Откривање знаење со длабоко учење

1.

Наслов на наставниот предмет

Откривање знаење со длабоко учење

Deep learning for knowledge discovery

2.

Код

F23L3S106

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, Биоинформатика,

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

4 / Летен

7. Број на ЕКТС кредити

6.0

8.

Наставник

проф. д-р Кире Триводалиев проф. д-р Слободан Калајџиски проф. д-р Соња Гиевска

9.

Предуслови за запишување на предметот

Вештачка интелигенција или Вовед во науката за податоци или Машинско учење

10.

Цели на предметната програма (компетенции):

По завршување на предметот, студентот ќе биде оспособен за избор на соодветни техники за откривање и извлекување на знаење од различен вид податоци. Студентот ќе поседува познавања за напредни архитектури за длабоко учење со примена во системи за препораки, анализа на граф-структурирани податоци и мултимодална фузија на податоци.

11.

Содржина на предметната програма:

1. Вовед во темите кои ги обработува предметот. Напредни методи на машинско учење и области на нивна примена. 2. Граф-структурирани податоци. Анализа на статитичките и динамички својства на графови. 3. Примена на граф невронски мрежи за анализа на графови 4. Репрезентација на јазли и врски во графови 5. Извлекување на знаење од социјалните мрежи: Предвидување на врски. Класификација и анотација на јазли. 6. Примена на граф-невронси мрежи за системи за препораки 7. Пристапи базирани на длабоко учење и учење со надгледување 8. Генеративни спротивставени мрежи 9. Примена на ГАН во машинска визија и обработка на природните јазици 10. Мултимодална фузија 11. Длабоки невронски мрежи за мултимодална фузија со области на примена 12. Студии на случај на примена на ѕчење со поттикнување, граф-невронски мрежи и генеративни спротивстваени мрежи

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

бодови

17.2.

Семинарска работа/ проект ( презентација: писмена и усна)

15 бодови

17.3.

Активности и учење

10 бодови

17.4.

Завршен испит

10 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

освоени 50% од предвидените поени на индивидуалните задачи

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