Subject

Data mining

Course Title

Data mining
Data Mining

Code

F23L3S150

Study Programme

Data statistics and analytics

Organizer of the study programme (unit, institute, department or division)

Faculty of Computer Science and Engineering

Degree level (first, second, third cycle)

First Cycle

Academic year / semester

6 / Summer

Number of ECTS credits

Teacher

Билјана Тојтовска Рибарски, Бојан Илијоски

Prerequisites for enrolling in the course

Веројатност и статистика или Математика 3 или Основи на теорија на информации или Бизнис Статистика

10.

Objectives of the course programme (competences)

Запознавање со методи за идентификација на валидни, нови, корисни и разбирливи шеми во податоци и откривања на нови знаења. Претпроцесирање на податоците. Вовед во предиктивни модели од податоците: класификација, регресијa. Откривање на кластери. Совладување на техники за собирање на податоци, нивно траксформирање во облик погоден за интерно користење и нивно зачувување.

11.

Course content

1. 1. Вовед, примери за примена на методите на податочно рударење. Типови на податоци. Мерки на сличност и растојание меѓу податоците: мерки на сличност и растојание за номинални и бинарни. Стандардизација на нумерички атрибути. Мерки на растојание за нумерички атрибути: Растојание на Минковски и специјални видови, косинусно растојание, евклидско ратојание, Махаланобиево растојание. Растојание меѓу податоци со мешани атрибути.
2. Техники за претпроцесирање на податоци: Квалитет на податоци, чистење на податочно множество, Интегрирање на податоци, редукција на податоци, трансформација на податоци и дискретизација на податоци.
3. Напредна визуелизација на податоците.
4. Модели за предвидување, регресиони модели. Напредни концепти (анализа на резидуали, confounding, adjustment, толкување на резултати)
5. Класификација. Надгледувано и ненадгледувано учење. Класификација со дрва на одлучување. LDA класификација
6. Кластерирање и евалуација на кластери.
7. Детекција и справување со аутлаери
8. Евалуација на модели
9. Анализирање на временски податоци и временски серии
10. Екстрахирање, трансформирање и зачувување на податоци (Extract, Тransform, Load)
11. Екстрахирање, трансформирање и зачувување на податоци (Extract, Тransform, Load)
12. Завршен проект

12.

Learning methods

lectures, classroom exercises, laboratory exercises, project assignments, homework, development of a software package with data mining methods

13.

Total available time

6 ECTS x 30 hours = 180 hours

14.

Distribution of available time

30 + 45 + 0 + 30 + 75 = 180 hours

15.

Forms of teaching activities

15.1.	Lectures - theoretical instruction	30 hours
15.2.	Exercises (laboratory, auditory), seminars, teamwork	45 hours

16.

Other forms of activities

16.1.	Project assignments	30 hours
16.2.	Independent assignments	0 hours
16.3.	Home study	75 hours

17.

Assessment method

17.1.	Tests	10 points
17.2.	Seminar paper / project (presentation: written and oral)	30 points
17.3.	Activities and learning	10 points
17.4.	Final exam	60 points

18.

Grading criteria (points / grade)

up to 50 points	5 (five) (F)
from 51 to 60 points	6 (six) (E)
from 61 to 70 points	7 (seven) (D)
from 71 to 80 points	8 (eight) (C)
from 81 to 90 points	9 (nine) (B)
from 91 to 100 points	10 (ten) (A)

19.

Requirement for obtaining a signature and taking the final exam

Completed activities 15, 16

20.

Language of instruction

Macedonian and English

21.

Method for monitoring the quality of teaching

internal evaluation and survey mechanism

22.

Literature

22.1.	Required literature 1. Pang-Ning Tan, Michael Steinbach, Vipin Kumar \| Introduction to Data Mining \| Pearson Education Limited \| 2021 2. Ralph Kimball, Joe Caserta \| The Data Warehouse ETL Toolkit: Practical Techniques for Extracting, Cleaning, Conforming, and Delivering Data \| Wiley
22.2.	Additional literature No. Author Title Publisher Year