Biznesa datu analīze ar MI risinājumiem

Mērķis:
Palīdzēt apgūt mākslīgā intelekta risinājumus biznesa datu analītikā tiem, kas nodarbojas ar liela apjoma datu apstrādi un salīdzināšanu, datu vizualizāciju un pārskatu veidošanu un vēlas kļūt par datu speciālistiem.

Sasniedzamie mācīšanās rezultāti:
Spēt ieviest MI risinājumus ikdienas procesos, pielāgojot tos dažādu lietotāju un situāciju vajadzībām sarežģītos kontekstos.
Prast automatizēt rutīnas uzdevumus ar MI un RPA rīkiem, izvēloties un pielāgojot stratēģiju atbilstoši konkrētai problēmai vai organizācijas vajadzībām.
Spēt apstrādāt liela apjoma datus un veidot interaktīvas atskaites ar MI risinājumiem, pielāgojot datu analīzes pieejas dažādām auditorijām un nolūkiem.
Prast vākt, apstrādāt un vizualizēt strukturētus un nestrukturētus datus ar MI palīdzību, izvēloties piemērotākās metodes sarežģītos digitālos kontekstos.
Pārzināt datu analīzes pamatus ar MI risinājumiem un spēt pielāgot analīzes pieeju, ņemot vērā citu lietotāju vajadzības un datu sarežģītību.
Spēt nodrošināt datu drošību un privātuma aizsardzību, izmantojot drošas datu apstrādes, uzglabāšanas un koplietošanas metodes, ievērojot ētiskos principus.

• IKT,   0,00 €,   Personas līdzfinansējums ir PVN 21% no apmērā no izglītības programmas izmaksām.

Python, R un SQL valodu priekšzināšanas 6. DigiComp līmenī.
Mašīnmācīšanās un dziļās mašīnmācīšanās pamatzināšanas 6. DigiComp līmenī.
Ieteicamas angļu valodas pamatzināšanas.

1. Mākslīgā intelekta darba vides sagatavošana.
1.1. Colab vides sagatavošana.
1.2. VSCode vides sagatavošana.
1.3. PandasAI pamati.
2. Uzvedņu inženierijas (Prompt engineering) pamati datu analītikai. Brīvā programmēšana ar MI.
2.1. Uzvedņu inženierijas pamati ar Google AI Studio (Gemini modeļi).
2.2. Uzvedņu inženierija ar ChatGPT (GPT modeļi).
2.3 Brīvā programmēšana ar MI (Vibe Coding)
2.4. Dinamiska uzvedņu inženierija (Dynamic prompt engineering).
3. Darbs ar tabulām mākslīgā intelekta darba vidē. Datu vizualizācija un vizuālo datu analīze  ar MI rīkiem.
3.1. Darbs ar tabulām MI darba vidē (izmantojot Colab MI palīgu Pandas koda ģenerēšanai).
3.2. Datu vizualizācija un vizuālo datu  analīze ar MI rīkiem (piem., Matplotlib un Seaborn koda ģenerēšana ar Colab MI palīgu).
4. Datu organizēšanas pamati, datu higiēnas un transformācijas pamati ar MI rīkiem.
5. Datu analīzes procesa automatizācija ar LangChain (piem., datu automatizēta izgūšana no pdf failiem un apkopošana CSV tabulās).
6. Mākslīgā intelekta risinājumi darbam ar lieliem datiem. RAG (ieguves paplašinātas ģenerēšanas) pielietošana biznesa datu analītikā un dokumentu pārvaldes automatizācijā.
6.1. RAG pamati.
6.2. RAG veidošana ar  LlamaIndex.
6.3. RAG pielietošana biznesa datu analītikā un dokumentu pārvaldes automatizācijā.
7. MCP pielietošana datu analītikā un dokumentu pārvaldes automatizācijā.
7.1. MCP rīku izmantošana datu ieguvei, apstrādei un vizualizācijai.
7.2. Dokumentu pārvaldības procesu automatizācija ar MCP risinājumiem.
8. Biznesa prognozēšana ar MI rīkiem.
8.1. Prognozējošo modeļu izstrāde un optimizācija biznesa datiem.
8.2. MI rīku pielietojums lēmumu atbalstam un tirgus tendenču prognozēšanai.
9. Jaudīgie lielo datu pārvaldības rīki, kas ļauj efektīvi strādāt ar MI risinājumiem.
9.1. Mākoņdatošanas lielo datu pārvaldības rīki MI risinājumu atbalstam.
9.2. Lielo datu pārvaldības rīki lokālai videi un MI risinājumu integrācijai (piem., Dask).
10. Lielo valodas modeļu (LLM) lokālā ieviešana un uzturēšana. Informācijas drošības vadība MI risinājumos. MI risinājumu ieviešana  ikdienas procesos.
10.1. Lielo valodas modeļu (LLM) lokālā ieviešana un uzturēšana, izmantojot Ollama.
10.2. Informācijas drošības vadība MI risinājumos.
10.3. MI risinājumu ieviešana ikdienas procesos, balstoties uz lokāli izvietotiem LLM.
11. Ārējo datu avotu un sistēmu integrācija ar lielajiem valodu modeļiem (LLM). Darba plūsmu automatizācijas konveijeru izveide. Automatizācijas aģentu izveide.
11.1. Ārējo datu avotu un sistēmu integrācija ar Lielajiem valodas modeļiem (LLM).
11.2. Darba plūsmu automatizācijas konveijeru izveide (ar Prefect un LLM).
11.3. Automatizācijas aģentu izveide un darbība ikdienas procesos (LLM balstīto chat-botu un datu analītikas aģentu izveide).
12. Daudzaģentu mākslīgā intelekta sistēmas sarežģīto biznesa procesu un datu analītikas automatizācijas sistēmu izveide.
12.1. Daudzaģentu sistēmu izveide un pārvaldība ar CrewAI.
12.2. Automātiskie aģenti un uzdevumu izpildes optimizācija ar AutoGen.
13. Risinājumi automatizētai datu ieguvei  no vairākiem avotiem (dažāda formāta faili, tīmekļa vietnes, datu bāzes, API u.c.)
13.1. Automatizēta  datu ieguve no vairākiem avotiem ar AI rīkiem.
13.2. Multimodālu datu apstrāde un analītika ar Gemini.
14. Pašapmācīties spējīgu biznesa procesu un datu analītikas automatizācijas sistēmu izveide.
14.1. Pašapmācīties spējīgu biznesa procesu automatizācijas sistēmu izveide ar daudzaģentu  rīkiem.
14.2. Datu analītikas automatizācija un pašapmācīgie modeļi ikdienas procesos.
15. Vektora datubāzes. Kontekstā balstīta meklēšana (Semantic search).
15.1. Vektoru datubāzes un to pielietojums datu glabāšanā un pārvaldībā.
15.2. Kontekstā balstīta meklēšana un MI rīku integrācija.
16. Tīmekļa meklēšanas un skrāpēšanas automatizācija, izmantojot mākslīgā intelekta risinājumus.
16.1. Automatizēta tīmekļa meklēšana ar MI rīkiem.
16.2. Interneta skrāpēšanas automatizācija un datu apstrāde ar MI rīkiem.
17. MI balstītu tīmekļa un mobilo aplikāciju izstrāde. Interaktīvo atskaišu veidošana.
17.1. MI balstītu tīmekļa un mobilo aplikāciju izstrāde.
17.2. Interaktīvu atskaišu un vizualizāciju veidošana ar Streamlit.
18. Rutīnas uzdevumu automatizācija ar Python RPA (Robotic Process Automation – robotizētās procesu automatizācijas) rīkiem.
18.1. Darbvirsmas uzdevumu automatizācija ar Python RPA rīkiem (piem., PyAutoGUI).
18.2. Tīmekļa uzdevumu automatizācija ar Python RPA rīkiem (piem., Selenium).

Dators ar Windows 10, vai macOS Monterey (12), vai Linux Ubuntu 22.04 LTS vai jaunākas versijas un interneta pieslēgums. Skandas vai austiņas, mikrofons.
Ieteicams otrs monitors.