Python datu analīzei un vizualizācijai ar MI atbalstu
Kursa mērķis
Attīstīt dalībnieku zināšanas un praktiskās iemaņas Python un ģeneratīvā mākslīgā intelekta (GenAI) izmantošanā datu iegūšanai, analīzei un vizualizācijai, izmantojot MI kā programmēšanas un datu analīzes asistentu.
Mācību laikā dalībnieki apgūs Python kā praktisku datu analīzes instrumentu – mācīsies iegūt un apstrādāt datus, veikt aprēķinus un analīzi, veidot vizualizācijas, automatizēt atkārtojamus analītiskos uzdevumus un interpretēt rezultātus. Īpaša uzmanība tiks pievērsta GenAI izmantošanai koda ģenerēšanā un skaidrošanā, kļūdu diagnosticēšanā, analīzes plānošanā un rezultātu interpretēšanā, vienlaikus attīstot prasmi kritiski pārbaudīt un pilnveidot MI piedāvātos risinājumus.
Mērķauditorija
Datu analītiķi un datu zinātnieki
Pētnieki
Biznesa analītiķi
Programmatūras izstrādātāji
Inženieri
Automatizācijas speciālisti
IT un citu jomu speciālisti, kuri vēlas paplašināt savas datu analīzes un vizualizācijas spējas, izmantojot Python
Kursa mērķis
Attīstīt dalībnieku zināšanas un praktiskās iemaņas Python un ģeneratīvā mākslīgā intelekta (GenAI) izmantošanā datu iegūšanai, analīzei un vizualizācijai, izmantojot MI kā programmēšanas un datu analīzes asistentu.
Mācību laikā dalībnieki apgūs Python kā praktisku datu analīzes instrumentu – mācīsies iegūt un apstrādāt datus, veikt aprēķinus un analīzi, veidot vizualizācijas, automatizēt atkārtojamus analītiskos uzdevumus un interpretēt rezultātus. Īpaša uzmanība tiks pievērsta GenAI izmantošanai koda ģenerēšanā un skaidrošanā, kļūdu diagnosticēšanā, analīzes plānošanā un rezultātu interpretēšanā, vienlaikus attīstot prasmi kritiski pārbaudīt un pilnveidot MI piedāvātos risinājumus.
Mērķauditorija
Datu analītiķi un datu zinātnieki
Pētnieki
Biznesa analītiķi
Programmatūras izstrādātāji
Inženieri
Automatizācijas speciālisti
IT un citu jomu speciālisti, kuri vēlas paplašināt savas datu analīzes un vizualizācijas spējas, izmantojot Python
Tehnoloģijas
MĀCĪBU NORISE
20% teorija un 80% prakse
Mācības notiek tiešsaistē 2 reizes nedēļā. Mācību process apvieno īsus teorētiskus skaidrojumus un demonstrācijas ar praktisku programmēšanu Python vidē, strādājot ar reālistiskām datu kopām un izmantojot GenAI programmēšanas un datu analīzes atbalstam.
Visa kursa garumā dalībnieki strādā ar vienotu praktisku projektu, pakāpeniski izveidojot pilnu Python datu analīzes risinājumu.
e-CF 4.1
D.7. Data Science and Analytics – L.3
B.1. Application Development – L.3
B.3. Testing – L.3
DigComp 3.0
1.2. Informācijas novērtēšana (augsts līmenis)
1.3. Informācijas pārvaldība (augsts līmenis)
Caurviju kompetences
Kritiskā domāšana
Analītiskā domāšana
Problēmu risināšana
Sistēmiskā domāšana
Datos balstīta lēmumu pieņemšana
Efektīva komunikācija
Patstāvīga problēmu izpēte
Pielāgošanās jaunām tehnoloģijām
Nepārtraukta mācīšanās un pilnveide
E-kompetences un caurviju kompetences
E-kompetences un caurviju kompetences
e-CF 4.1
D.7. Data Science and Analytics – L.3
B.1. Application Development – L.3
B.3. Testing – L.3
DigComp 3.0
1.2. Informācijas novērtēšana (augsts līmenis)
1.3. Informācijas pārvaldība (augsts līmenis)
Caurviju kompetences
Kritiskā domāšana
Analītiskā domāšana
Problēmu risināšana
Sistēmiskā domāšana
Datos balstīta lēmumu pieņemšana
Efektīva komunikācija
Patstāvīga problēmu izpēte
Pielāgošanās jaunām tehnoloģijām
Nepārtraukta mācīšanās un pilnveide
Priekšzināšanas
Vēlama pamata izpratne par darbu ar strukturētiem datiem, pieredze darbā ar Microsoft Excel, SQL, Power BI vai citiem datu apstrādes un analīzes rīkiem, kā arī izpratne par datu analīzes pamatprincipiem.
Python programmēšanas priek šzināšanas nav obligātas.
Iepriekšēja pieredze darbā ar MI rīkiem ir vēlama, bet nav obligāta.
Sertifikācija
Šajā programmā sertifikācija nav iekļauta.
Kursa tēmas
Python kā datu analītiķa darba instruments
Python pamati datu analītiķim
Darbs ar datiem, izmantojot pandas
Datu kvalitāte, tīrīšana un sagatavošana
Datu apvienošana un pārveidošana
Izpētes datu analīze
Datu vizualizācija ar Python
Praktiska datu analīze ar Python un MI
Kļūdu meklēšana un MI atbalstīta programmēšana
Atkārtojama datu analīze un automatizācija
Analīzes rezultātu interpretēšana un komunikācija
Noslēguma projekta pabeigšana un prezentācija
Mācīšanās rezultāti
Pēc sekmīgas mācību programmas apgūšanas dalībnieki spēs:
Izmantot Python vidi praktisku datu analīzes uzdevumu veikšanai
Lasīt, saprast un pielāgot datu analīzei nepieciešamu Python kodu
Izmantot Python pamatkonstrukcijas datu analīzes uzdevumos
Iegūt datus no izplatītiem datu avotiem
Izmantot pandas datu ielādei, izpētei, tīrīšanai un pārveidošanai
Apvienot, filtrēt, grupēt un agregēt datus
Apstrādāt trūkstošas, nekorektas un dublētas vērtības
Veikt aprakstošo un izpētes datu analīzi
Analizēt datu sadalījumu, tendences, novirzes un sakarības
Veidot datu vizualizācijas ar Python
Izvēlēties analīzes jautājumam piemērotu vizualizācijas veidu
Izveidot atkārtoti izmantojamus datu apstrādes un analīzes risinājumus
Izmantot ģeneratīvo MI Python koda ģenerēšanai, skaidrošanai un uzlabošanai
Izmantot MI programmēšanas kļūdu diagnosticēšanai
Izmantot MI kā palīgu datu izpētē un analīzes plānošanā
Kritiski pārbaudīt MI ģenerēto kodu, aprēķinus un analītiskos secinājumus
Dokumentēt un saprotami prezentēt Python datu analīzes rezultātus
Izveidot pilnu datu analīzes risinājumu no sākotnējiem datiem līdz secinājumiem un vizualizācijām
