Ekonomisko procesu prognozēšana
Studiju kursa ietvaros tiek aplūkotas ekonomisko procesu prognozēšanā plaši izmantotas modeļu pamatklases, ieskaitot dažādu iespēju apskatu no mašīnmācīšanās jomas ekonomisko procesu prognozēšanai. Katrai modeļu klasei tiek pievērsta uzmanība nepieciešamiem pieņēmumiem un to pārkāpumu vājināšanas metodēm. Papildus studiju kursā tiek aplūkoti modeļa dokumentācijas izstrādes posmi, kā arī modeļa validācijas posmi atbilstoši ES un ASV regulatoru vadlīnijām.
Studiju kurss ir pielāgots sociālo zinātņu studentiem, kā arī kombinēto studiju metodikai ietverot asinhronas un sinhronas studiju aktivitātes ar nepieciešamiem atbalsta materiāliem. Studiju kursa īstenošanai tiek izmantota lietotājam draudzīga zinātniskās programmēšanas valoda "R" RStudio vai JupyterHub vidē uz augstas veiktspējas skaitļošanas platformas (HPC) bāzes. Visi studiju kursā studējošie apgūst Eiropas iedzīvotāju digitālās kompetences ietvaram (DigComp) atbilstošās augstāko līmeņu digitālās prasmes.
Sper pirmo soli ceļā uz augsta līmeņa digitālajām prasmēm! Šis kurss ir daļa no RTU studiju kursa “Ekonomisko procesu prognozēšana” un paredzēts pašvadītai mācīšanās pieredzei, lai sniegtu ieskatu tematikā un veicinātu interesi. Kurss ir brīvi pieejams, taču tas neparedz sertifikāta iegūšanu.
Pilna apjoma studiju kurss sniedz būtisku pievienoto vērtību – tas piedāvā intensīvu praktisko darbu ar digitālajiem rīkiem un augstas veiktspējas skaitļošanas tehnoloģiju, nodrošinot Eiropas iedzīvotāju digitālo kompetenču ietvara (DigComp) 7.–8. līmenim atbilstošu augsta līmeņa digitālo prasmju attīstību.
Ja vēlies mācīties padziļināti un saņemt sertifikātu, kas apliecina iegūtās DigComp kompetences, piesakies pilna studiju kursa apguvei klausītāja statusā, izmantojot RTU Mūžizglītības departamenta piedāvājumu:
👉 https://www.rtu.lv/lv/studijas/uznemsana/kursi-klausitajiem
📞 +371 67089439
Studiju kursa mērķis: Studiju kursa mērķis ir veidot studējošo izpratni par plaši izmantojamiem modeļu veidiem ekonomisko procesu prognozēšanas jomā un attīstīt praktiskas iemaņas šādu modeļu radīšanā zinātniskās programmēšanas valodas R vidē.
Mērķauditorija: jebkurš ieinteresents
Sasniedzami rezultāti:
1. Pārzinot ekonomiskā modeļa kvalitātes rādītājus, ekonomiskās teorijas loģiku un matemātiskās teorijas prasības, spēj izstrādāt ekonomiskā procesa prognozēšanas modeli, balstoties uz daudzveidīgām izejas datu īpašībām (sezonalitāte, cikliskums, trends, homoskeds/heteroskeds, u.t.t.) (DigComp 8.līmenis).
2. Spēj veikt ekonomisko procesu prognozēšanas modeļu validācijas procesu (DigComp 7.līmenis).
3. Spēj atpazīt izejas datu īpašības.
4. Spēj pastāvīgi atrast un pielietot mašīnmācīšanās metodes ekonomisko procesu prognozēšanai.
Nepieciešamās priekšzināšanas: Studiju kurss balstās uz bakalaura studiju programmā iegūtajām zināšanām (ieteicamas zināšanas statistikas un matemātikas pamatos)
Prasības pret izmantojamajiem rīkiem un tehnoloģijām: PDF failu lasītājs, R programmēšanas valoda, RStudio, RTools.
Course Content
About Instructor
Konstantins Kozlovskis
1 Course
All courses
Siltuma elektrostacijas
Būvmehānika
Fundamentals of Computer Simulation and Modelling
Maritime Cybersecurity Management course
AI Implementation in Industry
Innovation Ecosystems Development and Management
Healthcare Data Processing and Management
Public eServices
Design of Adaptive Systems
Dabas ūdens apstrāde
Business Process Development and Management
Innovation Ecosystems: A Three-Part Learning Journey
Ekonomisko procesu prognozēšana
Robotics and Process Automation
Career Lab: Plan, Practice, Succeed
Data Spaces
Production Digitalization – Short Course Series
Practical Applications and Programming of Industrial Robots
Testa kurss 2
Machine Translation Skillset
Machine Learning for Textual Data Processing
Digital Edutainment Elements in Translation
Digital Sentiment Analysis
Multimodal Digital Semiotics
Digital Semantics and Pragmatics
Arhitektūras projektēšana
Biznesa etiķete un komunikācija
Introduction to Linguistics
Artificial Intelligence: Search and Its Applications
Telecommunications and Computer Networks
Course navigation
