Subject

Automated Machine Learning

Course Title

Automated Machine Learning
Automated Machine Learning

Code

m23_w_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

Илинка Иваноска, Ристе Стојанов, Томе Ефтимов

Prerequisites for enrolling in the course

—

10.

Objectives of the course programme (competences)

Во рамките на овој предмет, студентите ќе се запознаат со основните и напредните концепти кои се применуваат при работа со AutoML. Постојат многу докази каде алгоритми од машинска интелигенција придонесуваат до врни резултати во предвидување од различни области како обработка на природни јазици, компјутерска визија. Проблемот кој постои денес е како да го избереме најдобриот алгоритам за избраното сценарио и кои се неговите најдобри хипер-параметри кои ќе доведат до најдобри резултати. Во овој предмет студентите ќе се запознаат со техники: како да го избереме најдобриот алгоритам за дадено податочно множество, како да ги најдеме најдобрите хипер-параметри за избраниот алгоритам, и кои статистични анализи се соодветни и ќе не доведат до робустни резултати.

11.

Course content

1. Основни концепти на машинска интелигенција
2. Како да избереме репрезентативни податоци за учење
3. Селекција на најдобриот алгоритам
4. Избирање на најдобрите хипер-параметри.
5. Робустна статистичка анализа
6. Примери во стохастична оптимизација
7. Примери во класификација и регресија

12.

Learning methods

Презентации, книги, електронски материјали, решавање на практични проблеми

13.

Total available time

6 ECTS x 30 hours = 180 hours

14.

Distribution of available time

30 + 15 + 45 + 45 + 45 = 180 часа

15.

Forms of teaching activities

15.1.	Lectures - theoretical instruction	30 hours
15.2.	Exercises (laboratory, auditory), seminars, teamwork	15 hours

16.

Other forms of activities

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

17.

Assessment method

17.1.	Tests	20 points
17.2.	Seminar paper / project (presentation: written and oral)	45 points
17.3.	Activities and learning	0 points
17.4.	Final exam	30 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

редовна посета на предавањата

20.

Language of instruction

English

21.

Method for monitoring the quality of teaching

Проектни задачи, тестови, домашни

22.

Literature

22.1.	Required literature 1. Hutter, F., Kotthoff, L., & Vanschoren, J. \| Automated machine learning: methods, systems, challenges \| Springer \| 2019 2. Eftimov, T. & Korošec, P. \| Deep Statistical Comparison for Meta-heuristic Stochastic Optimization Algorithms \| Springer \| 2022
22.2.	Additional literature No. Author Title Publisher Year