uz sākumlapu

Mākslīgā intelekta pamati

0.0
Nav vērtējuma
Daugavpils Universitāte
Programmas veids
Studiju kurss
Brīvo vietu skaits
25 / 25
Stundu skaits
156
Iegūstamais izglītības dokuments
Apliecība
Paredzētais mācību norises laiks
jaukti
Priekšzināšanas

Vismaz vidējā izglītība

Informācija par izglītības programmu izglītības iestādes tīmekļa vietnē
Tavs līdzmaksājums
123,64 €
Mācību valoda
Latviešu
Mācību izmaksas par vienu dalībnieku
412,13 €
Maksimālais dalībnieku skaits mācību grupā
25

Mācību grupas

Attālināti

0.0
Nav vērtējuma
23.11.2026 - 20.03.2027 Brīvo vietu skaits: 25

Apraksts

KURSA MĒRĶIS: sniegt pamatzināšanas par intelektuālās datu analīzes tehnoloģijām – datu ieguvi un zināšanu atklāšanu no datiem, kā arī attīstīt praktiskas iemaņas datu analizēšanai ar mākslīgā intelekta metodēm, sniegt pamatzināšanas par mākslīgajiem neironu tīkliem, kā arī par to pielietojumu uzdevumu risināšanā.

KURSA UZDEVUMI:
• Apgūt profesionālo terminoloģiju mākslīgā intelekta, mākslīgo neironu tīklu un uz zināšanām balstīto sistēmu jomā;
• Iegūt praktiskas iemaņas noderīgas informācijas iegūšanai no datiem, pielietojot klasifikācijas metodes;
• Veicināt studenta spējas un kompetences veikt analizējamiem datiem nepieciešamo pirmsapstrādi un izvēlēties datu ieguves metodes, kas piemērotas konkrētam uzdevumam;
• Attīstīt prasmes aprakstīt mākslīgo neironu tīklu darbības principus un spēju pielietot neironu apmācības algoritmus;
• iegūt praktiskas iemaņas izskaidrot, salīdzināt un novērtēt neironu tīklu apmācībā iegūtos rezultātus.

Galvenās tēmas

Kursa mērķis, uzdevumi, mācību metodes un darba formas. Mākslīgais intelekts (MI) kā datorzinātnes nozare

Ievads mākslīgā intelekta pētījumu jomā. MI vēsture

Stāvokļu telpas analīze. Stāvokļu telpas grafs

Mašīnmācīšanās (definīcija, veidi, terminoloģija). Uzraudzītā un neuzraudzītā mašīnmācīšanās

Uz zināšanām balstītas sistēmas. Ekspertsistēmas (ES). ES pamatstruktūra

Uz zināšanām balstīta lēmumu pieņemšana

Secināšanas mehānisms. Tiešā secināšana. Inversā secināšana

Lēmumu koki. Klasifikācijas koki. Sašķelšanas kritēriji

Lēmumu koku konstruēšanas algoritmi. CART. C4.5

Lēmumu koku apgriešanas metodes

Klasifikācijas likumu inducēšana

Ekspertsistēmu paaudzes. Ekspertsistēmu pielietošanas jomas. Ekspertsistēmu attīstības virzieni

Mākslīgie neironu tīkli. Bioloģiskā neirona modelis. Mākslīgā neirona modelis. Dziļā mašīnmācīšanās.

Delta apmācības likums – daudzkategoriju nepārtraukts perceptrons.

Mākslīgo neironu tīklu arhitektūras. MNT pielietojuma priekšrocības un trūkumi

 

Personai nepieciešamais materiāltehniskais nodrošinājums

Dalībai programmā klātienē un attālināti nepieciešams:

  • dators ar stabilu interneta pieslēgumu;
  • tīmekļa pārlūkprogramma;
  • videokamera, mikrofons un austiņas attālinātajām nodarbībām;
  • piekļuve mācību platformai un videokonferenču rīkam;
  • iespēja instalēt mācību procesā nepieciešamās bezmaksas lietotnes.

Klātienes nodarbībās datortehniku, interneta pieslēgumu un nepieciešamo programmatūru nodrošina Daugavpils Universitāte. Ja dalībnieks izmanto savu datoru, tam jāatbilst programmatūras tehniskajām prasībām.

Prasības iepriekšējai izglītībai

Vispārējā vidējā izglītība (atestāts par vispārējo vidējo izglītību)

Saņem jaunumus e-pastā

Lai pieteiktos STARS e-pasta jaunumiem, lūdzu, aizpildiet zemāk redzamo formu.
Jūsu norādītajā e-pastā saņemsiet vēstuli, kurā būs jāaktivizē norādītā saite.