Откривање знаење во големи граф податоци

Откривање знаење во големи граф податоци

1.

Наслов на наставниот предмет

Откривање знаење во големи граф податоци

Knowledge discovery in big graph data

2.

Код

m23_s_025

3.

Студиска програма

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

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 / Летен

7. Број на ЕКТС кредити

6.0

8.

Наставник

доц. д-р Илинка Иваноска проф. д-р Кире Триводалиев проф. д-р Соња Гиевска

9.

Предуслови за запишување на предметот

10.

Цели на предметната програма (компетенции):


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.

Содржина на предметната програма:


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.

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

NULL

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

Ред.бр.

Автор

Наслов

Издавач

Година

6874

Easley, D. and Kleinberg, J.

Networks, crowds, and markets: Reasoning about a highly connected world

Cambridge University Press

2010

6875

Aggarwal, C.C. and Wang, H.

Managing and mining graph data (Vol. 40)

New York: Springer.

2010

6876

Guido Caldarelli and Alessandro Chessa

Data Science and Complex Networks: Real Case Studies with Python

Oxford University Press

2016

6877

Chakrabarti, D. and Faloutsos, C.

Graph mining: laws, tools, and case studies. Synthesis Lectures on Data Mining and Knowledge Discovery

Morgan & Claypool

2012

6878

William L. Hamilton

Graph Representation Learning

McGill

2020

22.2.

Дополнителна литература

Ред.бр.

Автор

Наслов

Издавач

Година