Mākslīgā intelekta balstītu lietotņu programmēšana ar Python

• Python pamati MI programmētājiem
STUDIJU KURSA MĒRĶIS:
Apgūt Python programmēšanas valodu tiem, kas vēlas kļūt par MI programmētājiem, izmantojot mūsdienīgus rīkus efektīvai MI lietotņu izstrādei.

STUDIJU KURSA UZDEVUMI:
sniegt zināšanas par Python programmēšanu;
sniegt zināšanas par Python programmēšanas valodu efektīvam darbam ar MI rīkiem;
sniegt zināšanas par Python programmēšanu MI lietotņu izstrādei.

• Mākslīgā intelekta lietotņu programmēšana
STUDIJU KURSA MĒRĶIS:
Apgūt MI programmētāja profesijas pamatus. Iemācīties veidot mākslīgā intelekta (MI) lietotnes un digitālus risinājumus biznesa pārvaldībai un automatizācijai.

STUDIJU KURSA UZDEVUMI:
sniegt zināšanas par MI lietotņu izveidi;
sniegt zināšanas par MI programmu algoritmiem;
sniegt zināšanas par dažādu tehnisku MI risinājumu izvēli un izveidi biznesa pārvaldībai un automatizācijai;
sniegt zināšanas par datu konceptuālajiem modeļiem un fiziskajiem modeļiem MI lietotnēm;
sniegt zināšanas par piegādes/nodevumu testēšanas un darbināšanas vidēs integrāciju MI risinājumiem.

• Python pamati MI programmētājiem

1. Python darba vides sagatavošana. VSCode, Jupyter Notebooks un Google Colab vides pielāgošana tālākai darbībai.
2. Python programmēšanas valodas pamati. Kodēšana ar MI atbalstu.
3. Objektorientētas programmēšanas pamati Python.
4. Programmas koda pārvaldības sistēmas – Git un GitHub.
5. Python rīki, kurus izmanto kopā ar MI rīkiem, lai paplašinātu to pielietošanas iespējas (piem., Pandas, Pydantic).
6. Programmu prasību validācija, detalizācija un prototipēšana ar Django. Vienkāršo lietotņu izveide, kas var kalpot par pamatu MI lietotnēm. Programmatūras koda dokumentēšana atbilstoši vadlīnijām.
7. Programmas koda atkļūdošana, identificējot un novēršot kļūdas rašanās cēloni, izmantojot MI atbalstu.

• Mākslīgā intelekta lietotņu programmēšana

1. Dažādu MI tehnisko risinājumu (piem., čatboti, MI ķēdes plūsmas, RAG (Ieguves paplašinātas ģenerēšanas) sistēmas, daudzaģentu sistēmas, MCP) analīze un izvēles kritēriji. Atbilstošo MI tehnisko risinājumu izstrāde.
2. Datu konceptuālo modeļu un fizisko modeļu izveide, MI lietotnēm izmantojot SQL (DuckDB, Postgres), ne-SQL (MongoDB) datubāzes un vektoru datubāzes (ChromaDB).
3. Datu konceptuālo modeļu un fizisko modeļu izveide un pārvaldīšana ar Django ORM.
4. Uzvedņu inženierijas (Prompt engineeing) pamati, dinamiska uzvedņu inženierija (Dynamic prompt engineeing).
5. MI programmas algoritmu konstruēšana un aprakstīšana ar LangChain (Ķēžu (chains) izstrāde), Llamaindex (Datu indeksēšanas un vaicājumu apstrādes algoritmu izstrāde) un CrewAI (Aģentu sadarbības algoritmu izveide), ņemot vērā programmas prasības un biznesa vajadzības.
6. Programmu datu apstrāde, analizējot datu avotus ar MI risinājumiem. Darbs ar ārējiem datiem (piem., API, CSV, PDF, datubāzes), izmantojot MI rīkus un MCP protokolu.
7. MI testēšanas un piegādes darbināšanas vidēs integrācija ar REST API, izmantojot Django REST un Postman.
8. Darbs ar strukturizētiem datiem (piem., tabulas, JSON) MI lietotnēs.
9. MI programmu tīmekļa lietotņu saskarņu projektēšana un izstrāde ar Hugging Face Gradio un Streamlit.
10. MI programmu darbgalda un mobilo lietotņu saskarņu projektēšana un izstrāde, izmantojot Tkinter un ReactNative.

Nepieciešams dators ar interneta pieslēgumu, pārlūks Mozilla Firefox, Google Chrome vai Microsoft Edge. Skandas vai mobilais tālrunis ar Android vai iOS operētājsistēmu un Mozilla Firefox vai Google Chrome pārlūku.
Datorā jāvar instalēt un darbināt šādas pakotnes: Python, VS Code, NodeJS, Anaconda
Ļoti ieteicams otrs monitors vai otrs dators. Vēlams mikrofons.