Subject

Репрезентација и откривање на знаење со приближнo пресметување

1. Наслов на наставниот предмет Репрезентација и откривање на знаење со приближнo пресметување
Representation and discovery of knowledge with approximate computation
2. Код m23_s_039
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 Андреја Наумоски
9. Предуслови за запишување на предметот
10. Цели на предметната програма (компетенции) Во текот на курсот, студентите ќе се запознаат со техниките за репрезентација и откривање на знаења со приближна логика. По завршување на курсот, студентите ќе се стекнат со знаење за процесот на откривање на знаење со приближна логика, ќе знаат да дизајнираат системи кое се базираат на приближна логика и ќе знаат да ја применат приближната логика во различни апликации.
11. Содржина на предметната програма Приближна логика, вовед и концепти. Mножества во приближна логика. Функции на припадност. Операции врз множества во приближна логика. Извлекување на правила. Уточнувавање. Груба логика, вовед и концепти. Независност. Апрокцимација. Позитивен регион. Приближни асоцијативни матрици и функции. Зависност. Дефиниција на приближно-груба логика. Дефиниција на горна и долна апроксимација. Техники за селекција на атрибути со приближно-груба логика. Дескриптивно и предиктивно моделирање со приближно-груба логика. Откривање на знаења со приближно-груба логика и примена во различни области (екоинформатика, биоинформатика, бизнис анализа, дизајн на компјутерски системи, детекција на грешки, интелегента контрола на системи, процесирање на масивни податоци, откривање на правила и друго).
12. Методи на учење Предавања поддржани со презентации преку слајдови, интерактивни предавања, практични 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 ЕКТС x 30 часа = 180 часа
14. Распределба на расположивото време 60 + 0 + 45 + 45 + 30 = 180 часа
15. Форми на наставните активности
15.1. Предавања - теоретска настава 60 часови
15.2. Вежби (лабораториски, аудиториски), семинари, тимска работа 0 часови
16. Други форми на активности
16.1. Проектни задачи 45 часови
16.2. Самостојни задачи 45 часови
16.3. Домашно учење 30 часови
17. Начин на оценување
17.1. Тестови 30 бодови
17.2. Семинарска работа / проект ( презентација: писмена и усна) 45 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 15 и 16
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. Witold Pedrycz | Granular computing : analysis and design of intelligent systems | Taylor & Francis | 2013
2. Janusz Kacprzyk, Dimitar Filev, Gleb Beliakov | Granular, Soft and Fuzzy Approaches for Intelligent Systems | Springer | 2017
3. Richard Jensen | Computational Intelligence and Feature Selection: Rough and Fuzzy Approaches | Wiley-IEEE Press | 2008
4. Richard Jansen | Encyclopedia of Business Analytics and Optimization:Fuzzy-rough data mining | IGI-Global | 2014
5. Muhammad Summair Raza, Usman Qamar | Understanding and using Rough Set based Feature Selection: Concepts, Techniques and Applications | Springer | 2017
22.2. Дополнителна литература
Ред.бр. Автор Наслов Издавач Година