LV EN RU DE FR

Statistiskās un datizraces metodes inženierzinātņu pētījumos

Kursa izstrādātājs

Kursa anotācija

Doktoranti apgūst statistiskās un datizraces metodes inženierzinātņu pētījumos no problēmas noteikšanas līdz datu analīzei un interpretācijai. Uzdevumu atrisināšanai izmantos statistisko analīžu datorprogrammas: SPSS un RStudio. Kursā ir ietvertas tradicionālās datu analīzes metodes un hipotēžu pārbaude: dispersijas analīze, regresijas analīze, kovariācijas analīze, diskriminantu analīze, galveno komponenšu analīze, klasteru analīze. Tiks analizēti datizraces procesa posmi un metodes: klasifikācija, klasterizācija, asociācija, neironu tīkli, secības šabloni, lēmumu pieņemšanas koki.

Kursa rezultāti un to vērtēšana

Pēc studiju kursa studijām doktorantam būs:
• zināšanas - spēj parādīt, ka pārzina un izprot aktuālākās zinātniskās teorijas un atziņas, pārvalda statistiskās un datizraces metodes inženierzinātņu pētījumos (praktiskās nodarbības laikā analizētas nepieciešamas statistiskās un datizraces metodes promocijas darba hipotēzes pārbaudei);
• prasmes - spēj patstāvīgi izvērtēt un izvēlēties inženierzinātņu pētījumiem atbilstošas statistiskās un datizraces metodes, ir veicis ieguldījumu zināšanu robežu paplašināšanā vai devis jaunu izpratni esošām zināšanām un to pielietojumiem praksē, īstenojot būtiska apjoma oriģinālu pētījumu, no kura daļa ir starptautiski citējamu publikāciju līmenī (praktiskās nodarbības laikā izvēlētas nepieciešamas statistiskās un datizraces metodes promocijas darba datu analīzei);
• kompetences - spēj, veicot patstāvīgu, kritisku analīzi, sintēzi un izvērtēšanu, risināt būtiskus pētnieciskus uzdevumus inženierzinātņu nozarē, patstāvīgi izvirzīt pētījuma ideju, plānot un rast risinājumu (izstrādāts un praktiskās nodarbības laikā aizstāvēts mājas darbs).

Kursa saturs(kalendārs)

1. Statistisko metožu klasifikācija.
2. Datu analīze ar hipotēžu pārbaudi.
3. Dispersijas analīze (ANOVA).
4. Regresijas analīze.
5. Kovariācijas analīze (ANCOVA).
6. Diskriminantu analīze.
7. Galveno komponenšu analīze (PCA).
8. Klasteru analīze.
9. Datizraces process un metodes.
10. Klasifikācija.
11. Klasterizācija.
12. Asociācija.
13. Neironu tīkli.
14. Secības šabloni.
15. Lēmumu pieņemšanas koki.
16. Mājas darba aizstāvēšana.

Prasības kredītpunktu iegūšanai

Izstrādāts un aizstāvēts mājas darbs. Mājas darbā ir jāizmanto vismaz trīs dažādas statistiskās un datizraces 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 statistiskās un datizraces metodes.

Obligātā literatūra

1. John H. Schuenemeyer, Lawrence J. Drew. Statistics for Earth and Environmental Scientists. Hoboken, New Jersey: John Wiley & Sons, 2011. P.407.
2. Nathabandu T. Kottegoda, Renzo Rosso. Applied statistics for civil and environmental engineers. Oxford; Malden, MA: Blackwell Publishing, 2008, P.718.
3. Jiawei Han, Micheline Kamber. Data mining : concepts and techniques. San Fransisco: Morgan Kaufmann; Amsterdam [etc.] : Elsevier, 2006, P.770.
4. Michael P. Marder. Research methods for science. Cambridge; New York, NY: Cambridge University Press, 2011, P.227.

Papildliteratūra

1. Hahn G. J., Shapiro S. S. Statistical Models in Engineering. A Wiley-Interscience Publication. John Wiley & Sons, INC, 1994, P. 347.
2. Gary D. Bouma, Rod Ling, Lori Wilkinson.The research process. Ontario: Oxford University Press, 2009, P.257.
3. 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. International Journal of Data Mining, Modelling and Management. Inderscience. ISSN:1759-1163. E-ISSN:1759-1171
3. Electronic Journal of Applied Statistical Analysis. ESE - Salento University Publishing. ISSN:2070-5948

Piezīmes

Studiju kurss LLU doktora studiju programmām angļu valodā.