Praktiskā datu analītika ar mākslīgo intelektu

STUDIJU KURSA MĒRĶIS:
Apgūt mākslīgā intelekta atbalstītu datu analīzes un programmēšanas principus, izmantojot Python, MI asistentus, lielos valodu modeļus un mūsdienīgas datu apstrādes tehnoloģijas biznesa datu pārvaldībai, analīzei un automatizācijai.

STUDIJU KURSA UZDEVUMI:

● sniegt zināšanas par Python un MI rīku izmantošanu datu apstrādes un analīzes uzdevumos;
● sniegt zināšanas par MI asistentu, LLM, RAG un MI aģentu izmantošanu datu analītikas procesos;
● attīstīt prasmes analizēt, transformēt un vizualizēt datus, izmantojot programmēšanas un MI atbalsta rīkus;
● attīstīt prasmes veidot automatizētas datu analīzes darbplūsmas, izmantojot MI tehnoloģijas;
● attīstīt prasmes kritiski izvērtēt MI ģenerēto informāciju, ievērojot datu aizsardzības un atbildīgas MI izmantošanas principus.

SAGAIDĀMIE REZULTĀTI:

Zināšanas:
●    par Python programmēšanas un datu apstrādes pamatiem;
●    par MI asistentu un lielo valodu modeļu izmantošanu programmēšanā un datu analīzē;
●    par datu tīrīšanas, transformācijas, analīzes un vizualizācijas principiem;
●    par RAG, MI aģentu un daudzaģentu sistēmu izmantošanu datu analītikas uzdevumos;
●    par datu analītikas automatizācijas iespējām, izmantojot MI tehnoloģijas;
●    par MI ētiku, datu aizsardzību, GDPR un MI radītās informācijas uzticamības izvērtēšanu.

Prasmes:
●    spēt izmantot Python un MI rīkus datu apstrādei un analīzei;
●    spēt sagatavot, transformēt un vizualizēt strukturētus datus;
●    spēt izmantot MI asistentus koda izstrādei, analīzei un optimizācijai;
●    spēt izveidot vienkāršas LLM un RAG balstītas datu analītikas lietotnes;
●    spēt izmantot MI aģentus un automatizētas darbplūsmas datu analīzes uzdevumu veikšanai;
●    spēt pārbaudīt MI ģenerēto rezultātu kvalitāti un identificēt iespējamos riskus;
●    spēt dokumentēt izstrādātos datu analīzes risinājumus.

Kompetences:

● analizēt datu apstrādes uzdevumus un izvēlēties piemērotākos programmēšanas un MI risinājumus;
● izstrādāt un pielāgot datu analīzes algoritmus, izmantojot Python un MI atbalsta rīkus;
● veikt datu iegūšanu, transformāciju, analīzi un vizualizāciju atbilstoši noteiktām prasībām;
● veidot automatizētas datu analīzes darbplūsmas, izmantojot LLM, RAG un MI aģentus;
● izvērtēt MI risinājumu kvalitāti, drošību un atbilstību datu aizsardzības prasībām;
● sadarboties digitālās komandās un dokumentēt izstrādātos tehniskos risinājumus.

STUDIJU KURSA SATURS:

1. Mākslīgā intelekta darba vides sagatavošana un AI atbalstīta programmēšana

Mākslīgā intelekta darba vides sagatavošana datu analītikas uzdevumiem. Google Colab un Visual Studio Code izmantošana darbam ar Python un MI asistentiem. Python pamati datu analīzei: mainīgie, datu tipi, kolekcijas, funkcijas, darbs ar bibliotēkām. MI asistentu izmantošana koda ģenerēšanai, analīzei un optimizācijai.2. Python pamati. Mainīgie, datu tipi, kolekcijas, funkcijas, zarošanās struktūras, cikli, OOP pamati.

2. Uzvedņu inženierijas pamati datu analītikai un MI atbalstīta programmēšana

Uzvedņu inženierijas (Prompt Engineering) principi darbam ar lielajiem valodu modeļiem. Efektīvu uzvedņu izstrāde datu analīzes, programmēšanas un automatizācijas uzdevumiem, izmantojot Google AI Studio (Gemini modeļi) un ChatGPT (GPT modeļi). Brīvā programmēšana ar MI (Vibe Coding), dinamiska uzvedņu pielāgošana un MI izmantošana koda ģenerēšanai, analīzei un optimizācijai.

3. Datu analīze un vizualizācija ar MI atbalstu

Mākslīgā intelekta asistentu izmantošana datu analīzes procesā. Strukturētu datu apstrāde, izmantojot Python un Pandas bibliotēku, ar MI palīdzību veidojot datu atlases, transformācijas un analīzes risinājumus. Datu kvalitātes uzlabošana, datu sagatavošana analīzei un automatizēta analītisko uzdevumu veikšana. Datu vizualizācija, izmantojot Python rīkus (Matplotlib, Seaborn), kā arī MI atbalstīta vizuālo datu interpretācija un secinājumu formulēšana.

4. MI aģenti programmēšanai un datu analītikai: Cline, MCP un Skills

Mūsdienīgas MI aģentu izmantošanas pieejas programmēšanā un datu analītikā. Darbs ar AI kodēšanas aģentiem, piemēram, Cline, un to integrācija ar ārējiem rīkiem, izmantojot Model Context Protocol (MCP). Prasmju aprakstu (skills.md) izmantošana specializētu MI darba plūsmu izveidei. Datu iegūšana, apstrāde un analīze ar MI aģentu palīdzību.4. Darbs ar tabulām mākslīgā intelekta darba vidē. Datu vizualizācija un vizuālo datu analīze ar MI rīkiem.

5. Biznesa datu un dokumentu analīze ar LLM un RAG

Lielo valodu modeļu izmantošana biznesa informācijas analīzē. Retrieval-Augmented Generation (RAG) principi, dokumentu indeksēšana, iegultnes (Embeddings) un vektoru datubāzes. RAG risinājumu izveide ar LangChain vai LlamaIndex. Praktisks pielietojums dokumentu analīzē, zināšanu bāzu izveidē un uzņēmuma informācijas pārvaldības automatizācijā.

6. Daudzaģentu MI sistēmas un automatizētas darbplūsmas datu analītikai un automatizācijai

Daudzaģentu mākslīgā intelekta sistēmu darbības principi un to izmantošana sarežģītu datu analīzes uzdevumu automatizācijā. Specializētu MI aģentu sadarbība, lomu sadalījums, uzdevumu plānošana un rezultātu koordinēšana. Automatizētu analītikas darbplūsmu (workflow automation) izveide, izmantojot MI aģentus, rīku izsaukšanu (Tool Calling) un aģentu sadarbības mehānismus. Daudzaģentu risinājumu izstrāde, izmantojot, piemēram, CrewAI, un to pielietošana datu izgūšanai, apstrādei, analīzei un analītisko pārskatu sagatavošanai.

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.

Vispārējā vidējā izglītība (atestāts par vispārējo vidējo izglītību)