Машинско учење во процесирање на сигнали

Последна измена: јули 20, 2023
1. Наслов на наставниот предмет Машинско учење во процесирање на сигнали
2. Код 4ФЕИТ05018
3. Студиска програма 10-ДПСМ, 22-БЕ
4. Организатор на студиската програма

(единица, односно институт, катедра, оддел)

 Факултет за електротехника и информациски технологии
5. Степен (прв, втор, трет циклус) Втор циклус студии
6. Академска година/семестар I/1 7.   Број на ЕКТС кредити 6.00
8. Наставник Д-р Марија Марковска Димитровска
9. Предуслов за запишување на предметот
10. Цели на предметната програма (компетенции):

Со успешно завршување на курсот, студентот ќе биде способен: – Да врши декомпозиција, анализа, класификација и консолидација на сигнали; – Да избере соодветна алатка за екстракција на карактеристики; – Да ги оцени предностите и недостатоците на одредена алатка за процесирање на сигнали, во рамките на зададен проблем; – Да ги имплементира надгледуваните и ненадгледуваните техники за машинско учење (МУ), кои се изучувани во предметот; – Да избере соодветен алгоритам за МУ, за конкретен проблем; – Да развие основни надгледувани и ненадгледувани модели за МУ за измерените/собраните сигнали/податоци; – Да ги оцени предностите и недостаоците на различните алгоритми за МУ.
11. Содржина на програмата:

Репрезентација на звук и слика. Линеарна алгебра. Репрезентација на сигнали – Компонентна анализа. Екстракција на карактеристки. Зајакнување на слаби алгоритми. PCА (анализа на главни компоненти). ICA (анализа со независни компоненти). NMF (ненегативна матрична факторизација). Ретки NMF. Кластерирање. SVM (машини со носечки вектори). DT (дрво на одлучување). Мешавински модели и EM (максимизација на очекувањето). Линеарна регресија. Логистичка регресија. Маркови и скриени маркови модели. Невронски мрежи. Длабоко учење. Конволуциски мрежи.
12. Методи на учење:

Предавања, вежби (користење на опрема и софтверски пакети), тимска работа, студија на случај, самостојна изработка и одбрана на проектна задача и семинарска работа.
13. Вкупен расположив фонд на време 180
14. Распределба на расположивото време 3 + 3
15. Форми на наставните активности 15.1 Предавања – теоретска настава 45 часови
15.2 Вежби (лабораториски, аудиториски), семинари, тимска работа 45 часови
16. Други форми на активности 16.1 Проектни задачи 30 часови
16.2 Самостојни задачи 30 часови
16.3 Домашно учење 30 часови
17. Начин на оценување
17.1 Тестови 0 бодови
17.2 Семинарска работа/проект (презентација: писмена и усна) 40 бодови
17.3. Активност и учење 10 бодови
17.4. Завршен испит 50 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 Реализирани активности од 15.1 до 16.3.
20. Начин на полагање на испитот Проектна задача и завршен испит.
21. Јазик на кој се изведува наставата Македонски и Англиски
22. Метод на следење на квалитетот на наставата Интерна евалуација и анкети
23. Литература
23.1.      Задолжителна литература
Ред.

број

 Автор Наслов Издавач Година
1. Ethem Alpaydin Introduction to Machine Learning, fourth edition MIT press 2020
2. C.M. Bishop Pattern Recognition and Machine Learning, 2nd Edition Springer 2011
3. I. Goodfellow, Y, Bengio, A. Courville Deep Learning MIT press 2016