Subject

Интелигентни системи

Наслов на наставниот предмет

Интелигентни системи
Intelligent Systems

Код

F23L3S107

Студиска програма

Биоинформатика

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

Faculty of Computer Science and Engineering

Степен (прв, втор, трет циклус)

First Cycle

Академска година / семестар

8 / Летен

Број на ЕКТС кредити

Наставник

Ана Мадевска Богданова

Предуслови за запишување на предметот

Вештачка интелигенција или Вовед во науката за податоци или Машинско учење

10.

Цели на предметната програма (компетенции)

Целта на предметот е да го заокружи знаењето на студентите од областа на интелигентните системи, почнувајќи од претпроцесирањена податоците до валидирање на изградениот систем. Студентите ќе се оспособат да изградат интелигентен систем од почеток до крај на реални проблеми од специфичен домен, користејќи алатки за автоматизација на процесот на градење ИС.

11.

Содржина на предметната програма

Предавања:
1. Вовед во проблематиката на предметот
2. Преглед на домените во кои се користат современи Интелигентни системи (медицина, процесирање јазици, роботика)
3. Современи техники за претпроцесирање податоци - инженерство на податоци (Data Engineering): избор на податоци, чистење податоци, инженерство на атрибути (feature engineering)
4. Современи техники од машинско учење и длабоко учење за градење модели на ИС; Трансферирано учење;
5. Современи методи за евалуација на модели на ИС (класификација и регресија);
6. Дискриминантни наспроти генеративни методи за градење ИС;
7. Интерпретација на изградени модели - Shapley вредност (SHAP);
8. Како да се избегуиваат скриените проблеми и опасности при градењето Интелигентни системи.
9. Обработка на реален проблем – методи за најдобар избор на техники за претпроцесирање
10. Обработка на реален проблем - изградба на модел, евалуација
11. Интерпретација на изградените модели
12. Автоматизација на процесот на градење интелигентен систем - животен циклус крај-до-крај

Вежби:
1. Вовед во Интелигентни системи
2. Преглед на домените во кои се користат современи Интелигентни системи - примери
3. Современи техники за претпроцесирање податоци - примери во Python
4. Современи техники од машинско учење и длабоко учење за градење модели на ИС - примери во Python
5. Современи методин за евалуација на модели на ИС (класификација и регресија) - примери во Python
6. Дискриминантни наспроти генеративни методи за градење ИС - примери во Python
7. SHAP во Python, Weighted SHAР, SHAP со GPU
8. Како да се избегнуваат скриените проблеми и опасности при градењето Интелигентни системи.
9. Претппроцесирање биосигнали со алатки во Python со податочни множества од пациенти
10. Градење модели за предвидување со алатки во Python
11. Интерпретација на изградените модели
12. Алатки за автоматизација на градење ИС (open source платформа - MLflow)

12.

Методи на учење

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.

Вкупен расположив фонд на време

6 ЕКТС x 30 часа = 180 часа

14.

Распределба на расположивото време

30 + 45 + 15 + 15 + 75 = 180 часа

15.

Форми на наставните активности

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

16.

Други форми на активности

16.1.	Проектни задачи	15 часови
16.2.	Самостојни задачи	15 часови
16.3.	Домашно учење	75 часови

17.

Начин на оценување

17.1.	Тестови	0 бодови
17.2.	Семинарска работа / проект ( презентација: писмена и усна)	15 бодови
17.3.	Активности и учење	10 бодови
17.4.	Завршен испит	20 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

Реализирани актибвности 15.2 и 16.1

20.

Јазик на кој се изведува наставата

Македонски и англиски

21.

Метод на следење на квалитетот на наставата

механизам на интерна евалуација и анкети

22.

Literature

22.1.	Задолжителна литература 1. Geoff Hulten \| Building Intelligent Systems: A Guide to Machine Learning Engineering \| APRESS \| 2018 2. Kavita Taneja, Harmunish Taneja, Kuldeep Kumar, Arvind Selwal, Eng Lieh Ouh \| Data Science and Innovations for Intelligent Systems \| Taylor&Francis \| 2022
22.2.	Дополнителна литература Ред.бр. Автор Наслов Издавач Година