Kursa nosaukums | Datizraces pamati |
Kursa kods | InfT4030 |
Zinātnes nozare | Elektrotehnika, elektronika, informācijas un komunikāciju tehnoloģijas |
Zinātnes apakšnozare | Datorvadība |
Kredītpunkti (ECTS) | 3 |
Kopējais stundu skaits kursā | 81 |
Lekciju stundu skaits | 16 |
Semināru un praktisko darbu stundu skaits | 16 |
Studenta patstāvīgā darba stundu skaits | 49 |
Kursa apstiprinājuma datums | 12/01/2016 |
Atbildīgā struktūrvienība | Datoru sistēmu un datu zinātnes institūts |
Kursa izstrādātājs(-i) | |
Mg. sc. ing., lekt. Ingus Šmits |
|
Priekšzināšanas Kursam priekšzināšanas nav nepieciešamas |
|
Kursa anotācija | |
Kursa ietvaros studenti tiek iepazīstināti ar datizraces uzdevumiem, to risināšanas un rezultātu analīzes metodēm. Praktisko nodarbību laikā tiek pētītas datizraces algoritmu pielietošanas iespējas reālu uzdevumu risināšanā. Praktisko darbu ietvaros apskatāmo algoritmu realizācijas tiek veidotas lietojot C# programmēšanas valodu. | |
Kursa rezultāti un to vērtēšana | |
• Zināšanas datizraces principiem;
• prasmes izvēlēties piemērotu risināšanas metodi datizraces problēmām; • kompetence patstāvīgi pielāgot datizraces algoritmus konkrētas problēmas risināšanai, analizēt iegūtos rezultātus. |
|
Kursa saturs(kalendārs) | |
1 Datu pirmapstrāde
2 „Naivā” Beijesa klasifkācijas metode, tuvākā kaimiņa klasifikācijas metode 3 Lēmumu koku izveides algoritms, entropijas izmantošana atribūtu iedalījumu noteikšanai, frekvenču tabulas iedalījumu 4 Klasificēšanas precizitātes noteikšana 5 Algoritms globālai diskretizācijai 6 Nevienozīmīgas klasifikācijas gadījumu apstrāde 7 Lēmumu koka atzarojuma līmeņa samazināšana datu pirmsapstrādē un pēcapstrādē. 8 Prism algoritms 9 Klasifikatora veiktspējas noteikšana 10 Asociāciju likumu iegūšana 11 Asociatīvo likumu ģenerēšana un to nozīmīguma mērīšana 12 Klāsterizēšanas algoritmi - k-mean algoritms 13 Klāsterizēšanas algoritmi - hierarhiskie klāsterizēšanas algoritmi 14 Klāsterizēšanas algoritmi - ātrie klāsterizēšanas algoritmi 15 Datizraces algoritmi darbam ar teksta kopām 16 Kursa projekta aizstāvēšana |
|
Prasības kredītpunktu iegūšanai | |
Ir izstrādāts kursa projekts un laicīgi iesniegta un aizstāvēta vismaz puse praktisko darbu.
Studenta kopējais vērtējums priekšmetā sastāvēs no šādām komponentēm: 1.praktisko darbu vērtējums (60%); 2.projekta vērtējums (40%). |
|
Obligātā literatūra | |
1. McKnight P.E., McKnight M., Sidani S., Figueredo A.J. Missing Data. A gentle introduction. The Guilford press, New York, London, 2007.
2. Bramer M. Principles of Data Mining, London: Springer Verlag, 2007. 3. Барсегян А.А., Куприянов М.С., Цтепаненко Б.Б., Холод И. И. Технологии анализа данних: Data Mining, Visual Mining, Text Minig, Olap, Санкт-Петербург: БХВ- Петербург, 2007. 375 c. |
|
Piezīmes | |
Obligātais izvēles studiju kurss ITF akadēmiskās bakalaura studiju programmas „Datorvadība un datorzinātnes”. |