Subject

AutoML

1. Наслов на наставниот предмет AutoML
AutoML
2. Код m23_w_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 / семестар 10 / Летен
7. Број на ЕКТС кредити 6
8. Наставник Илинка Иваноска, Ристе Стојанов, Томе Ефтимов
9. Предуслови за запишување на предметот
10. Цели на предметната програма (компетенции) Во рамките на овој предмет, студентите ќе се запознаат со основните и напредните концепти кои се применуваат при работа со AutoML. Постојат многу докази каде алгоритми од машинска интелигенција придонесуваат до врни резултати во предвидување од различни области како обработка на природни јазици, компјутерска визија. Проблемот кој постои денес е како да го избереме најдобриот алгоритам за избраното сценарио и кои се неговите најдобри хипер-параметри кои ќе доведат до најдобри резултати. Во овој предмет студентите ќе се запознаат со техники: како да го избереме најдобриот алгоритам за дадено податочно множество, како да ги најдеме најдобрите хипер-параметри за избраниот алгоритам, и кои статистични анализи се соодветни и ќе не доведат до робустни резултати.
11. Содржина на предметната програма 1. Основни концепти на машинска интелигенција
2. Како да избереме репрезентативни податоци за учење
3. Селекција на најдобриот алгоритам
4. Избирање на најдобрите хипер-параметри.
5. Робустна статистичка анализа
6. Примери во стохастична оптимизација
7. Примери во класификација и регресија
12. Методи на учење Презентации, книги, електронски материјали, решавање на практични проблеми
13. Вкупен расположив фонд на време 6 ЕКТС x 30 часа = 180 часа
14. Распределба на расположивото време 30 + 15 + 45 + 45 + 45 = 180 часа
15. Форми на наставните активности
15.1. Предавања - теоретска настава 30 часови
15.2. Вежби (лабораториски, аудиториски), семинари, тимска работа 15 часови
16. Други форми на активности
16.1. Проектни задачи 45 часови
16.2. Самостојни задачи 45 часови
16.3. Домашно учење 45 часови
17. Начин на оценување
17.1. Тестови 20 бодови
17.2. Семинарска работа / проект ( презентација: писмена и усна) 45 бодови
17.3. Активности и учење 0 бодови
17.4. Завршен испит 30 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 редовна посета на предавањата
20. Јазик на кој се изведува наставата Англиски
21. Метод на следење на квалитетот на наставата Проектни задачи, тестови, домашни
22. Литература
22.1. Задолжителна литература
1. Hutter, F., Kotthoff, L., & Vanschoren, J. | Automated machine learning: methods, systems, challenges | Springer | 2019
2. Eftimov, T. & Korošec, P. | Deep Statistical Comparison for Meta-heuristic Stochastic Optimization Algorithms | Springer | 2022
22.2. Дополнителна литература
Ред.бр. Автор Наслов Издавач Година