.
Datu zinātnes pielietojumi sabiedrības veselībā
Studiju kursa apraksts
Kursa apraksta statuss:Apstiprināts
Kursa apraksta versija:2.00
Kursa apraksta apstiprināšanas datums:29.08.2024 11:14:53
| Par studiju kursu | |||||||||
| Kursa kods: | SVUEK_145 | LKI līmenis: | 7. līmenis | ||||||
| Kredītpunkti: | 2.00 | ECTS: | 3.00 | ||||||
| Zinātnes nozare: | Klīniskā medicīna; Veselības aprūpe | Mērķauditorija: | Sabiedrības veselība; Veselības vadība | ||||||
| Studiju kursa vadītājs | |||||||||
| Kursa vadītājs: | Uģis Kārlis Sprūdžs | ||||||||
| Studiju kursa īstenotājs | |||||||||
| Struktūrvienība: | Sabiedrības veselības institūts | ||||||||
| Struktūrvienības vadītājs: | |||||||||
| Kontaktinformācija: | Rīga, Kronvalda bulvāris 9, svek rsu[pnkts]lv, +371 67338307 | ||||||||
| Studiju kursa plānojums | |||||||||
| Pilns laiks - 1. semestris | |||||||||
| Lekcijas (skaits) | 15 | Lekciju ilgums (akadēmiskās stundas) | 1 | Kopā lekciju kontaktstundas | 15 | ||||
| Nodarbības (skaits) | 9 | Nodarbību ilgums (akadēmiskās stundas) | 1 | Kopā nodarbību kontaktstundas | 9 | ||||
| Kopā kontaktstundas | 24 | ||||||||
| Studiju kursa apraksts | |||||||||
| Priekšzināšanas: | Pētniecības metodoloģija, statistikas pamattēmas, matemātika (vēlams) – logaritmi, diferenciāļi, prasmes darbā ar datoru. | ||||||||
| Mērķis: | Iegūt padziļinātas zināšanas, iemaņas un prasmes specifiskās matemātiskās statistikas un jaunākās datu zinātnes metodēs studiju nolūkiem; darbam sabiedrības veselības specialitātē; kā arī veicināt datu zinātnes terminoloģijas apguvi un tās praktisko pielietošanu. | ||||||||
| Tēmu saraksts (pilna laika studijas) | |||||||||
| Nr. | Tēma | Īstenošanas forma | Skaits | Norises vieta | |||||
| 1 | Laikrindu datu specifika. Piemēri. Vienas laikrindas analīze: tendence, stabilitāte, sezonalitāte, ekstrēmas vērtības. | Lekcijas | 2.00 | datorklase | |||||
| Nodarbības | 1.00 | datorklase | |||||||
| 2 | Laikrindu datu prognozēšanas modeļi: vienas laikrindas prognozēšana. Tendences un sezonalitātes faktori. Diferencēšana. Vienreizējie faktori. Autoregresija. Modeļa kvalitātes kritēriji. Notācija. Prognozēšanas intervālis. | Lekcijas | 2.00 | datorklase | |||||
| Nodarbības | 1.00 | datorklase | |||||||
| 3 | Daudzfaktoru laikrindu datu modeļi. Strukturālie un prognozējošie modeļi. Simultānie efekti. Efekti ar laika nobīdi. Iztrūkstošie efekti. Viltus korelācija. Logaritmiskais formulējums | Lekcijas | 2.00 | datorklase | |||||
| Nodarbības | 1.00 | datorklase | |||||||
| 4 | Daudzfaktoru laikrindu datu modelis kā simulācijas platforma. | Lekcijas | 1.00 | datorklase | |||||
| Nodarbības | 1.00 | datorklase | |||||||
| 5 | Laikrindu modeļi salīdzinājumā ar tradicionālajiem SIR tipa epidemioloģiskiem modeļiem. | Lekcijas | 1.00 | datorklase | |||||
| Nodarbības | 1.00 | datorklase | |||||||
| 6 | Prognozējošie modeļi atšķirībā no aprakstošiem modeļiem. Definīcija. Modeļa struktūras loģika. Lēmumu koks (“decision tree”) kā klasifikācijas modeļa piemērs. Priekšnosacījumi. | Lekcijas | 2.00 | datorklase | |||||
| Nodarbības | 1.00 | datorklase | |||||||
| 7 | Klasifikācijas modeļa attīstīšana: datu satavošana un sadalīšana, modeļa tipa izvēle, modeļa derīguma pārbaude. XGBoost modeļa metode. | Lekcijas | 2.00 | datorklase | |||||
| Nodarbības | 1.00 | datorklase | |||||||
| 8 | Klasifikācijas modeļa ieviešana. Galveno faktoru identificēšana un to ietekmes aprakstīšana. Modeļa monitorings. | Lekcijas | 2.00 | datorklase | |||||
| Nodarbības | 1.00 | datorklase | |||||||
| 9 | Konspektīvs pārskats par citiem modeļu tipiem. AutoML procedūra. | Lekcijas | 1.00 | datorklase | |||||
| Nodarbības | 1.00 | datorklase | |||||||
| Vērtēšana | |||||||||
| Patstāvīgais darbs: | Individuālais darbs ar lekciju piezīmēm – gatavošanās nodarbībām un kontroldarbiem, atbilstoši tematiskajam plānojumam; mājas uzdevumu ar datu apstrādi, modeļu attīstīšana, modeļu izvērtēšanu. Studiju kursa novērtēšanas anketas aizpildīšana. | ||||||||
| Vērtēšanas kritēriji: | Aktīva līdzdalība lekcijās un praktiskajās nodarbībās; Apgūto terminu un metožu praktiskā pielietojuma pārbaudes; Uzdoto mājas darbu pārbaude. Studiju kursa noslēgumā eksāmens, kurā tiek pārbaudītas terminoloģijas un metožu zināšanas un to praktiskais pielietojums – 40% Praktiskie uzdevumi datu apstrādē – 30% Kontroldarbi – 30% Par katru kavēto nodarbību – tēmas kopsavilkums, izmantojot norādīto literatūru (min. viena A4 lapa). | ||||||||
| Gala pārbaudījums (pilna laika studijas): | Eksāmens | ||||||||
| Gala pārbaudījums (nepilna laika studijas): | |||||||||
| Studiju rezultāti | |||||||||
| Zināšanas: | Veiksmīgas studiju kursa apguves rezultātā studenti: Atpazīs laikrindu analīzes terminoloģiju un tās izmantošanu; Pārzinās Oxmetrics programmas piedāvāto funckionalitāti laikrindu analīzē; Iemācīsies kā formulēt, attīstīt un ieviest prognozējošu klasifikācijas modeli, izmantojot KNIME platformu. | ||||||||
| Prasmes: | Veiksmīgas studiju kursa apguves rezultātā studenti pratīs: -Atvērt, izveidot un rediģēt laikrindu datus Oxmetrics programmā; -Izmantojot Oxmetrics platformu, korekti sagatavot vienas laikrindas aprakstošu modeli; -Izmantojot Oxmetrics platformu, korekti sagatavot daudzfaktoru laikrindas aprakstošu modeli; -Izmantojot KNIME platformu, atvērt un sagatavot datus klasifikācijas modeļa attīstīšanai; -KNIME platformā uzstādīt prognozējošā modeļa procedūru un to izpildīt; -Izmantojot KNIME platformu, izvērtēt prognozējošā modeļa derīgumu; -KNIME platformā identificēt prognozējošā modeļa galvenos faktorus un to ietekmes formu; -Izskaidrot klasifikācijas modeļa ieviešanas un monitoringa praksi; -Izveidot izmantoto metožu un rezultātu aprakstu. | ||||||||
| Kompetences: | Veiksmīgas studiju kursa apguves rezultātā, studenti spēs: Pareizi interpretēt un izvērtēt laikrindu modeļu pielietojumus sabiedrības veselības specialitātē; Izmantojot veselības aprūpes datus, izplānot, uzstādīt un izvērtēt prognozējošu klasifikācijas modeli. | ||||||||
| Bibliogrāfija | |||||||||
| Nr. | Atsauce | ||||||||
| Obligātā literatūra | |||||||||
| 1 | Sprūdžs U. Lekciju materiāli 2022/2023 | ||||||||
| 2 | Russell S & Norvig P. Artificial Intelligence: A Modern Approach. Pearson, 2021. | ||||||||
| 3 | Ārvalstu studentiem/For international students: | ||||||||
| 4 | Russell S & Norvig P. Artificial Intelligence: A Modern Approach. Pearson, 2021. | ||||||||
