Наука за податоците во Интернет од нештата

1.Наслов на наставниот предметНаука за податоците во Интернет од нештата
Data science in Internet of things
2.Кодm23_s_049
3.Студиска програма—
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 / семестар10 / Летен
7.Број на ЕКТС кредити6
8.Наставник
9.Предуслови за запишување на предметот—
10.Цели на предметната програма (компетенции)Целта на предметот е студентите да се оспособат за детална анализа и откривање знаење од сензорски податоци од повеќе различни извори во Интернет од нештата и употреба на напредни алгоритми од машинско учење за решавање на различни проблеми како класификација, регресија и кластерирање.
11.Содржина на предметната програмаНапредни методи од машинско учење за надгледувано, полунадгледувано и ненадгледувано учење, како длабоки невронски мрежи, ансамбли од дрва за одлучување, кернел методи и.т.н. Техники за процесирање на сигнали, прочистување на податоци, селекција на атрибути и фузија на сензорски податоци во Интернет од нештата. Адаптација на системите за прибирање на податоци и комуникациските текови на тековните услови во реално време. Анализа, предвидување и класификација на временски податочни серии. Амбиентална интелигенција и первазивно пресметување. Користење на софтверски алатки за складирање и откривање знаење од масивни податоци. Студии на случај: препознавање на човекова активност, мониторирање на животна средина, системи за рано предупредување од природни непогоди, индустриски IoT системи, и други.
12.Методи на учењеПредавања поддржани со презентации преку слајдови, интерактивни предавања, практични вежби, тимска работа, пример случаи, поканети предавачи, самостојна изработка на проектна задача и семинарска работа и електронско учење.
13.Вкупен расположив фонд на време6 ЕКТС x 30 часа = 180 часа
14.Распределба на расположивото време45 + 15 + 30 + 50 + 40 = 180 часа
15.Форми на наставните активности
15.1.Предавања - теоретска настава45 часови
15.2.Вежби (лабораториски, аудиториски), семинари, тимска работа15 часови
16.Други форми на активности
16.1.Проектни задачи50 часови
16.2.Самостојни задачи30 часови
16.3.Домашно учење40 часови
17.Начин на оценување
17.1.Тестови45 бодови
17.2.Семинарска работа / проект ( презентација: писмена и усна)50 бодови
17.3.Активности и учење10 бодови
17.4.Завршен испит0 бодови
18.Критериуми за оценување (бодови/ оценка)
до 50 бода5 (пет) (F)
од 51 до 60 бода6 (шест) (E)
од 61 до 70 бода7 (седум) (D)
од 71 до 80 бода8 (осум) (C)
од 81 до 90 бода9 (девет) (B)
од 91 до 100 бода10 (десет) (A)
19.Услов за потпис и полагање на завршен испитРеализирани активности 15 и 16
20.Јазик на кој се изведува наставатаМакедонски или англиски
21.Метод на следење на квалитетот на наставатаМеханизам на интерна евалуација и анкети
22.Литература
22.1.Задолжителна литература
1. Murphy, Kevin P. | Machine learning: a probabilistic perspective | MIT press | 2012
2. François Chollet | Deep learning with Python | Manning publications | 2021
3. Edited by John Davies, Carolina Fortuna | The Internet of Things: From Data to Insight | Wiley | 2020
4. John D. Kelleher, Brendan Tierney | Data science | MIT press | 2018
22.2.Дополнителна литература
Ред.бр. Автор Наслов Издавач Година