Вовед во мрежна наука

1.

Наслов на наставниот предмет

Вовед во мрежна наука

Introduction to network science

2.

Код

F23L3S087

3.

Студиска програма

Примена на информациски технологии, Софтверско инженерство и информациски системи, Компјутерски науки, Компјутерско инженерство, Интернет, мрежи и безбедност, Информатичка едукација, Software engineering and information systems, Примена на информациски технологии, Софтверско инженерство и информациски системи, Компјутерски науки, Компјутерско инженерство, Интернет, мрежи и безбедност, Software engineering and information systems, Стручни студии за програмирање, Стручни студии за програмирање,

4.

Организатор на студиската програма (единица, односно институт, катедра, оддел)

Факултет за информатички науки и компјутерско инженерство

5.

Степен (прв, втор, трет циклус)

Прв циклус

6.

Академска година / семестар

3 / Летен

7. Број на ЕКТС кредити

6.0

8.

Наставник

проф. д-р Игор Мишковски ворн. проф. д-р Мирослав Мирчев

9.

Предуслови за запишување на предметот

Веројатност и статистика или Основи на теорија на информации или Математика 3 или Бизнис статистика

10.

Цели на предметната програма (компетенции):

Запознавање со основните концепти од мрежна наука и нивна примена на реални податоци. Оспособување на студентите за анализа на својствата и динамичките процеси во реалните комплексни мрежи и нивно моделирање и визуелизација. Изучување на основните методи за октривање на заедници, оценка на робустноста, оптимизација, податочно рударење и предвидување во комплексни мрежи.

11.

Содржина на предметната програма:

Предавања: 1. Вовед во мрежна наука и разгледување на пример социјални, информациски мрежи, биолошки, и техничко-технолошки мрежи. Својства на реални комплексни мрежи: ефект на мал свет, транзитивност на јазли, поврзување со преференца. 2. Модели на реални мрежи: Ердош-Рени, Барабаши-Алберт, Ватс-Строгац. 3. Мерки за централност и алгоритми за рангирање. Робустност на комплексни мрежи. 4. Мрежни структурни својства. Мерки за сличност на јазли и цели графови. Асортативност и дисортативност. Парадокси во социјални мрежи. 5. Откривање на заедници и графлети во комплексни мрежи 6. Динамички процеси во комплексни мрежи: ширење на влијанија, информации и зарази, консензус, синхронизација 7. Машинско учење во графови. Класификација на јазли и предвидување на линкови. 8. Репрезентација и емедирање на јазли и графови. 9. Основни концепти на граф невронски мрежи. Граф конволуциски мрежи (GCN). 10. Генерална архитектура на граф невронски мрежи. GCN, GraphSAGE, GAT (Graph Attention Networks) 11. Примена на граф невронски мрежи. Проширување на графови. Предвидување со граф невронски мрежи. Тренирање на граф невронски мрежи. 12. Хетерогени графови. Повеќеслојни графови. Графови на знаење. Вежби: 1. Тополошка анализа и визелузација на реални мрежи. Користење на алатки за анализа и визуелизација на својствата со масивни податоци од реални мрежи. 2. Генерирање на мрежи според модели, споредба на својствата на реалните мрежи со генерираните мрежи 3. Употреба на метрики и алгоритми за рангирање на врски и јазли (степен, споивост, блискост, pagerank, hits, богат-клуб) . Одредување на глобална робустност на пример реални мрежи. 4. Испитување на структурни својства во реални мрежи. Проверка на асортативност и дисортативност. Откривање на парадокси во податоци од онлајн социјални мрежи 5. Споредба и имплементирање на различни алгоритми за откривање на заедници и графлети со користење на податоци од реални мрежи. 6. Моделирање и симулација на динамички процеси во комплексни мрежи. Откривање на нови модели базирани на податоци од реални мрежи 7. Машинско учење во графови. Класификација на јазли и предвидување на линкови. 8. Репрезентација и емедирање на јазли и графови. 9. Основни концепти на граф невронски мрежи. Граф конволуциски мрежи (GCN). 10. Генерална архитектура на граф невронски мрежи. GCN, GraphSAGE, GAT (Graph Attention Networks) 11. Примена на граф невронски мрежи. Проширување на графови. Предвидување со граф невронски мрежи. Тренирање на граф невронски мрежи. 12. Хетерогени графови. Повеќеслојни графови. Графови на знаење.

12.

Методи на учење:

Предавања поддржани со презентации преку слајдови, интерактивни предавања, 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.

Вкупен расположив фонд на време

6.0 ЕКТС x 30 часа = 180 часа

14.

Распределба на расположивото време

30 + 45 + 15 + 15 + 75 = 180 часа

15.

Форми на наставните активности

15.1.

Предавања- теоретска настава

30 часови

15.2.

Вежби (лабораториски, аудиториски), семинари, тимска работа

45 часови

16.

Други форми на активности

16.1.

Проектни задачи

15 часови

16.2.

Самостојни задачи

15 часови

16.3.

Домашно учење

75 часови

17.

Начин на оценување

17.1.

Тестови

10 бодови

17.2.

Семинарска работа/ проект ( презентација: писмена и усна)

15 бодови

17.3.

Активности и учење

10 бодови

17.4.

Завршен испит

50 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

Реализирани активности 15.1 и 15.2

20.

Јазик на кој се изведува наставата

македонски и англиски

21.

Метод на следење на квалитетот на наставата

механизам на интерна евалуација и анкети

22.

Литература

22.1.

Задолжителна литература

22.2.

Дополнителна литература