Машинско учење

1.

Наслов на наставниот предмет

Машинско учење

Machine learning

2.

Код

F23L3S036

3.

Студиска програма

Стручни студии за програмирање, Примена на информациски технологии, Софтверско инженерство и информациски системи, Компјутерско инженерство, Интернет, мрежи и безбедност, Информатичка едукација, Software engineering and information systems, Примена на информациски технологии, Софтверско инженерство и информациски системи, Компјутерско инженерство, Интернет, мрежи и безбедност, Software engineering and information systems, Компјутерски науки, Стручни студии за програмирање, Компјутерски науки, Биоинформатика, Статистика и аналитика на податоци,

4.

Организатор на студиската програма (единица, односно институт, катедра, оддел)

Факултет за информатички науки и компјутерско инженерство

5.

Степен (прв, втор, трет циклус)

Прв циклус

6.

Академска година / семестар

3 / Летен

7. Број на ЕКТС кредити

6.0

8.

Наставник

ворн. проф. д-р Александра Дединец ворн. проф. д-р Мирослав Мирчев

9.

Предуслови за запишување на предметот

Веројатност и статистика или Бизнис статистика или Математика 3

10.

Цели на предметната програма (компетенции):

Целта на курсот е студентите да се запознаат со основите на модерните техники од областа на машинско учење. По завршувањето на курсот кандидатите: ќе имаат продлабочени знаења за напредните технологии и методи за машинско учење; ќе можат да разберат, анализираат и формулираат генерални проблеми од областа на машинско учење; ќе можат успешно да применат алгоритми за машинско учење при решавање на реални проблеми; ќе можат да конципираат, анализираат, реализираат и проценат перформанси на систем за машинско учење.

11.

Содржина на предметната програма:

Предавања: 1. Вовед во машинско учење 2. Генеративни модели 3. Гаусови модели 4. Линеарна регресија со една и повеќе променливи 5. Логистичка регресија 6. Ненадгледувано учење, мешани модели и EM алгоритам 7. Кернел методи, машини со носечки вектори 8. Невронски мрежи 9. Класификациски и регресиони дрва на одлучување 10. Длабоко учење Вежби: 1. Вовед во машинско учење 2. Генеративни модели 3. Гаусови модели 4. Линеарна регресија со една и повеќе променливи 5. Логистичка регресија 6. Ненадгледувано учење, мешани модели и EM алгоритам 7. Кернел методи, машини со носечки вектори 8. Невронски мрежи 9. Класификациски и регресиони дрва на одлучување 10. Длабоко учење

12.

Методи на учење:

Предавања со користење на презентации, интерактивни предавања, вежби (користење на опрема и софтверски пакети), тимска работа, пример случаи, поканети гости предавачи, самостојна изработка и одбрана на проектна задача и семинарска работа.

13.

Вкупен расположив фонд на време

6.0 ЕКТС x 30 часа = 180 часа

14.

Распределба на расположивото време

30 + 45 + 15 + 15 + 75 = 180 часа

15.

Форми на наставните активности

15.1.

Предавања- теоретска настава

30 часови

15.2.

Вежби (лабораториски, аудиториски), семинари, тимска работа

45 часови

16.

Други форми на активности

16.1.

Проектни задачи

15 часови

16.2.

Самостојни задачи

15 часови

16.3.

Домашно учење

75 часови

17.

Начин на оценување

17.1.

Тестови

10 бодови

17.2.

Семинарска работа/ проект ( презентација: писмена и усна)

15 бодови

17.3.

Активности и учење

10 бодови

17.4.

Завршен испит

70 бодови

18.

Критериуми за оценување (бодови/ оценка)

до 50 бода

5 (пет) (F)

од 51 до 60 бода

6 (шест) (E)

од 61 до 70 бода

7 (седум) (D)

од 71 до 80 бода

8 (осум) (C)

од 81 до 90 бода

9 (девет) (B)

од 91 до 100 бода

10 (десет) (A)

19.

Услов за потпис и полагање на завршен испит

Реализирани актибвности 15.2 и 16.1

20.

Јазик на кој се изведува наставата

Македонски и англиски

21.

Метод на следење на квалитетот на наставата

механизам на интерна евалуација и анкети

22.

Литература

22.1.

Задолжителна литература

22.2.

Дополнителна литература