Kurss sniedz pamatzināšanas diskrētajā matemātikā un tās pielietojumā programmēšanā un mākslīgajā intelektā. Kursā tiek apgūta kopu teorija, matemātiskā loģika, relācijas un funkcijas, rekursija, kombinatorika, koki un grafi. Īpaša uzmanība pievērsta šo jēdzienu sasaistīšanai ar Python programmēšanu, stāvokļu telpām un meklēšanas uzdevumiem. Kurss veido pamatu diskrētu struktūru un algoritmisku metožu izmantošanai mākslīgā intelekta risinājumu izstrādē.
Kurss sniedz pamatzināšanas par vektoriem, matricām un to izmantošanu mākslīgā intelekta un datu apstrādes uzdevumos. Kursā tiek apgūtas darbības ar vektoriem un matricām, lineāro vienādojumu sistēmu risināšana, matricas rangs, inversā matrica, īpašvektori un īpašvērtības, kā arī datu transformācijas. Matemātiskie jēdzieni tiek sasaistīti ar praktisku realizāciju Python programmās.
- Pasniedzējs: Admin User
- Pasniedzējs: Admin User
- Pasniedzējs: Admin User
🔬 Kursa mērķis un pētniecības metodes
Kurss piedāvā izzināt matērijas īpašības, izmantojot divas papildinošas pieejas:
-
Molekulāri kinētiskā (statistiskā) metode: pēta procesus no mikroskopiskā skatu punkta, pieņemot, ka viela sastāv no haotiski kustošām daļiņām.
-
Termodinamiskā metode: pēta sistēmu kopumā, balstoties uz enerģijas pārvērtībām un makroskopiskiem parametriem, neņemot vērā vielas iekšējo struktūru.
🏗️ Pamati un stāvokļa parametri
Kurss definē fundamentālos jēdzienus, kas nepieciešami gāzu uzvedības aprakstīšanai:
-
MKT pamattēzes: Viela sastāv no daļiņām; tās ir nepārtrauktā kustībā; starp tām pastāv mijiedarbība.
-
Sistēmas stāvoklis: To raksturo tādi parametri kā spiediens (p), tilpums (V) un temperatūra (T).
-
Absolūtā temperatūras skala: Ievieš Kelvina skalu, kuras pamatā ir molekulu siltumkustības intensitāte.
🔄 Līdzsvars un procesi
Svarīga daļa veltīta tam, kā sistēmas mainās vai saglabā stabilitāti:
-
Līdzsvars: Stāvoklis, kurā makroskopiskie parametri nemainās laika gaitā (bez ārējas ietekmes).
-
Procesi: Izšķir līdzsvara (kvazistatiskos) procesus, kas noris ļoti lēni, un nelīdzsvara procesus.
🧪 Ideālas gāzes modelis un likumi
Kursa kodolu veido ideālas gāzes matemātiskais apraksts:
-
Vielas daudzums: Molu jēdziens un Avogadro skaitlis.
-
Stāvokļa vienādojumi: Galvenā uzmanība pievērsta Klapeirona-Mendeļejeva vienādojumam:
-
Gāzu maisījumi: Tiek apskatīts, kā kopējo spiedienu ietekmē dažādu gāzu komponentes (Daltona likums).
🔬 Kursa mērķis un pētniecības metodes
Kurss piedāvā izzināt matērijas īpašības, izmantojot divas papildinošas pieejas:
-
Molekulāri kinētiskā (statistiskā) metode: pēta procesus no mikroskopiskā skatu punkta, pieņemot, ka viela sastāv no haotiski kustošām daļiņām.
-
Termodinamiskā metode: pēta sistēmu kopumā, balstoties uz enerģijas pārvērtībām un makroskopiskiem parametriem, neņemot vērā vielas iekšējo struktūru.
🏗️ Pamati un stāvokļa parametri
Kurss definē fundamentālos jēdzienus, kas nepieciešami gāzu uzvedības aprakstīšanai:
-
MKT pamattēzes: Viela sastāv no daļiņām; tās ir nepārtrauktā kustībā; starp tām pastāv mijiedarbība.
-
Sistēmas stāvoklis: To raksturo tādi parametri kā spiediens (p), tilpums (V) un temperatūra (T).
-
Absolūtā temperatūras skala: Ievieš Kelvina skalu, kuras pamatā ir molekulu siltumkustības intensitāte.
🔄 Līdzsvars un procesi
Svarīga daļa veltīta tam, kā sistēmas mainās vai saglabā stabilitāti:
-
Līdzsvars: Stāvoklis, kurā makroskopiskie parametri nemainās laika gaitā (bez ārējas ietekmes).
-
Procesi: Izšķir līdzsvara (kvazistatiskos) procesus, kas noris ļoti lēni, un nelīdzsvara procesus.
🧪 Ideālas gāzes modelis un likumi
Kursa kodolu veido ideālas gāzes matemātiskais apraksts:
-
Vielas daudzums: Molu jēdziens un Avogadro skaitlis.
-
Stāvokļa vienādojumi: Galvenā uzmanība pievērsta Klapeirona-Mendeļejeva vienādojumam:
-
Gāzu maisījumi: Tiek apskatīts, kā kopējo spiedienu ietekmē dažādu gāzu komponentes (Daltona likums).
- Pasniedzējs: Admin User
- Pasniedzējs: Admin User
Moduļa "Python un matemātika mākslīgajam intelektam" ievada kurss. Moduļa mērķis ir nodrošināt programmēšanas un matemātisko zināšanu pamatu, kas nepieciešams mākslīgā intelekta programmatūras lietotņu izpratnei, uzbūvei un izstrādei, apguvi. Modulis paredz attīstīt prasmes izmantot Python programmēšanas valodu datu sagatavošanai, apstrādei un analīzei, kā arī praktiski pielietot lineārās algebras, matemātiskās analīzes, optimizācijas, varbūtību teorijas, statistikas un diskrētās matemātikas metodes mākslīgā intelekta uzdevumu risināšanā. Apgūstot modulī iekļautos kursus, dalībnieki iegūs izpratni par matemātiskajiem principiem, uz kuriem balstās mākslīgā intelekta algoritmi, un spēju tos sasaistīt ar programmatūras izstrādes risinājumiem, veidojot pamatu turpmākai mašīnmācīšanās, dziļās mācīšanās un citu mākslīgā intelekta tehnoloģiju apguvei un praktiskai izmantošanai.
- Pasniedzējs: Admin User