LV EN RU DE FR

Datu analīze ar R

Kursa izstrādātājs

Kursa anotācija

Kursa mērķis ir sniegt pamatzināšanas par R valodu un par R skripta rakstīšanu lietišķo uzdevumu atrisināšanai. Kurss ir vērsts uz datu grafisko attēlošanu un datu analīzi ar R, izmantojot statistiskās datu apstrādes metodes. Studējošie 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.

Kursa rezultāti un to vērtēšana

Zināšanas:
• spēj parādīt padziļinātas zināšanas un izpratni par datu vizualizāciju un datu apstrādes metodēm,
• spēj parādīt padziļinātās zināšanas par brīvi pieejamās programmas R iespējām un ir kritiska izpratne par datu apstrādes metodēm un to pielietošanu pētījumos (izstrādāti praktiskie darbi, sekmīgi uzrakstīti kontroldarbi, teorijas tests);
Prasmes:
• prot izmantot brīvi pieejamo programmu R datu apstrādē, spēj argumentēti izskaidrot un diskutēt par metožu pielietošanu un realizēšanu konkrētās problemātikas pētījumam (izstrādāti praktiskie darbi, patstāvīgi izstrādāts mājas darbs);
Kompetences:
• Spēj patstāvīgi veikt maģistra darbā datu vizualizāciju un apstrādi, izmantojot R programmu, spēj interpretēt iegūtos rezultātus, formulēt secinājumus, pamatot lēmumus un veikt to analīzi (sekmīgi uzrakstīti kontroldarbi, patstāvīgi izstrādāts un praktiskās nodarbībās prezentēts mājas darbs).

Kursa saturs(kalendārs)

1. Ievads studiju kursā. Datu klasifikācija. Datu iegūšana un datu glabāšana. Datu grafiskā attēlošana. Datu apstrādes metožu klasifikācija. Datu apstrādes rīki. Ievads R. [Lekcijas - 1h, Praktiskie darbi - 2h]
2. Darbs R vidē: datu ievadīšana, importēšana un eksportēšana, datu masīva veidošana un manipulācijas ar to. Statistisko rādītāju aprēķināšana. [L – 1h, P – 2h]
3. Darbs R vidē: R pakotnes, RMarkdown pakotnes pielietošana R koda, datu analīzes rezultātu un rakstisko komentāru apvienošana vienā formatētā dokumentā. [L – 1h, P – 2h]
4. Darbs R vidē: datu vizualizācija, grafisko attēlu veidošana, parametru pievienošana attēliem. [L – 1h, P – 2h]
5. Hipotēžu pārbaude. Divu saistīto un nesaistīto paraugkopu analīze ar R. [L – 2h, P – 2h]
6. Korelācijas analīze, viena faktora regresijas analīze, regresijas analīzes nosacījumu pārbaude. [L – 1h, P – 2h]
7. Daudzfaktoru regresijas analīze, regresijas analīzes nosacījumu pārbaude. [L – 1h, P – 2h]
8. Datu transformācija un nelineārās regresijas modeļi. [L – 1h, P – 1h]
1.kontroldarbs: grafiskie attēli, divu kopu analīze, vienfaktora un daudzfaktoru regresijas analīze. [Praktiskie darbi - 2h]
9. Kontinģences analīze. Hi2 tests, Fišera tests. [L – 1h, P – 2h]
10. Klasteru analīze: hierarhiskā un nehierarhiskā. Hierarhiskā klasteru analīze. Distanču matricas aprēķināšana. Klasteru veidošanas metodes. [L – 1h, P – 2h]
11. Nehierarhiskā klasteru analīze: k-vidējo metode. [L – 1h, P – 2h]
12. Diskriminantu analīze [L – 1h, P – 2h]
13. Logaritmiskā regresija: viena un daudz faktoru. [L – 1h, P – 2h]
14. Darbs R vidē ar lielo datu masīvu. Neraksturīgo vērtību noteikšana: grafiskā pieeja un statistisko testu pieeja. [L – 1h, P – 2h]
15. Darbs R vidē ar lielo datu masīvu. Datu tīrīšana. [L – 1h, P – 1h]
2.kontroldarbs: kontingences analīze, klasteru un diskriminantu analīze. [Praktiskie darbi - 2h]

Prasības kredītpunktu iegūšanai

Kursa ietvaros paredzēti divi kontroldarbi ar aprēķiniem, kas veicami praktisko darbu laikā auditorijā. Viens patstāvīgais darbs, kas veicams patstāvīgi. Viens teorijas tests. Studiju kursa noslēguma vērtējums – eksāmens, kuru veido akumulējošs studiju rezultātu vērtējums.

Studējošo patstāvīgo darbu organizācijas un uzdevumu raksturojums

Studiju kursa ietvaros patstāvīgām studijām atvēlēts 114 stundas, kas tiek organizētas sekojoši: gatavošanās teorijas testam (34 stundas), patstāvīgā darba izpilde ar aprēķiniem (40 stundas); gatavošanās kontroldarbiem ar aprēķiniem (40 stundas).

Studiju rezultātu vērtēšanas kritēriji

Gala vērtējums studiju kursā veidojas:
20% teorijas tests par datu apstrādes metožu būtību, nozīmi un pielietojumu;
20% patstāvīgais darbs: veikt izvēlēta datu masīva analīzi interpretēt iegūtos rezultātus;
60% kontroldarbs ar aprēķiniem par datu grafisko attēlošanu un datu apstrādes metodēm. Darba vērtējums ir atkarīgs no izpildes pakāpes.
Studenti, kuriem studiju kursa kumulatīvais vērtējums ir mazāks par 4, sesijas laikā kārto eksāmenu. Eksāmens sastāv no praktiskās daļas (70%) un teorijas (30%).

Obligātā literatūra

1. An Introduction to R. http://cran.r-project.org/doc/manuals/R-intro.html [skatīts 7.decembrī 2023.]
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.
3. Kirk Andy. Data visualisation: a handbook for data driven design. - Los Angeles: SAGE, 2019. -312 lpp.

Papildliteratūra

1. Data science & big data analytics: discovering, analyzing, visualizing and presenting data / EMC Education Services. - Indianapolis, IN: John Wiley and Sons, 2015. - xviii, 410 lpp.
2. Gujarati D. N. Basic econometrics. 3rd ed. New York [etc.]: McGraw-Hill, Inc., 1995. 838 p.

Periodika un citi informācijas avoti

1. Journal of Data Analysis and Information Processing: ISSN Online: 2327-7203
www.scirp.org/journal/jdaip

Piezīmes

Obligātais studiju kurss IITF Maģistra studiju programmai "Informācijas tehnoloģijas"