| Kursa nosaukums | Mašīnmācīšanās modeļu izveide izmantojot Python |
| Kursa kods | InfT3050 |
| Zinātnes nozare | Informācijas tehnoloģija (nav zn) |
| Kredītpunkti (ECTS) | 3 |
| Kopējais stundu skaits kursā | 81 |
| Lekciju stundu skaits | 33 |
| Semināru un praktisko darbu stundu skaits | 39 |
| Studenta patstāvīgā darba stundu skaits | 9 |
| Kursa apstiprinājuma datums | 11/01/2023 |
| Atbildīgā struktūrvienība | Datoru sistēmu un datu zinātnes institūts |
| Priekšzināšanas | |
| InfT3049, Ievadkurss mākslīgajā intelektā |
|
| Kursa anotācija | |
| Šī studiju kursa mērķis ir sniegt studentiem padziļinātu izpratni par mākslīgo intelektu (MI) un mašīnmācīšanos. Iemacīt studentus, izmantojot Python programmēšanas valodu un atvērtā pirmkoda programmatūras bibliotēkas, mašīnmācīšanās modeļu izveidi un pielietot šīs zināšanas, veidojot risinājumus dažādās nozarēs. Studiju kurss tiek apgūts patstāvīgi, izmantojot e-studiju portālā ievietotos mācību materiālos, kurus veido teorētiskie materiāli (lekcijas) un praktiskie darbi (uzdevumi) un testi. | |
| Kursa rezultāti un to vērtēšana | |
| Zināšanas:
- padziļināta izpratne par mākslīgo intelektu un mašīnmācīšanos, tostarp šajās jomās izmantotajiem algoritmiem un paņēmieniem; - zināšanas par Python programmēšanas valodu un atvērtā pirmkoda programmatūras bibliotēkām, kuras parasti izmanto mašīnmācībā. Prasmes: - prasme izmantot Python un atvērtā koda bibliotēkas, lai izveidotu mašīnmācīšanās modeļus un risinātu problēmas dažādās jomās; - prasme novērtēt, kuras problēmas var atrisināt, izmantojot mākslīgo intelektu, un izvēlēties atbilstošus algoritmus un paņēmienus šo problēmu risināšanai. Kompetences: - prasme pielietot savas zināšanas par mākslīgo intelektu un mašīnmācīšanos, lai izstrādātu risinājumus reālās pasaules problēmām dažādās jomās; - prasme strādāt ar mašīnmācīšanās modeļiem un izstrādāt sarežģītu problēmu risinājumus dažādos apstākļos. |
|
| Kursa saturs(kalendārs) | |
| 1. Ievads mašīnmācīšanā; 1 h; 1 (tests) h
2. Python pielietošana datu zinātnē; 8 h; 1 (tests) h 3. Scikit-learn bibliotēka; 18 h; 2 (2 testi) h 4. Mašīnmācīšanās modeļa izveide; 5 (praktiskie darbi) h 5. Mašīnmācīšanās modeļa izveide; 5 (praktiskie darbi) h 6. Tensorflow pamats priekš dziļās mašīnmācīšanās; 6 h; 2 (2 testi) h 7. Mašīnmācīšanās modeļa izveide; 14 (praktiskie darbi) h 8. Mašīnmācīšanās modeļa izveide; 15 (praktiskie darbi) h 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 prakstiskie 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 programmas Jupyter Notebooks un Tensorflow. |
|
| 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 | |
| Stuart Russell,Peter Norvig. Artificial Intelligence: A Modern Approach (4th Global ed.), Pearson Education, 1168pp., 2021. ISBN: 9781292401133
Aurélien Géron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd Edition). O'Reilly Media, Inc., 600 pp., 2019. ISBN: 9781492032649 Sebastian Raschka. Machine Learning with PyTorch and Scikit-Learn. Packt Publishing Ltd., 770 pp., 2022. ISBN: 9781801819312 https://inria.github.io/scikit-learn-mooc/index.html https://learn.microsoft.com/en-us/training/paths/tensorflow-fundamentals/ https://www.javatpoint.com/machine-learning https://scikit-learn.org/stable/user_guide.html |
|
| Periodika un citi informācijas avoti | |
| https://www.udemy.com/course/complete-machine-learning-and-data-science-zero-to-mastery/ https://developers.google.com/machine-learning/glossary | |
| Piezīmes | |
| Brīvās izvēles studiju kurss pamatstudiju studentiem | |