• Iepazīstināt kursa klausītāju ar dažādām intelektuālās datu analīzes koncepcijām un tehnoloģijām, akcentējot daudzlīmeņu statistiskas analīzes un programmatūras pielietojuma iespējas plānošanas un biznesa risinājumu pieņemšanas procesoros.
• Attīstīt sapratini par populāro datu analīzes metožu iespējām un ierobežojumiem.
• Iepazīstināt ar data mining tehnoloģijām, kuras palīdz pētniekiem atpazīt partnerus un intelektuāli izmantot lielus datu masīvus, kas iegūti ar interneta, elektronisko veikalu, banku operāciju, sociālo tīklu utt.

Zināšanas un prasmes

• Pārzināt datu aprakstīšanas, prognozēšanas un klasifikācijas pamatmetodes;
• prast noformulēt datu analīzes uzdevumu, noteikt attiecīgu tehnoloģiju un ieviest tās atbīstošos zinātniska un biznesa rakstura projektos;
• spēt pielietot datu analīzes metodes reāliem datiem;
• spēt novērtēt un paskaidrot dažādu datu analīzes algoritmu rezultātus;
• prast identificēt iespējamās datu analīzes un biznesa prognozēšanas metodes pielietošanai biznesā un zinātnē;
• nepieciešamības gadījumā spēt korekti izmantot prezentācijās un pārskatos dotā priekšmeta leksiku un terminus.

Tēmas

1. Ievads. Galveno datu analīzes uzdevumu un tehnoloģiju apraksts. Datu intelektuālas analīzes process (CRISP-DM).
2. Dati. Datu tipi. Datu iepriekšējā apstrāde.
3. Aprakstošā statistika un datu vizualizācija.
4. Praktiskās nodarbības 1. Daudz-dimensiju datu vizualizācija (SPSS).
5. Statistisko hipotēžu pārbaude un to izmantošana datu analīzē (marketings, transporta mezglu drošuma analīze un c.).
6. Praktiskās nodarbības 2. Datu analīze par kravu, sabiedriskā transporta kavējumiem SPSS bāzes.
7. Prognozēšanas metodes. Daudz dimensiju regresijas analīze. Laika rindas.
8. Praktiskās nodarbības 3. Regresijas modelis kravu un pasažieru pārvadājumu apjoma prognozēšanai SPSS bāzes.
9. Case 1. Īstermiņa prognozēšanas modeļi pasažieru pārvadājumiem.
10. Klasifikācijas algoritmi bez apmācības. Objektu līdzības mēri. Klasteranalīze. Hierarhiskā klasterizācija. K-vidējo procedūras. Klasterizacijas rezultātu validācija.
11. Praktiskās nodarbības 4. Klientu segmentēšana uz klasteru analīzes bāzes.
12. Klasifikācijas algoritmi. Diskriminantā analīze. Krāp niecības atklāšana, novērtēšana.
13. Praktiskās nodarbības 5. Kredītreitings.
14. Case study 2. Intelektuālo datu analīzes metožu izmantošana marketinga un klient attiecību pārvaldībā.
15. Dimensijas pazemināšanas problēmas būtība un tās risināšanas metodes. Galveno komponentu metode un faktoru analīzes modeļi. Benčmarkings un kompozīta indikatoru konstruēšana.
16. Jaunas tehnoloģijas, metodes un aplikācijas. Lieli dati.