Data Science

Data Science

1.

Наслов на наставниот предмет

Data Science

Data Science

2.

Код

DS004

3.

Студиска програма

Data science in computer science and engineering, Пресметување во облак, Управување во информатички технологии, Биоинформатика, Безбедност, криптографија и кодирање, Едукација со ИКТ, Еко-информатика, Интелигентни системи, 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

проф. д-р Димитар Трајанов проф. д-р Игор Мишковски ворн. проф. д-р Мирослав Мирчев

9.

Предуслови за запишување на предметот

10.

Цели на предметната програма (компетенции):


The course covers basic principles of supervised and unsupervised machine learning, as well as some advanced algorithmic paradigms. The students will be introduced to Deep Learning, NLP, and Causal analysis concepts. The Explainable ML approach will be presented as a tool to understand and increase trust in the ML models. The concepts of Knowledge graphs and their application will be explained.

11.

Содржина на предметната програма:


Supervised Learning Unsupervised Learning Deep Learning Intro to NLP Explainable ML Causal analysis Knowledge graphs

12.

Методи на учење:


Презентации, студии на случај....

13.

Вкупен расположив фонд на време

6.0 ЕКТС x 30 часа = 180 часа

14.

Распределба на расположивото време

45 + 30 + 30 + 15 + 60 = 180 часа

15.

Форми на наставните активности

15.1.

Предавања- теоретска настава

45 часови

15.2.

Вежби (лабораториски, аудиториски), семинари, тимска работа

30 часови

16.

Други форми на активности

16.1.

Проектни задачи

15 часови

16.2.

Самостојни задачи

30 часови

16.3.

Домашно учење

60 часови

17.

Начин на оценување

17.1.

Тестови

0 бодови

17.2.

Семинарска работа/ проект ( презентација: писмена и усна)

15 бодови

17.3.

Активности и учење

0 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

NULL

20.

Јазик на кој се изведува наставата

Англиски

21.

Метод на следење на квалитетот на наставата

механизам на интерна евалуација и анкети

22.

Литература

22.1.

Задолжителна литература

Ред.бр.

Автор

Наслов

Издавач

Година

7508

Aurélien Géron

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 3rd edition

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems

2022

7509

Robert Ness

Causal Machine Learning

Manning

2022

7510

Christoph Molnar

Interpretable Machine Learning

Independently published

2022

7511

Mayank Kejriwal, Craig A. Knoblock and Pedro Szekely

Knowledge Graphs Fundamentals, Techniques, and Applications

MIT Press

2021

22.2.

Дополнителна литература

Ред.бр.

Автор

Наслов

Издавач

Година