Subject

Наука за податоците во Интернет од нештата

Course Title

Наука за податоците во Интернет од нештата
Data science in Internet of things

Code

m23_s_049

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

Ѓорѓи Маџаров, Игор Мишковски, Мирослав Мирчев

Prerequisites for enrolling in the course

—

10.

Objectives of the course programme (competences)

Целта на предметот е студентите да се оспособат за детална анализа и откривање знаење од сензорски податоци од повеќе различни извори во Интернет од нештата и употреба на напредни алгоритми од машинско учење за решавање на различни проблеми како класификација, регресија и кластерирање.

11.

Course content

Напредни методи од машинско учење за надгледувано, полунадгледувано и ненадгледувано учење, како длабоки невронски мрежи, ансамбли од дрва за одлучување, кернел методи и.т.н. Техники за процесирање на сигнали, прочистување на податоци, селекција на атрибути и фузија на сензорски податоци во Интернет од нештата. Адаптација на системите за прибирање на податоци и комуникациските текови на тековните услови во реално време. Анализа, предвидување и класификација на временски податочни серии. Амбиентална интелигенција и первазивно пресметување. Користење на софтверски алатки за складирање и откривање знаење од масивни податоци. Студии на случај: препознавање на човекова активност, мониторирање на животна средина, системи за рано предупредување од природни непогоди, индустриски IoT системи, и други.

12.

Learning methods

Предавања поддржани со презентации преку слајдови, интерактивни предавања, практични вежби, тимска работа, пример случаи, поканети предавачи, самостојна изработка на проектна задача и семинарска работа и електронско учење.

13.

Total available time

6 ECTS x 30 hours = 180 hours

14.

Distribution of available time

45 + 15 + 30 + 50 + 40 = 180 часа

15.

Forms of teaching activities

15.1.	Lectures - theoretical instruction	45 hours
15.2.	Exercises (laboratory, auditory), seminars, teamwork	15 часови

16.

Other forms of activities

16.1.	Project assignments	50 часови
16.2.	Independent assignments	30 hours
16.3.	Home study	40 hours

17.

Assessment method

17.1.	Tests	45 points
17.2.	Seminar paper / project (presentation: written and oral)	50 бодови
17.3.	Activities and learning	10 бодови
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

Реализирани активности 15 и 16

20.

Language of instruction

Македонски или англиски

21.

Method for monitoring the quality of teaching

Механизам на интерна евалуација и анкети

22.

Literature

22.1.	Required literature 1. Murphy, Kevin P. \| Machine learning: a probabilistic perspective \| MIT press \| 2012 2. François Chollet \| Deep learning with Python \| Manning publications \| 2021 3. Edited by John Davies, Carolina Fortuna \| The Internet of Things: From Data to Insight \| Wiley \| 2020 4. John D. Kelleher, Brendan Tierney \| Data science \| MIT press \| 2018
22.2.	Additional literature No. Author Title Publisher Year