169,95 € (70 % sedz ES) · 110 st. · šobrīd nav atvērtu grupu
Izskatiet iespēju pieteikties programmā Programmēšana datu pārvaldībai un analīzei ar Python, R un SQL — grupa sākas 30.11.2026. Kas kopīgs un kas atšķiras?
Par saviem līdzekļiem: reģistrēties.
STUDIJU MODUĻA MĒRĶIS:
Apgūt Python programmēšanas valodu tiem, kas nodarbojas ar liela apjoma datu apstrādi un un sensitīviem datiem izmantojot mūsdienīgus rīkus efektīvai un atkārtojamai datu pārvaldīšanai.
Apgūt datu programmētāja profesijas pamatus. Iemācīties veidot mākslīgā intelekta datu lietotnes un digitālus risinājumus biznesa datu pārvaldībai un automatizētai apstrādei.
169,95 € (pilna cena 566,50 €, 70 % sedz ES) · 110 st. · šobrīd nav atvērtu grupu
Izskatiet iespēju pieteikties programmā Programmēšana datu pārvaldībai un analīzei ar Python, R un SQL — grupa sākas 30.11.2026. Kas kopīgs un kas atšķiras abās programmās?
Uz programmu ar atvērtu grupu → Reģistrēties par saviem līdzekļiem
GALVENĀS TĒMAS:
Python pamati datu un MI rīku pārvaldīšanai:
1. Python darba vides sagatavošana. VSCode, Jupyter Notebooks un Google Colab vides pielāgošana tālākai darbībai;
2. Python programmēšanas valodas pamati datu apstrādei;
3. Objekt orientētas programmēšanas pamati Pyton;
4. Python rīki, kurus izmanto kopā ar mākslīgā intelekta rīkiem, lai paplašinātu to pielietošanas iespējas (piem. Pandas, Pydantic).
5. Jaudīgie Python lielo datu pārvaldības rīki kas ļauj efektīvi strādāt lokālā vidē (piem. DuckDB, Polars, Dask, Vaex, Modin);
6. Python rīki datu šifrēšanai (encryption) un atšifrēšanai (decryption).
Programmēšana datu pārvaldībai un analīzei ar MI
1. Mākslīgā intelekta darba vides sagatavošana
1.1. Colab vides sagatavošana.
1.2. VS Code vides sagatavošana.
2. Uzvedņu inženierijas (Prompt Engineering) pamati datu analītikai. Brīvā programmēšana ar MI
2.1. Uzvedņu inženierijas pamati ar Google AI Studio (Gemini modeļi).
2.2. Uzvedņu inženierija ar ChatGPT (GPT modeļi).
2.3. Brīvā programmēšana ar MI (Vibe Coding).
2.4. Dinamiska uzvedņu inženierija (Dynamic Prompt Engineering).
3. Darbs ar tabulām MI darba vidē. Datu vizualizācija un vizuālo datu analīze ar MI rīkiem
3.1. Darbs ar tabulām MI darba vidē (izmantojot Colab MI palīgu Pandas koda ģenerēšanai).
3.2. Datu vizualizācija un vizuālo datu analīze ar MI rīkiem (piem., Matplotlib un Seaborn koda ģenerēšana ar Colab MI palīgu).
4. Datu organizēšanas pamati, datu higiēna un datu transformācijas pamati ar MI rīkiem
5. Datu analīzes procesa automatizācija ar LangChain
5.1. Datu automatizēta izgūšana no PDF failiem un apkopošana CSV tabulās.
6. MI risinājumi darbam ar lieliem datiem. RAG (ieguves paplašinātās ģenerēšanas) pielietošana biznesa datu analītikā un dokumentu pārvaldes automatizācijā
6.1. RAG pamati.
6.2. RAG veidošana ar LlamaIndex.
6.3. RAG pielietošana biznesa datu analītikā un dokumentu pārvaldes automatizācijā.
7. MCP pielietošana datu analītikā un dokumentu pārvaldes automatizācijā
7.1. MCP rīku izmantošana datu ieguvei, apstrādei un vizualizācijai.
7.2. Prasmju (skills.md) izmantošana datu analītikā.
8. Biznesa prognozēšana ar MI rīkiem
8.1. Prognozējošo modeļu izstrāde un optimizācija biznesa datiem.
8.2. MI rīku pielietojums lēmumu atbalstam un tirgus tendenču prognozēšanai.
9. Jaudīgi lielo datu pārvaldības rīki efektīvam darbam ar MI risinājumiem
9.1. Mākoņdatošanas lielo datu pārvaldības rīki MI risinājumu atbalstam.
9.2. Lielo datu pārvaldības rīki lokālai videi un MI risinājumu integrācijai (piem., Dask).
10. Lielo valodas modeļu (LLM) lokālā ieviešana un uzturēšana. Informācijas drošības vadība MI risinājumos. MI risinājumu ieviešana ikdienas procesos
10.1. Lielo valodas modeļu (LLM) lokālā ieviešana un uzturēšana, izmantojot Ollama.
10.2. Informācijas drošības vadība MI risinājumos, MI ētika, datu aizsardzība un GDPR.
10.3. MI risinājumu ieviešana ikdienas procesos, balstoties uz lokāli izvietotiem LLM.
11. Ārējo datu avotu un sistēmu integrācija ar lielajiem valodas modeļiem (LLM). Darba plūsmu automatizācijas konveijeru izveide un automatizācijas aģenti
11.1. Ārējo datu avotu un sistēmu integrācija ar lielajiem valodas modeļiem (LLM).
11.2. Darba plūsmu automatizācijas konveijeru izveide (ar Prefect un LLM).
11.3. Automatizācijas aģentu izveide un darbība ikdienas procesos (LLM balstītu tērzēšanas robotu un datu analītikas aģentu izveide).
12. Daudzaģentu MI sistēmu izveide sarežģītu biznesa procesu un datu analītikas automatizācijai
12.1. Daudzaģentu sistēmu izveide un pārvaldība ar CrewAI.
12.2. Aģentu izveide darbam ar strukturētiem datiem, izmantojot Pydantic AI.
KAS KOPĪGS UN KAS ATŠĶIRAS ABĀS PROGRAMMĀS:
Tēmu salīdzinājums ar programmu Programmēšana datu pārvaldībai un analīzei ar Python, R un SQL.
Kopīgais
- Python pamati un objektorientētās programmēšanas pamati; darba vide VS Code, Jupyter Notebooks un Google Colab.
- Datu apstrāde ar Pandas, vizualizācija ar Matplotlib un Seaborn.
- Liela datu apjoma apstrāde lokālā vidē ar DuckDB, Polars, Dask, Vaex un Modin.
- Darba plūsmu automatizācija ar Prefect.
- Programmēšana ar MI rīku atbalstu.
Atšķirīgais
Programmēšana datu pārvaldībai un analīzei ar MI (šī programma) — uzsvars uz MI rīkiem un lielajiem valodas modeļiem (LLM) datu analītikā:
- uzvedņu inženierija ar Gemini un GPT modeļiem, brīvā programmēšana ar MI (Vibe Coding);
- datu izgūšana no PDF ar LangChain, RAG ar LlamaIndex, MCP rīki un prasmes (skills.md);
- biznesa prognozēšana ar MI rīkiem;
- LLM lokāla ieviešana ar Ollama; informācijas drošība, MI ētika, datu aizsardzība un GDPR; datu šifrēšana ar Python;
- LLM integrācija ar ārējiem datu avotiem, automatizācijas aģenti un daudzaģentu sistēmas (CrewAI, Pydantic AI).
Programmēšana datu pārvaldībai un analīzei ar Python, R un SQL — uzsvars uz datu inženieriju un datu lietotņu izstrādi:
- trīs valodas: Python, R (RStudio, dplyr, ggplot2, tidyverse) un SQL (PostgreSQL); Git un GitHub;
- datu modelēšana — konceptuālais un fiziskais modelis, ER diagrammas, PostgreSQL, DuckDB, Django ORM;
- ETL/ELT, datu avotu integrācija ar DLT, datu straumēšana ar Apache Kafka un Apache Flink;
- REST API ar Django REST un Postman; saskarnes un BI paneļi ar Django, Streamlit un R Shiny;
- mašīnmācīšanās un dziļā mašīnmācīšanās ar scikit-learn, TensorFlow, Keras un Hugging Face; MLOps ar MLflow; piegāde mākoņa vidē.
PASNIEDZĒJS:
Deniss Vasiļjevs, MSc, DipM, lektors
Kopējais stundu (akadēmiskais) skaits: 110 stundas, 4 ECTS kredītpunkti. Tiešsaistē 44 kontaktstundas, patstāvīgais darbs 66 stundas. Mācības notiek attālināti.
LĪDZFINANSĒJUMS:
Moduļa cena 566,50 EUR
Taisnīgas pārkārtošanās fonda projekta Nr. 6.1.1.5/1/25/I/001 "Prasmes reģionu iedzīvotājiem ekonomikas pārejai uz klimatneitralitāti" ietvaros mācību izmaksas 70% apjomā sedz no projekta līdzekļiem.
MĀCĪBU SĀKUMS UN LAIKS:
Jaunā grupa tiek plānota — datumi un laiki būs zināmi vēlāk. Grupā līdz 25 dalībnieki.
Dokuments par moduļa apguvi:
Augstskolu likuma 59².panta 3.daļā paredzētā apliecība par studiju moduļa apguvi.
Jautājumi?
Zvaniet 20040047, 67606101