Автоматизирање на процеси во машинско учење

1.

Наслов на наставниот предмет

Автоматизирање на процеси во машинско учење

Automated machine learning

2.

Код

F23L3S163

3.

Студиска програма

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

Прв циклус

6.

Академска година / семестар

3 / Летен

7. Број на ЕКТС кредити

6.0

8.

Наставник

ворн. проф. д-р Билјана Тојтовска Рибарски доц. д-р Бојан Илијоски ворн. проф. д-р Панче Рибарски

9.

Предуслови за запишување на предметот

Алгоритми и податочни структури или Примена на алгоритми и податочни структури

10.

Цели на предметната програма (компетенции):

Запознање со основните чекори за поставување на модели од машинско учење во продукција, оптимизација на piplelines во ML, дизајн на целосен животен циклус на ML моделите, CI/CD кај ML, упраување со ML код, следење на моделите во продукција, менаџирање со модели.

11.

Содржина на предметната програма:

Предавања: 1. 1. Извлекување, трансформација и вчитување на податоци 2. 2. Тек и стриминг на податоци 3. 3. Автоматизирање на ML - управување со код 4. 4. Автоматизирање на ML - управување со модели 5. 5. Автоматизирање на ML - управување со процеси 6. 6. Логирање на модели 7. 7. Следење на модели 8. 8. Сервирање на модели 9. 9. Континуирана интеграција и континуиран развој 10. 10. Тестирање 11. 11. Завршен проект Вежби: 1. 1. Извлекување, трансформација и вчитување на податоци 2. 2. Тек и стриминг на податоци 3. 3. Автоматизирање на ML - управување со код 4. 4. Автоматизирање на ML - управување со модели 5. 5. Автоматизирање на ML - управување со процеси 6. 6. Логирање на модели 7. 7. Следење на модели 8. 8. Сервирање на модели 9. 9. Континуирана интеграција и континуиран развој 10. 10. Тестирање 11. 11. Завршен проект

12.

Методи на учење:

Предавања, аудиториски вежби, лабораториски вежби, проектни задачи, домашни задачи, разработка на програмски пакети за автоматизација на процеси во машинско учење

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

40 бодови

17.2.

Семинарска работа/ проект ( презентација: писмена и усна)

15 бодови

17.3.

Активности и учење

20 бодови

17.4.

Завршен испит

100 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

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