| Kursa nosaukums | Ievadkurss mākslīgajā intelektā |
| Kursa kods | InfT3049 |
| Zinātnes nozare | Informācijas tehnoloģija (nav zn) |
| Kredītpunkti (ECTS) | 3 |
| Kopējais stundu skaits kursā | 81 |
| Lekciju stundu skaits | 32 |
| Semināru un praktisko darbu stundu skaits | 37 |
| Studenta patstāvīgā darba stundu skaits | 12 |
| Kursa apstiprinājuma datums | 11/01/2023 |
| Atbildīgā struktūrvienība | Datoru sistēmu un datu zinātnes institūts |
| Priekšzināšanas Kursam priekšzināšanas nav nepieciešamas |
|
| Kursa anotācija | |
| Šī kursa mērķis ir sniegt studentiem pamata teorētiskās zināšanas par mākslīgo intelektu, tā pielietojumu dažādās jomās (kā, piemēram, finanšu joma, lauksaimniecība, veselības aprūpe utt.) un, kā tiek veidoti dažādi mākslīgā intelekta modeļi. Studiju kurss tiek apgūts patstāvīgi, izmantojot e-studiju portālā ievietotos mācību materiālos, kurus veido teorētiskie materiāli (lekcijas), praktiskie darbi (uzdevumi) un testi. | |
| Kursa rezultāti un to vērtēšana | |
| Zināšanas:
•mākslīgā intelekta pielietojumā; Prasmes: •pamatot, kāda veida AI modelis būtu vispiemērotākais konkrētu risinājuma izstrādei; •sagatavot datus, lai tos varētu tālāk izmantot mašīnmācīšanās modelim; •izmantot dažādas mākslīga intelekta platformas, kuras piedāvā izveidot savus mašīnmācīšanās modeļus, neizmantojot programmēšanas valodas Kompetences: •patstāvīgi izvērtēt, vai doto problēmjautājumu ir iespējams atrisināt, izmantojot mākslīgo intelektu, un kādi digitālie rīki būtu jāizmanto. |
|
| Kursa saturs(kalendārs) | |
| Tēma - lekcijas; praktiskie darbi
1. Ievads mākslīgajā intelektā (AI); 2 h; 2. AI lietojumprogrammas; 2 h; 3. AI un mašīnmācīšanās; 3 h ; 2 (tests) h 4. Mākslīgais intelekts un ētika; 2 h; 1(tests) h 5. Izpratne par datiem; 2 h; 1 (tests) h 6. Datu analīzes 101; 2 h; 1 (tests) h 7. Uzraudzītā mācīšanās; 3 h; 1 (tests) h 8. Regresija un mašīnmācīšanās; 3 h; 4 (praktiskie darbi) h 9. Microsoft Azure Machine Learning studio un citi rīki; 2 h; 1 (tests) h 10. Praktiskais uzdevums, izmantojot Azure Mazhine Learning rīku; 1 h; 5 (praktiskie darbi) h 11. Praktiskais uzdevums, izmantojot Azure Mazhine Learning rīku; 5 (praktiskie darbi) h 12. Neuzraudzīta mācīšanās; 3 h; 1 (tests) h 13. Stimulētā mācīšanās; 3 h; 1 (tests) h 14. Praktiskais uzdevums, izmantojot Azure Mazhine Learning rīku; 5 (praktiskie darbi) h 15. Mašīnredze un tās pielietojums; 2 h; 16. Vairāki praktiskie uzdevumi, pielietojot mašīnredzi Azure Mazhine Learning studio vidē.; 9 (praktiskie darbi) h 17. Dabiskās valodas apstrāde un tās praktiskais pielietojums; 2 h; 18. Vairāki praktiskie uzdevumi, pielietojot dabisko valodas apstrādi Azure Machine Learning studio vidē.; 9 (praktiskie darbi) h 19. Noslēguma tests; 2 h |
|
| Prasības kredītpunktu iegūšanai | |
| Ieskaite. Lai studiju kurss tiktu ieskaitīts kā sekmīgi apgūts:
1) Studentam ir jāiesniedz vismaz 80% no visiem praktiskajiem darbiem – pašpārbaudes testi un praktiskie darbi. Pašpārbaudes tests tiek uzskatīts par iesniegtu, ja students pareizi ir atbildējis uz vismaz 70% no jautājumu. 2) Sekmīgi nokārtots (vismaz 65%) gala pārbaudījums testa formātā. Ja students nav iesniedzis vismaz 80% no praktiskajiem darbiem, viņš netiek pielaists noslēguma testam. |
|
| Studējošo patstāvīgo darbu organizācijas un uzdevumu raksturojums | |
| Studiju kurss tiek apgūts patstāvīgi, studentam, izmantojot e-studiju portālā pievienotos materiālus.
Students seko pievienotajam kursa plānam, kurā aprakstīts gan kādā secībā ir jāapgūst studiju kursa lekcijas, gan kādus uzdevumus pildīt pēc lekcijas. Pēc noteiktām lekcijām, studentam ir jāizpilda pašpārbaudes testi, kas ir pievienoti studiju kursam un pieejami e-studiju portālā. Pašpārbaudes testi veidoti tā, lai studējošais varētu pārbaudīt savas zināšanas pēc teorijas apgūšanas par konkrēto tēmu. Papildus tam, studiju kursa laikā studentam ir jāveic praktiskie darbi. Praktisko darbu uzdevumu apraksti ir pievienoti un pieejami e-studiju portālā. Uzdevumu izpildi students veic tiešsaistē, izmantojot bezmaksas “Microsoft Azure Machine Learning Studio” versiju. |
|
| Studiju rezultātu vērtēšanas kritēriji | |
| Studiju kursa apguve tā noslēgumā tiek vērtēta ar ieskaitīts/neieskaitīts. Lai studiju kursa noslēgumā saņemtu “ieskaitīts”, students studiju kursa laikā izpilda vismaz 80% no visiem praktiskajiem darbiem un sekmīgi nokārto (vismaz 65%) gala pārbaudījumu testa formātā. | |
| Obligātā literatūra | |
| Ethem Alpaydin. Introduction to Machine Learning (Fourth Edition), The MIT Press, 712 pp., 2020. ISBN: 9780262043793
Stuart Russell,Peter Norvig. Artificial Intelligence: A Modern Approach (4th Global ed.), Pearson Education, 1168pp., 2021. ISBN: 9781292401133 https://learn.microsoft.com/en-us/training/paths/machine-learning-foundations-using-data-science/ https://www.javatpoint.com/artificial-intelligence-tutorial |
|
| Periodika un citi informācijas avoti | |
| https://www.coursera.org/learn/ai-for-everyone
https://www.coursera.org/learn/machine-learning https://developers.google.com/machine-learning/glossary |
|
| Piezīmes | |
| Brīvās izvēles studiju kurss pamatstudiju studentiem | |