Subject

Интелигентни системи

Course Title

Интелигентни системи
Intelligent Systems

Code

F23L3S107

Study Programme

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

8 / Летен

Number of ECTS credits

Teacher

Ана Мадевска Богданова

Prerequisites for enrolling in the course

Вештачка интелигенција или Вовед во науката за податоци или Машинско учење

10.

Objectives of the course programme (competences)

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.

Course content

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.

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	0 points
17.2.	Seminar paper / project (presentation: written and oral)	15 бодови
17.3.	Activities and learning	10 бодови
17.4.	Final exam	20 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. 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.	Additional literature No. Author Title Publisher Year