Регресиони модели

1.

Наслов на наставниот предмет

Регресиони модели

Regression Models

2.

Код

SNP-Z-2

3.

Студиска програма

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

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 / Зимски

7. Број на ЕКТС кредити

6.0

8.

Наставник

ворн. проф. д-р Билјана Тојтовска Рибарски проф. д-р Марија Михова

9.

Предуслови за запишување на предметот

10.

Цели на предметната програма (компетенции):

Студентите ќе се запознаат со повеќе аспекти од регресиона анализа, вклучувајќи - како регресијата работи и кога истата се користи - селектирање на точниот вид на регресиона анализа - Специфицирање на најдобриот регресионен модел - Интерпретација на резултатитие - оценување на соодветноста на моделот - предвидување и евалуација на прецизноста

11.

Содржина на предметната програма:

Линеарна регресија: оценување, заклучување, дијагностика, тестирање на хипотези. Мултиномна регресија, Логистичка регресија, ординална, поасонова. Модели со регуларизација, Л1 и Л2 регуларизација. Ridge, Lasso, Еластична Net регресија. Модели со креирање на нови независни променливи. Регресија со главни компоненти (Principal Components), Регресија со парцијални последни квадрати (Partial Least Squares (PLS)) Нелинеарни регресиони модели: дрва на одлучување (Decision Tree), случајна шума (random forest) и најблиски соседи (KNN) Cox регресија

12.

Методи на учење:

Презентации на професорот во училница со компјутери. Критичко читање на текстови препорачани од професорот: прирачници и / или академски трудови..

13.

Вкупен расположив фонд на време

6.0 ЕКТС x 30 часа = 180 часа

14.

Распределба на расположивото време

50 + 0 + 0 + 40 + 40 = 180 часа

15.

Форми на наставните активности

15.1.

Предавања- теоретска настава

50 часови

15.2.

Вежби (лабораториски, аудиториски), семинари, тимска работа

0 часови

16.

Други форми на активности

16.1.

Проектни задачи

40 часови

16.2.

Самостојни задачи

0 часови

16.3.

Домашно учење

40 часови

17.

Начин на оценување

17.1.

Тестови

30 бодови

17.2.

Семинарска работа/ проект ( презентација: писмена и усна)

40 бодови

17.3.

Активности и учење

10 бодови

17.4.

Завршен испит

30 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

семинарска работа

20.

Јазик на кој се изведува наставата

македонски

21.

Метод на следење на квалитетот на наставата

NULL

22.

Литература

22.1.

Задолжителна литература

22.2.

Дополнителна литература