Subject

Applied Machine Learning

Наслов на наставниот предмет

Applied Machine Learning
Applied Machine Learning

Код

DS005

Студиска програма

Data science in computer science and engineering

Организатор на студиската програма (единица, односно институт, катедра, оддел)

Faculty of Computer Science and Engineering

Степен (прв, втор, трет циклус)

Second Cycle

Академска година / семестар

10 / Летен

Број на ЕКТС кредити

Наставник

Александра Дединец, Андреа Кулаков, Мирослав Мирчев, Соња Гиевска

Предуслови за запишување на предметот

—

10.

Цели на предметната програма (компетенции)

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.

Содржина на предметната програма

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.

Методи на учење

Презентации, анкети и сл.

13.

Вкупен расположив фонд на време

6 ЕКТС x 30 часа = 180 часа

14.

Распределба на расположивото време

45 + 30 + 30 + 30 + 55 = 180 часа

15.

Форми на наставните активности

15.1.	Предавања - теоретска настава	45 часови
15.2.	Вежби (лабораториски, аудиториски), семинари, тимска работа	30 часови

16.

Други форми на активности

16.1.	Проектни задачи	30 часови
16.2.	Самостојни задачи	30 часови
16.3.	Домашно учење	55 часови

17.

Начин на оценување

17.1.	Тестови	0 бодови
17.2.	Семинарска работа / проект ( презентација: писмена и усна)	30 бодови
17.3.	Активности и учење	0 бодови
17.4.	Завршен испит	0 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

NULL

20.

Јазик на кој се изведува наставата

Англиски

21.

Метод на следење на квалитетот на наставата

механизам на интерна евалуација и анкети

22.

Literature

22.1.	Задолжителна литература 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.	Дополнителна литература Ред.бр. Автор Наслов Издавач Година