Subject

Машинско учење

Course Title

Машинско учење
Machine learning

Code

F23L3S036

Study Programme

Компјутерски науки, Биоинформатика

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

Faculty of Computer Science and Engineering

Degree level (first, second, third cycle)

Прв циклус

Academic year / semester

6 / Летен

Number of ECTS credits

Teacher

Александра Дединец, Мирослав Мирчев

Prerequisites for enrolling in the course

Веројатност и статистика или Бизнис статистика или Математика 3

10.

Objectives of the course programme (competences)

Целта на курсот е студентите да се запознаат со основите на модерните техники од областа на машинско учење. По завршувањето на курсот кандидатите: ќе имаат продлабочени знаења за напредните технологии и методи за машинско учење; ќе можат да разберат, анализираат и формулираат генерални проблеми од областа на машинско учење; ќе можат успешно да применат алгоритми за машинско учење при решавање на реални проблеми; ќе можат да конципираат, анализираат, реализираат и проценат перформанси на систем за машинско учење.

11.

Course content

Предавања:
1. Вовед во машинско учење
2. Генеративни модели
3. Гаусови модели
4. Линеарна регресија со една и повеќе променливи
5. Логистичка регресија
6. Ненадгледувано учење, мешани модели и EM алгоритам
7. Кернел методи, машини со носечки вектори
8. Невронски мрежи
9. Класификациски и регресиони дрва на одлучување
10. Длабоко учење

Вежби:
1. Вовед во машинско учење
2. Генеративни модели
3. Гаусови модели
4. Линеарна регресија со една и повеќе променливи
5. Логистичка регресија
6. Ненадгледувано учење, мешани модели и EM алгоритам
7. Кернел методи, машини со носечки вектори
8. Невронски мрежи
9. Класификациски и регресиони дрва на одлучување
10. Длабоко учење

12.

Learning methods

Предавања со користење на презентации, 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.

13.

Total available time

6 ECTS x 30 hours = 180 hours

14.

Distribution of available time

30 + 45 + 15 + 15 + 75 = 180 часа

15.

Forms of teaching activities

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

16.

Other forms of activities

16.1.	Project assignments	15 часови
16.2.	Independent assignments	15 часови
16.3.	Home study	75 часови

17.

Assessment method

17.1.	Tests	10 бодови
17.2.	Seminar paper / project (presentation: written and oral)	15 бодови
17.3.	Activities and learning	10 бодови
17.4.	Final exam	70 бодови

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 актибвности 15.2 и 16.1

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. Christopher M. Bishop \| Pattern Recognition and Machine Learning \| Springer \| 2006 2. Kevin P. Murphy \| Machine learning - A probabilistic perspective \| MIT Press \| 2012 3. Aurélien Géron \| Hands-on Machine Learning with Scikit-Learn, Keras & TensorFlow \| O’Reilly Media \| 2019
22.2.	Additional literature No. Author Title Publisher Year