Kursa nosaukums | Brīvprogrammatūra R statistikā |
Kursa kods | InfT5043 |
Zinātnes nozare | Informācijas tehnoloģija (nav zn) |
Kredītpunkti (ECTS) | 3 |
Kopējais stundu skaits kursā | 81 |
Lekciju stundu skaits | 12 |
Semināru un praktisko darbu stundu skaits | 12 |
Studenta patstāvīgā darba stundu skaits | 57 |
Kursa apstiprinājuma datums | 18/10/2022 |
Atbildīgā struktūrvienība | Datoru sistēmu un datu zinātnes institūts |
Kursa izstrādātājs(-i) | |
Dr. agr., prof. Līga Paura Dr. sc. ing., prof. Irina Arhipova |
|
Priekšzināšanas Kursam priekšzināšanas nav nepieciešamas |
|
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.Studenti 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. Kursā ir iekļautas sekojošās tēmas: statistiskie rādītāji ar R, divu ģenerālkopu vidējo vērtību salīdzināšana ar R, viena un divu faktoru dispersijas analīze ar R, viena faktora korelācijas un regresijas analīze ar R. | |
Kursa rezultāti un to vērtēšana | |
Zināšanas
• 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); • 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: prot veikt maģistra darbā datu 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 R. [L – 1h]
2. Darbs R vidē: datu ievadīšana, importēšana un eksportēšana. [P – 0.5h] 3. Darbs R vidē: datu masīva veidošana un manipulācijas ar to. [P – 0.5h] 4. Darbs R vidē: Statistisko rādītāju aprēķināšana. [L – 1h, P – 1h] 5. Darbs R vidē: grafisko attēlu veidošana. [L – 1h, P – 1h] 6. Divu saistīto paraugkopu analīze ar R. [L – 1h, P – 1h] 7. Divu nesaistīto paraugkopu analīze ar R. [L – 1h, P – 1h] 1.kontroldarbs: grafiskie attēli, divu kopu salīdzināšana. [P – 1h] 8. Viena faktora dispersijas analīze ar R. [L – 1h, P – 0.5h] 9. Viena faktora dispersijas analīzes nosacījumu pārbaude ar R. [L – 1h, P – 1h] 10. Divu faktoru dispersijas analīze ar R. [L – 1h, P – 1h] 11. Dispersijas analīzes - heterogēnais komplekss ar R. [L – 1h, P – 1h] 12. Korelācijas analīze ar R. [L – 1h, P – 0.5h] 13. Regresijas analīze ar R. [L – 1h, P – 1h] 14. Darbs R vidē ar lielo datu masīvu. [L – 1h] 2.kontroldarbs: Dispersijas analīze, regresijas analīze. [P – 1h] |
|
Prasības kredītpunktu iegūšanai | |
Ieskaite ar atzīmi (Ia). Ieskaites uzdevumu veido praktiskais uzdevums par studiju kursā apgūtajām tēmām un teorija par studiju kursā apgūto teorētisko vielu. Izstrādāti laboratorijas darbi. Sekmīgi uzrakstīti divi kontroldarbi. | |
Studējošo patstāvīgo darbu organizācijas un uzdevumu raksturojums | |
Patstāvīgā darba organizācija semestra laikā notiek patstāvīgi studējot literatūru, izmantojot mācībspēka konsultācijas. Izstrādāts un aizstāvēts mājas darbs. Mājas darbā ir jāizmanto divas dažādas statistiskās metodes reālo datu apstrādei. | |
Studiju rezultātu vērtēšanas kritēriji | |
Ieskaites (Ia) vērtējums ir atkarīgs no semestra kumulatīvā vērtējuma: 1.kontroldarbs: 40 punkti, 2. kontroldarbs: 40 punkti, mājas darbs: 20 punkti. 10 punkti veido ieskaites atzīmes 1 balli. Studenti, kuriem studiju kursa kontroldarbu kumulatīvais vērtējums ir mazāks par 4, vai vēlas uzlabot to (ir vismaz 4), sesijas laikā kārto ieskaiti. Ieskaite iekļauj praktisko daļu (80%) un teoriju (20%). | |
Obligātā literatūra | |
1.An Introduction to R. http://cran.r-project.org/doc/manuals/R-intro.html [skatīts 7.decembrī 2018.]
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. |
|
Papildliteratūra | |
1.Dalgaard P. Introductory statistics with R. New York [etc.]: Springer, 2002. 267 p.
2.Rahlf T. Datendesign mit R: 100 Visualisierungsbeispiele. Munchen: Open sourse press, 2014. 426 s. [ITF, VSK 1 eks.] 3.Ekstrøm C. T. The R primer. Boca raton [etc.]: CRP press of Taylor&Francis Group, 2012. 287 p. [ITF, VSK 1 eks.] 4.Zumel N., Mount J. Practical Data Science with R. Shelter Island: Manning publications Co., 2014. 416 p. [ITF, VSK 1 eks.] |
|
Piezīmes | |
Izvēles kurss ITF Maģistra studiju programmai "Informācijas tehnoloģijas" un brīvās izvēles studiju kurss visu fakultāšu Maģistra studiju programmās. |