MK EN
ФИНКИ

Subject

Репрезентација и откривање на знаење со приближнo пресметување

1. Course Title Репрезентација и откривање на знаење со приближнo пресметување
Representation and discovery of knowledge with approximate computation
2. Code m23_s_039
3. Study Programme —
4. Organizer of the study programme (unit, institute, department or division) Faculty of Computer Science and Engineering
5. Degree level (first, second, third cycle) Second cycle
6. Academic year / semester 10 / Summer
7. Number of ECTS credits 6
8. Teacher Андреја Наумоски
9. Prerequisites for enrolling in the course —
10. Objectives of the course programme (competences) Во текот на курсот, студентите ќе се запознаат со техниките за репрезентација и откривање на знаења со приближна логика. По завршување на курсот, студентите ќе се стекнат со знаење за процесот на откривање на знаење со приближна логика, ќе знаат да дизајнираат системи кое се базираат на приближна логика и ќе знаат да ја применат приближната логика во различни апликации.
11. Course content Приближна логика, вовед и концепти. Mножества во приближна логика. Функции на припадност. Операции врз множества во приближна логика. Извлекување на правила. Уточнувавање. Груба логика, вовед и концепти. Независност. Апрокцимација. Позитивен регион. Приближни асоцијативни матрици и функции. Зависност. Дефиниција на приближно-груба логика. Дефиниција на горна и долна апроксимација. Техники за селекција на атрибути со приближно-груба логика. Дескриптивно и предиктивно моделирање со приближно-груба логика. Откривање на знаења со приближно-груба логика и примена во различни области (екоинформатика, биоинформатика, бизнис анализа, дизајн на компјутерски системи, детекција на грешки, интелегента контрола на системи, процесирање на масивни податоци, откривање на правила и друго).
12. Learning methods Предавања поддржани со презентации преку слајдови, интерактивни предавања, практични 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. 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 30 бодови
17.2. Seminar paper / project (presentation: written and oral) 45 points
17.3. Activities and learning 10 бодови
17.4. Final exam 0 points
18. Grading criteria (points / grade)
up to 50 points5 (five) (F)
from 51 to 60 points6 (six) (E)
from 61 to 70 points7 (seven) (D)
from 71 to 80 points8 (eight) (C)
from 81 to 90 points9 (nine) (B)
from 91 to 100 points10 (ten) (A)
19. Requirement for obtaining a signature and taking the final exam реализирани активности 15 и 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. Witold Pedrycz | Granular computing : analysis and design of intelligent systems | Taylor & Francis | 2013
2. Janusz Kacprzyk, Dimitar Filev, Gleb Beliakov | Granular, Soft and Fuzzy Approaches for Intelligent Systems | Springer | 2017
3. Richard Jensen | Computational Intelligence and Feature Selection: Rough and Fuzzy Approaches | Wiley-IEEE Press | 2008
4. Richard Jansen | Encyclopedia of Business Analytics and Optimization:Fuzzy-rough data mining | IGI-Global | 2014
5. Muhammad Summair Raza, Usman Qamar | Understanding and using Rough Set based Feature Selection: Concepts, Techniques and Applications | Springer | 2017
22.2. Additional literature
No. Author Title Publisher Year
Деканат Dean’s Office Студии Studies Акти Acts Проекти Projects