Напредно машинско учење

1.

Наслов на наставниот предмет

Напредно машинско учење

Advanced machine learning

2.

Код

IS-Z-04

3.

Студиска програма

Интелигентни системи, Пресметување во облак, Data science in computer science and engineering, Управување во информатички технологии, Биоинформатика, Безбедност, криптографија и кодирање, Едукација со ИКТ, Еко-информатика, Интернет технологии и сајбер безбедност, Компјутерски науки, Софтвер за вградливи системи, Софтверско инженерство, Пресметување во облак, Управување во информатички технологии, Биоинформатика, Безбедност, криптографија и кодирање, Софтверско инженерство, Статистика и аналитика на податоци, 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)

Втор циклус

6.

Академска година / семестар

5 / Зимски

7. Број на ЕКТС кредити

6.0

8.

Наставник

ворн. проф. д-р Георгина Мирчева ворн. проф. д-р Мирослав Мирчев проф. д-р Соња Гиевска

9.

Предуслови за запишување на предметот

10.

Цели на предметната програма (компетенции):

Студентот ќе биде оспособен за користење на напредни алгоритми и техники од областа на машинското учење.

11.

Содржина на предметната програма:

Ова е отворен предмет каде кандидатот ќе може да избере работи на некој проект сврзан со најновите достигнувања во полето на машинското учење (МУ). Можните теми ги опфаќаат следните области: медицина, обработка на биосигнали, обработка на природни јазици (разбирање на текстови, машинско преведување и преведување помогнато од машина, статистичка обработка на природни јазици и друго); теоретско МУ (нови трендови во теоријата на МУ); инжинерство на податоци за градење МУ модели (избор и чистење податоци, избор на атрибути (feature engineering, стандардизација на податоци), Длабоко учење (невронски мрежи и конволуциски невронски мрежи, TensorFlow); Напредни теми од МУ кои опфаќаат: графички модели, кернел методи, boosting, bagging, полу-надгледуванo и активно учење, и тензорски пристап кон анализа на податоци.

12.

Методи на учење:

Предавања поддржани со презентации преку слајдови, 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, учење во електронско опкружување (форуми, консултации).

13.

Вкупен расположив фонд на време

6.0 ЕКТС x 30 часа = 180 часа

14.

Распределба на расположивото време

60 + 0 + 45 + 45 + 30 = 180 часа

15.

Форми на наставните активности

15.1.

Предавања- теоретска настава

60 часови

15.2.

Вежби (лабораториски, аудиториски), семинари, тимска работа

0 часови

16.

Други форми на активности

16.1.

Проектни задачи

45 часови

16.2.

Самостојни задачи

45 часови

16.3.

Домашно учење

30 часови

17.

Начин на оценување

17.1.

Тестови

15 бодови

17.2.

Семинарска работа/ проект ( презентација: писмена и усна)

45 бодови

17.3.

Активности и учење

15 бодови

17.4.

Завршен испит

0 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 активности 15.1 и 15.2

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