Subject

Обработка на податоци

Course Title

Обработка на податоци
Data processing

Code

BI-I-02

Study Programme

Биоинформатика

Organizer of the study programme (unit, institute, department or division)

Faculty of Computer Science and Engineering

Degree level (first, second, third cycle)

Second cycle

Academic year / semester

10 / Summer

Number of ECTS credits

Teacher

Илинка Иваноска, Слободан Калајџиски

Prerequisites for enrolling in the course

—

10.

Objectives of the course programme (competences)

Овој курс првенствено ќе се фокусира на развој на вештини потребни за поддршка на останатите курсеви во програмата. Додека го изучуваат овој курс, студентите ќе развијат систематско разбирање на принципите на компјутерската наука и науката за податоци, кои се во темелите на многу интердисциплинарни програми. На студентите ќе им се понуди широко знаење во клучните области на компјутерски науки релевантни за современите истражувања, вклучувајќи ја и способноста да се евалуираат податоци и да се идентификуваат соодветни алатки за нивно испитување и манипулација. Со овој курс студентите ќе се здобијат со следните компетенции:
- Knowledge of the key elements of advanced programming in scientific research
- Knowledge of the key elements of modern scripting and analytical languages (such as, but not limited to, R and Python)
o манипулација со податоци
o основни процедури за анализа на податоци
o креирање графикони
- Knowledge of approaches and methods for visualizing complex data using modern scripting languages.
- Собирање, извлекување и манипулација на големи податочни множества користејќи командна линија и алатки за скриптирање.
- Designing, writing, annotating, testing and debugging analytical code.
- Designing, justifying and implementing a computational workflow for data processing that includes multiple computing tools for examining outcome-oriented research questions.

11.

Course content

Курсот ќе биде изграден од четири тематски области:
1. Напредни системски вештини за најразлични интердисциплинарни студии (Linux)
2. Вовед во R
3. Вовед во Python
4. Претпроцесирање и чистење на податоци
5. Методи за визуелизација на податоци

12.

Learning methods

Предавања поддржани со презентации преку слајдови, интерактивни предавања, 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.

Total available time

6 ECTS x 30 hours = 180 hours

14.

Distribution of available time

60 + 0 + 45 + 45 + 30 = 180 hours

15.

Forms of teaching activities

15.1.	Lectures - theoretical instruction	60 hours
15.2.	Exercises (laboratory, auditory), seminars, teamwork	0 hours

16.

Other forms of activities

16.1.	Project assignments	45 hours
16.2.	Independent assignments	45 hours
16.3.	Home study	30 hours

17.

Assessment method

17.1.	Tests	15 бодови
17.2.	Seminar paper / project (presentation: written and oral)	45 points
17.3.	Activities and learning	15 бодови
17.4.	Final exam	0 points

18.

Grading criteria (points / grade)

up to 50 points	5 (five) (F)
from 51 to 60 points	6 (six) (E)
from 61 to 70 points	7 (seven) (D)
from 71 to 80 points	8 (eight) (C)
from 81 to 90 points	9 (nine) (B)
from 91 to 100 points	10 (ten) (A)

19.

Requirement for obtaining a signature and taking the final exam

реализирани активности 15

20.

Language of instruction

Macedonian and English

21.

Method for monitoring the quality of teaching

internal evaluation and survey mechanism

22.

Literature

22.1.	Required literature 1. Vince Buffalo \| Bioinformatics Data Skills \| O`Reilly Media \| 2015 2. Steven Haddock, Casey Dunn \| Practical Computing for Biologists \| Oxford University Press \| 2011 3.
22.2.	Additional literature No. Author Title Publisher Year