| 1. | Наслов на наставниот предмет | Статистичко процесирање на сигналите и статистичко учење | |||||||||||
| 2. | Код | 4ФЕИТ10025 | |||||||||||
| 3. | Студиска програма | 10-ДПСМ, 11-ИБС, 12-КИТ | |||||||||||
| 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 Венцеслав Кафеџиски | |||||||||||
| 9. | Предуслов за запишување на предметот | ||||||||||||
| 10. | Цели на предметната програма (компетенции):
По завршување на курсот се очекува студентот да ги разбира и да знае како да ги имплементира методите и алгоритмите за статистичко процесирање на сигналите: естимација на параметри, на случајни параметри и на случајни процеси, и методите и алгоритмите на статистичко учење базирани на дискриминативни и генеративни модели, да знае како да ги применува овие методи и алгоритми кај реални проблеми, и да биде подготвен да се занимава со научноистражувачка работа во областа статистичко процесирање на сигналите и сатистичко учење. |
||||||||||||
| 11. | Содржина на програмата:
Случајни променливи и случајни вектори. Повеќе-димензионална Гаусова распределба. Дискретни случајни процеси: дефиниција, стационарност и ергодичност, автокорелација и спектрална густина на моќност. Естимација на параметри: LS, MVUE, ML. Естимација на случајни параметри: MAP, MMSE, и принцип на ортогоналност. Оптимална естимација на дискретни случајни процеси: Винерoв и Калманов филтер. Параметарски модели на дискретни случајни процеси: AR, MA и ARMA. Спектрална анализа на дискретни случајни процеси: основни методи и методи со висока резолуција. Адаптивно процесирање на сигнали. Процесирање на сигнали со полиња. Статистичко учење. Редуцирање на димензионалноста. Дискриминативни модели. Перцептрон. Линеарна регресија. SVM. Невронски мрежи. Длабоки невронски мрежи. Генеративни модели. Баесова теорија на одлучување. Унимодални модели. Маркови вериги. Mixture модели: Гаусови mixture модели. Скриени Маркови модели. Баесово учење. Графички модели. Баесови мрежи. Маркови случајни полиња. Фактор графови и пропагација на верување. Примена на опишаните методи и алгоритми. |
||||||||||||
| 12. | Методи на учење:
Предавања, самостојно учење, изработка на семинарски работи, презентации, активно учество на предавањата, консултации. |
||||||||||||
| 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) | 50 бодови | |||||||||||
| 17.3. | Активност и учење | 0 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 | Нема | |||||||||||
| 20. | Начин на полагање на испитот |
Испитот се состои од полагање на писмен или усмен завршен испит на предвидениот материјал според содржината на програмата и изработка и презентација на семинарска работа/проект на тема договорена помеѓу студентот и наставникот. |
|||||||||||
| 21. | Јазик на кој се изведува наставата | Македонски и Англиски | |||||||||||
| 22. | Метод на следење на квалитетот на наставата | Самоевалуација | |||||||||||
| 23. | Литература | ||||||||||||
| 23.1. | Задолжителна литература | ||||||||||||
| Ред.
број |
Автор | Наслов | Издавач | Година | |||||||||
| 1. | H. Jiang | Machine Learning Fundamentals | Cambridge University Press | 2022 | |||||||||
| 2. | J. M. Mendel | Lessons in Estimation Theory for Signal Processing, Communications, and Control | Pearson Technology Group | 2008 | |||||||||
| 23.2. | Дополнителна литература | ||||||||||||
| Ред.
број |
Автор | Наслов | Издавач | Година | |||||||||
| 1. | D. G. Manolakis, V. K. Ingle, S. M. Kogon | Statistical and Adaptive Signal Processing: Spectral Estimation, Signal Modeling, Adaptive Filtering and Array Processing | Artech House | 2005 | |||||||||
