Subject

Вовед во науката за податоци

Course Title

Вовед во науката за податоци
Introduction to datascience

Code

F23L3W008

Study Programme

Примена на информациски технологии, Софтверско инженерство и информациски системи, Software engineering and information systems

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

5 / Зимски

Number of ECTS credits

Teacher

Димитар Трајанов, Георгина Мирчева, Игор Мишковски, Милош Јовановиќ, Мирослав Мирчев, Слободан Калајџиски, Весна Димитрова

Prerequisites for enrolling in the course

Бизнис статистика или Веројатност и статистика или Основи на теорија на информации или Математика 3

10.

Objectives of the course programme (competences)

Запознавање со основите за науката базирана на податоци. Студентите ќе се запознаат со процесот и методологијата при работа со податоци, почнувајќи од идентификацијата на проблемите, преку собирање на податоци, а потоа и нивна обработка. Студентите ќе ги научат основните техники за обработка на податоците и идентификување на шаблони во нив, како и начините на визуелизација и интерпретација на добиените резултати.

11.

Course content

(2) Вовед во науката за податоци како четврта научна парадигма
(2) Дизајнирање на експерименти и идентификација на проблеми
(2) Собирање и обработка на податоци
(2) Пред процесирање на податоците
(2) Идентификација на шаблони во податоците и визуелизација
(2) Вовед во Машинско Учење
(2) Основни модели за Машинско Учење
(2) Длабоко учење
(2) Ненадгледувано учење (кластерирање, намалување на димензионалност)
(2) Вовед во обработка на природни јазици

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	15 бодови
17.4.	Final exam	65 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. Ethem Alpaydin \| Machine Learning \| MIT Press \| 2021 2. John D. Kelleher, Brendan Tierney \| Data Science \| MIT Press Essential Knowledge series \| 2018 3. Edward Raff \| Inside Deep Learning: Math, Algorithms, Models \| Manning \| 2022 4. François Chollet \| Deep Learning with Python, 2nd edition \| Manning \| 2021
22.2.	Additional literature No. Author Title Publisher Year