Subject

Knowledge Discovery in Large-Scale Graph Data

Course Title

Knowledge Discovery in Large-Scale Graph Data
Knowledge discovery in big graph data

Code

m23_s_025

Study Programme

—

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

Faculty of Computer Science and Engineering

Degree level (first, second, third cycle)

Second cycle

Academic year / semester

10 / Summer

Number of ECTS credits

Teacher

Илинка Иваноска, Кире Триводалиев, Соња Гиевска

Prerequisites for enrolling in the course

—

10.

Objectives of the course programme (competences)

Овој курс има за цел да ги воведе студентите во областа на откривање знаење во големи граф организирани податоци. Студентите ќе се запознаат со предизвиците на процесирање на големи количини на податоци, најсовремени методи и алгоритми за анализа на графови, и примена на откривање знаење во големи граф податоци во различни апликативни домени. По завршување на предметот се очекува студентите да се здобијат со:
- Темелно разбирање на основите на откривање знаење во граф податоци
- Способност за критично размислување во однос на различни методи и алгоритми за извлекување знаење
- Способност за формулирање и решавање на проблеми кои можат да се пресликаат во домен на графови
- Способност за анализа на големи податочни множества за графови

11.

Course content

Вовед во откривање знаење во големи граф податоци; Статички графови: закони и шаблони; Динамички графови: закони и шаблони; Анализа на врски: Random walks, PageRank, HITS; Класификација на јазли; Сличност на јазли; Сличност на графови; Порамнување на графови; Кластерирање на графови; Откривање непреклопувачки и преклопувачки заедници; Предвидување на врски; Детекција на аномалии; Детекција на чести под-графови; Апроксимација и компресија на графови; Репрезентација на графови; Длабоко учење кај графови; Области на примена: Откривање знаење во протеински интеракциски мрежи, Откривање знаење во мрежи од мозок, Откривање знаење во социјални мрежи, Откривање знаење во хетерогени мултимодални податоци, Граф-базирани системи за препораки.

12.

Learning methods

Lectures supported by slide presentations, interactive lectures, exercises (using equipment and software packages), team work, case studies, guest lecturers, independent preparation and defense of a project assignment and a seminar paper, learning in an electronic environment (forums, consultations).

13.

Total available time

6 ECTS x 30 hours = 180 hours

14.

Distribution of available time

60 + 0 + 45 + 45 + 30 = 180 hours

15.

Forms of teaching activities

15.1.	Lectures - theoretical instruction	60 hours
15.2.	Exercises (laboratory, auditory), seminars, teamwork	0 hours

16.

Other forms of activities

16.1.	Project assignments	45 hours
16.2.	Independent assignments	45 hours
16.3.	Home study	30 hours

17.

Assessment method

17.1.	Tests	15 points
17.2.	Seminar paper / project (presentation: written and oral)	45 points
17.3.	Activities and learning	15 points
17.4.	Final exam	0 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

NULL

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

22.2.

Additional literature

No. Author Title Publisher Year