Subject

Вовед во рударење на масивни податоци

Course Title

Вовед во рударење на масивни податоци
Introduction to mining massive dataset

Code

F23L3W154

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

7 / Зимски

Number of ECTS credits

Teacher

Ефтим Здравевски, Ѓорѓи Маџаров

Prerequisites for enrolling in the course

Алгоритми и податочни структури или Примена на алгоритми и податочни структури

10.

Objectives of the course programme (competences)

Студентите да се запознаат со алгоритмите и техниките на податочно рударење и машинско учење за анализа на големи податочни множества. Фокус ќе биде даден на дистрибуираните платформи како и на начинот на дефинирање и креирање на алгоритми за процесирање и анализа на многу големи податочни множества.

11.

Course content

Предавања:
1. Вовед во MapReduce
2. Фреквентни множества и асоцијативни правила
3. Барање на најблиски соседи во многу-димензионални податоци, локациски сензитивни хеширања
4. Намалување на димензионалноста (SVD и CUR)
5. Системи на препораки базирани на колаборативно филтрирање
6. Системи на препораки базирани на содржина и хибридни системи за препораки
7. Кластерирање на масивни податочни множества
8. Надгледувано учење кај масивни податочни множества (К-најблиски соседи, апроксимативен К-најблиски соседи)
9. Надгледувано учење кај масивни податочни множества (класификациски и регресиски дрвa)
10. Надгледувано учење кај масивни податочни множества (длабоки невронски мрежи)
11. Континуирана обработка на масивни податоци базирано на прозорец
12. Рударење на податоци репрезентирани со графови

Вежби:
1. Примери на MapReduce
2. Градење на асоцијативни правила
3. Употреба на локациски сензитивни хеширања и барање на најблиски соседи во многу-димензионални податоци
4. Употреба на SVD и CUR
5. Работа со алгоритми за препораки базирани на колаборативно филтрирање
6. Работа со алгоритми за препораки базирани на содржина и колаборативно филтрирање
7. Употреба на методи за кластерирање на масивни податочни множества
8. Употреба на методите К-најблиски соседи на реални проблеми
9. Работа со класификациски и регресиски дрвa
10. Работа со длабоки невронски мрежи за анализа на масивни податочни множества (само-надгледувано учење)
11. Работа со алгоритми за континуирана обработка на масивни податоци базирано на прозорец
12. Работа со граф невронски мрежи

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 + 0 + 30 + 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	30 hours
16.2.	Independent assignments	0 hours
16.3.	Home study	75 часови

17.

Assessment method

17.1.	Tests	0 points
17.2.	Seminar paper / project (presentation: written and oral)	30 бодови
17.3.	Activities and learning	0 points
17.4.	Final exam	60 points

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 активности

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. Jure Leskovec, Anand Rajaraman, Jeffrey D. Ullman \| Mining of Massive Datasets \| Cambridge University Press \| 2020 2. Avrim Blum, John Hopcroft, and Ravindran Kannan \| Foundations of Data Science \| Draft version \| 2017 3. Jiawei Han,‎ Micheline Kamber,‎ and Jian Pei \| Data Mining: Concepts and Techniques, Third Edition \| Morgan Kaufmann \| 2011 4.
22.2.	Additional literature No. Author Title Publisher Year