpunktu iegūšanai

Ieskaite ar atzīmi (Ia). Ieskaites uzdevumu veido praktiskais uzdevums par studiju kursā apgūtajām tēmām un teorija par studiju kursā apgūto teorētisko vielu. Izstrādāti laboratorijas darbi. Sekmīgi uzrakstīti divi kontroldarbi.

Studējošo patstāvīgo darbu organizācijas un uzdevumu raksturojums

Patstāvīgā darba organizācija semestra laikā notiek patstāvīgi studējot literatūru, izmantojot mācībspēka konsultācijas. Izstrādāts un aizstāvēts mājas darbs. Mājas darbā ir jāizmanto divas dažādas statistiskās metodes reālo datu apstrādei.

Studiju rezultātu vērtēšanas kritēriji

Ieskaites (Ia) vērtējums ir atkarīgs no semestra kumulatīvā vērtējuma: 1.kontroldarbs: 40 punkti, 2. kontroldarbs: 40 punkti, mājas darbs: 20 punkti. 10 punkti veido ieskaites atzīmes 1 balli.
Studenti, kuriem studiju kursa kontroldarbu kumulatīvais vērtējums ir mazāks par 4, vai vēlas uzlabot to (ir vismaz 4), sesijas laikā kārto ieskaiti. Ieskaite iekļauj praktisko daļu (80%) un teoriju (20%).

Pamatliteratūra

1. An Introduction to R. http://cran.r-project.org/doc/manuals/R-intro.html [skatīts 7.decembrī 2018.]
2. Robert I. Kabacoff (2015) R in action: data analysis and graphics with R. Shelter Island, NY: Manning, 579 p.
3. James Gareth, at al. (2017) An introduction to statistical learning: with applications in R. New York : Springer, 426 p.