| Kursa nosaukums | Daudzvariāciju statistika ar R |
| Kursa kods | InfT6040 |
| Zinātnes nozare | Informācijas tehnoloģija (nav zn) |
| Kredītpunkti (ECTS) | 3 |
| Kopējais stundu skaits kursā | 81 |
| Lekciju stundu skaits | 16 |
| Laboratorijas darbu stundu skaits | 16 |
| Studenta patstāvīgā darba stundu skaits | 49 |
| Kursa apstiprinājuma datums | 20/02/2013 |
| 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 | |
| Studenti apgūst brīvi pieejamo programmu R un tās pielietošanu daudzpazīmju datu apstrādē. R programmas un statistisko metožu apgūšanai pielietos reālos piemērus saistītos ar dažādām jomām. Iegūtās zināšanas studenti tālāk izmantos maģistra darba izstrādē. Kursā ir iekļautas sekojošās tēmas: daudzpazīmju regresijas analīze, kovariācijas analīze (ANCOVA), jauktie lineārie modeļi, principālo komponentu analīze (PCA), faktoru analīze, klasteru analīze, diskriminantu analīze, daudzvariāciju dispersijas analīze (MANOVA). | |
| Kursa rezultāti un to vērtēšana | |
| • Zināšanas par brīvi pieejamās programmas R iespējām un kritiska izpratne par daudzpazīmju datu apstrādes metodēm un to pielietošanu pētījumos;
• prasmes spēj izmantot brīvi pieejamo programmu R daudzpazīmju datu apstrādē, argumentēti izskaidrot un diskutēt par daudzvariāciju metožu pielietošanu un realizēšanu konkrētās problemātikas pētījumam; • kompetence veikt maģistra darbā daudzpazīmju datu apstrādi, izmantojot R programmu, interpretēt iegūtos rezultātus, formulēt secinājumus, pamatot lēmumus un veikt to analīzi. |
|
| Kursa saturs(kalendārs) | |
| 1 Darbs R vidē: Darbs ar lielo datu masīvu.
2 Datu atlasīšana, šķirošana, jaunā datu masīva veidošana. 3 Daudzpazīmju regresijas analīze ar R. 4 Kovariācijas analīze ar R. 5 Nelineārā kovariācijas analīze ar R. 6 Jauktie lineārie modeļi ar R. 7 Fiksētie un randomie faktori modelī. Jauktais dispersijas analīzes komplekss. 8 1.kontroldabs: Daudzpazīmju regresijas analīze, kovariācijas analīze, jauktie lineārie modeļi. 9 Principālo komponentu analīze ar R. 10 Faktoru analīze ar R. 11 Klasteru analīze ar R. 12 2.kontroldarbs: Principālo komponentu analīze (PCA), faktoru analīze, klasteru analīze. 13 Divu grupu diskriminantu analīze ar R. 14 Daudzgrupu diskriminantu analīze ar R. 15 Daudzvariāciju dispersiju analīze: daudzgrupu MANOVA ar R. 16 3.kontroldarbs: Diskriminantu analīze, daudzvariāciju dispersijas analīze. |
|
| Prasības kredītpunktu iegūšanai | |
| Ieskaite ar atzīmi. Izstrādāti laboratorijas darbi. Sekmīgi uzrakstīti 3 kontroldarbi. Izstrādāts un aizstāvēts mājas darbs. Mājas darbā ir jāizmanto divas dažādas daudzvariāciju statistiskās metodes reālo daudzpazīmju datu apstrādei. | |
| Obligātā literatūra | |
| 1. Dalgaard P. Introductory statistics with R. New York [etc.]: Springer, 2002. 267 p.
2. Kottegoda, Nathabandu T. Applied statistics for civil and environmental engineers. Oxford, Malden, MA: Blackwell Publishing 2008. 718 p. 3. Ekstrøm C. T. The R primer. Boca raton [etc.]: CRP press of Taylor&Francis Group, 2012. 287 p. [ITF, VSK 1 eks.] |
|
| Papildliteratūra | |
| 1. An Introduction to R. http://cran.r-project.org/doc/manuals/R-intro.html [skatīts 18.janvārī 2012.] 2. Zar J. H. Biostatistical Analysis. New Jersey: Published by Prentice Hall, 1999. 591 p. [VMF Informācijas centra katalogs] | |
| Piezīmes | |
| Izvēles kurss ITF pilna laika maģistra studiju programmā „Informācijas tehnoloģijas” | |