Subject

Applied Machine Learning

Course Title

Applied Machine Learning
Applied Machine Learning

Code

DS005

Study Programme

Data science in computer science and engineering

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

Александра Дединец, Андреа Кулаков, Мирослав Мирчев, Соња Гиевска

Prerequisites for enrolling in the course

—

10.

Objectives of the course programme (competences)

Применетото машинско учење ги учи студентите на некои од главните идеи во машинско учење и наука за податоци кои би се спровеле од реален деловен проблем до функционално решение од ВИ применето во голем размер.
Основен фокус е да се изградат ВИ решенија за реалниот свет користејќи ги вештините научени во првиот семестар. Фокусот овде е повеќе на практичното знаење отколку на математичките и теоретски основи. Во тој баланс помеѓу теоријата и праксата, предност ќе се даде на практичните и применети аспекти на машинското учење.

11.

Course content

Операции во машинско учење
Автоматско машинско учење
Паралелизација на машинското учење
Машинско учење во облакот
Прескриптивна аналитика
Анализа на временски серии
Вовед во машинска визија
Вовед во машинско учење за звук и говор

12.

Learning methods

Презентации, анкети и сл.

13.

Total available time

6 ECTS x 30 hours = 180 hours

14.

Distribution of available time

45 + 30 + 30 + 30 + 55 = 180 часа

15.

Forms of teaching activities

15.1.	Lectures - theoretical instruction	45 hours
15.2.	Exercises (laboratory, auditory), seminars, teamwork	30 hours

16.

Other forms of activities

16.1.	Project assignments	30 hours
16.2.	Independent assignments	30 hours
16.3.	Home study	55 часови

17.

Assessment method

17.1.	Tests	0 points
17.2.	Seminar paper / project (presentation: written and oral)	30 бодови
17.3.	Activities and learning	0 points
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

NULL

20.

Language of instruction

Англиски

21.

Method for monitoring the quality of teaching

internal evaluation and survey mechanism

22.

Literature

22.1.	Required literature 1. David Forsyth \| Applied Machine Learning \| Springer \| 2019 2. Taweh Beysolow \| Applied Reinforcement Learning with Python: With OpenAI Gym, Tensorflow, and Keras \| Apress \| 2019 3. Jeff Prosise \| Applied Machine Learning and AI for Engineersbooks \| O`Reilly \| 2022 4.
22.2.	Additional literature No. Author Title Publisher Year