Subject

Напредни теми од наука базирана на податоци

1. Наслов на наставниот предмет Напредни теми од наука базирана на податоци
Advanced Data Science
2. Код m23_s_036
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 / семестар 10 / Летен
7. Број на ЕКТС кредити 6
8. Наставник Ана Мадевска Богданова, Димитар Трајанов, Игор Мишковски, Милош Јовановиќ, Слободан Калајџиски, Соња Гиевска
9. Предуслови за запишување на предметот
10. Цели на предметната програма (компетенции) Овој курс е фокусиран на тоа како ефективно да се одговори на бизнис прашања користејќи напредни техники од науката за податоци. До крајот на курсот, студентите ќе можат да препознаат различни типови прашања (на пример, описни, каузални или предвидливи прашања), да се изјаснат за тоа кои методолошки пристапи се најсоодветни за одговарање на секој тип прашања, да можат да ги дизајнираат и критичките да ги оценат ML моделите, како и да ја приспособат презентацијата на резултатите до различна публика.
11. Содржина на предметната програма Од аналитика до акција
Комбинирање на различни видови на податоци
Избор и алгоритми за решавање на проблемот
Проценки на дизајнот на алгоритмите
Проценки на влијанието на алгоритмите
Случаи за употреба во реално време
Комуникација и убедување преку податоци
Раскажување приказни со податоци
12. Методи на учење Предавања 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 време 6 ЕКТС x 30 часа = 180 часа
14. Распределба на расположивото време 45 + 15 + 30 + 50 + 40 = 180 часа
15. Форми на наставните активности
15.1. Предавања - теоретска настава 45 часови
15.2. Вежби (лабораториски, аудиториски), семинари, тимска работа 15 часови
16. Други форми на активности
16.1. Проектни задачи 50 часови
16.2. Самостојни задачи 30 часови
16.3. Домашно учење 40 часови
17. Начин на оценување
17.1. Тестови 10 бодови
17.2. Семинарска работа / проект ( презентација: писмена и усна) 50 бодови
17.3. Активности и учење 10 бодови
17.4. Завршен испит 0 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 испит реализирани активности
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
1. Vadim Smolyakov | Machine Learning Algorithms in Depth | Manning | 2022
2. Alex J. Gutman, Jordan Goldmeier | Becoming a Data Head: How to Think, Speak and Understand Data Science, Statistics and Machine Learning | Wiley | 2021
3. Aurélien Géron | Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems 3rd Edition | O`Reilly Media | 2022
22.2. Дополнителна литература
Ред.бр. Автор Наслов Издавач Година