Податочна наука и анализа на податоци

Објавено: јуни 28, 2022
1. Наслов на наставниот предмет Податочна наука и анализа на податоци
2. Код 4ФЕИТ07Л016
3. Студиска програма КТИ
4. Организатор на студиската програма Факултет за електротехника и информациски технологии
5. Степен Прв циклус студии
6. Академска година / семестар III/6 7. Број на ЕКТС 6
8. Наставник Д-р Христијан Ѓорески
9. Предуслов за запишување на предметот Положени: Програмирање и алгоритми, Податочни структури и програмирање
10. Цели на предметната програма (компетенции). Запознавање со концептот на Податочна Наука, статистичка анализа на податоци, примена на алгоритми за Машинска Интелигенција. Со овој предмет, студентот ќе се стекне со знаење за практично користење на алатки и софтвер за обработка на податоци, развивање на модели, евалуација и споредба на резултати. Исто така ќе се стекне со теоретско и практично знаење со алатки за работа со Складишта на податоци и Големи Податочни множества.
11. Содржина на програмата: Вовед во податочна наука и анализа на податоци со алгоритми од машинска интелигенција.
Работа со податочни множества, спремање на податочни множества, примена на алгортими од Машинска Интелигенција: Дрва на одлука, Naive Bayes, Случајни Шуми, Ансамбли од модели.
Процесирање на податоци (екстракција и филтрирање), екстракција на атрибути, градење на класификациски и регресиски модели, кластерирање на податоците, визуелизација на податоците и моделите, како и анализа и споредба на различни типови на евалуација на изградените модели. Големи податочни множества и складишта на податоци.
Имплементирање и евалуација на алгоритмите и моделите со помош на Java или Python околина.
12.Методи на учење Предавања, аудиториски и лабораториски вежби, самостојно учење, самостојна работа на проектни задачи
13. Вкупен расположив фонд на часови 2 + 2 + 1 + 0
14. Распределба на расположивото време 180
15. Форми на наставните активности 15.1. Предавања – теоретска настава 30
15.2. Вежби, семинари, тимска работа 45
16. Други форми на активност 16.1. Проектни задачи 0
16.2. Самостојни задачи 45
16.3. Домашно учење 60
17. Начини на оценување 17.1. Тестови 0
17.2. Семинарска работа/проект 0
17.3. Активност и учење 10
17.4. Завршен испит 90
18. Критериуми за оценување до 50 бодови 5 (пет) (F)
од 51до 60 бодови 6 (шест) (E)
од 61до 70 бодови 7 (седум) (D)
од 71до 80 бодови 8 (осум) (C)
од 81до 90 бодови 9 (девет) (B)
од 91до 100 бодови 10 (десет) (A)
19. Услов за потпис и полагање на завршен испит Лабораториски вежби
20. Начин на полагање на испитот Два парцијални испити во текот на семестарот во времетраење од по 120 минути или еден завршен писмен испит во соодветна испитна сесија во времетраење од 120 минути. Оценување и на лабораториските вежби. Можност за изработка на проектна задача која ќе се оценува.
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. Дополнителна литература
Бр. Автор Наслов Издавач Година
1 Aurélien Géron Hands-On Machine Learning with Scikit-Learn and TensorFlow O’Reilly Media; 1st edition (April 25, 2017) 2017
2 Ian H. Witten, Eibe Frank, Eibe Frank Data Mining: Practical Machine Learning Tools and Techniques Morgan Kaufmann; 3rd edition (January 20, 2011) 2011