AutoML

1.

Наслов на наставниот предмет

AutoML

AutoML

2.

Код

m23_w_049

3.

Студиска програма

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

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 ворн. проф. д-р Ристе Стојанов виз. вонр. проф. д-р Томе Ефтимов

9.

Предуслови за запишување на предметот

10.

Цели на предметната програма (компетенции):

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.

Содржина на предметната програма:

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.

Методи на учење:

Презентации, книги, електронски материјали, решавање на практични проблеми

13.

Вкупен расположив фонд на време

6.0 ЕКТС x 30 часа = 180 часа

14.

Распределба на расположивото време

30 + 15 + 45 + 45 + 45 = 180 часа

15.

Форми на наставните активности

15.1.

Предавања- теоретска настава

30 часови

15.2.

Вежби (лабораториски, аудиториски), семинари, тимска работа

15 часови

16.

Други форми на активности

16.1.

Проектни задачи

45 часови

16.2.

Самостојни задачи

45 часови

16.3.

Домашно учење

45 часови

17.

Начин на оценување

17.1.

Тестови

20 бодови

17.2.

Семинарска работа/ проект ( презентација: писмена и усна)

45 бодови

17.3.

Активности и учење

0 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

редовна посета на предавањата

20.

Јазик на кој се изведува наставата

Англиски

21.

Метод на следење на квалитетот на наставата

Проектни задачи, тестови, домашни

22.

Литература

22.1.

Задолжителна литература

22.2.

Дополнителна литература