Subject

Откривање знаење со длабоко учење

Course Title

Откривање знаење со длабоко учење
Deep learning for knowledge discovery

Code

F23L3S106

Study Programme

—

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

8 / Летен

Number of ECTS credits

Teacher

Кире Триводалиев, Слободан Калајџиски, Соња Гиевска

Prerequisites for enrolling in the course

Вештачка интелигенција или Вовед во науката за податоци или Машинско учење

10.

Objectives of the course programme (competences)

По завршување на предметот, студентот ќе биде оспособен за избор на соодветни техники за откривање и извлекување на знаење од различен вид податоци. Студентот ќе поседува познавања за напредни архитектури за длабоко учење со примена во системи за препораки, анализа на граф-структурирани податоци и мултимодална фузија на податоци.

11.

Course content

1. Вовед во темите кои ги обработува предметот. Напредни методи на машинско учење и области на нивна примена.
2. Граф-структурирани податоци. Анализа на статитичките и динамички својства на графови.
3. Примена на граф невронски мрежи за анализа на графови
4. Репрезентација на јазли и врски во графови
5. Извлекување на знаење од социјалните мрежи: Предвидување на врски. Класификација и анотација на јазли.
6. Примена на граф-невронси мрежи за системи за препораки
7. Пристапи базирани на длабоко учење и учење со надгледување
8. Генеративни спротивставени мрежи
9. Примена на ГАН во машинска визија и обработка на природните јазици
10. Мултимодална фузија
11. Длабоки невронски мрежи за мултимодална фузија со области на примена
12. Студии на случај на примена на ѕчење со поттикнување, граф-невронски мрежи и генеративни спротивстваени мрежи

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

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

освоени 50% од предвидените поени на индивидуалните задачи

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. David Easley & Jon Kleinberg \| Networks, Crowds, and Markets: Reasoning about a Highly Connected World \| Cambridge University Press \| 2010 2. J. Leskovec, A. Rajaraman, J. D. Ullman \| Mining of Massive Datasets \| Cambridge University Press \| 2014 3. Ian Goodfellow, Joshua Bengio, Aaron Courvile \| Deep Learning \| MIT Press \| 2016
22.2.	Additional literature No. Author Title Publisher Year