Subject
Вовед во рударење на масивни податоци
| 1. | Наслов на наставниот предмет |
Вовед во рударење на масивни податоци Introduction to mining massive dataset |
||||||||||||
| 2. | Код | F23L3W154 | ||||||||||||
| 3. | Студиска програма | — | ||||||||||||
| 4. | Организатор на студиската програма (единица, односно институт, катедра, оддел) | Faculty of Computer Science and Engineering | ||||||||||||
| 5. | Степен (прв, втор, трет циклус) | First Cycle | ||||||||||||
| 6. | Академска година / семестар | 7 / Зимски | ||||||||||||
| 7. | Број на ЕКТС кредити | 6 | ||||||||||||
| 8. | Наставник | Ефтим Здравевски, Ѓорѓи Маџаров | ||||||||||||
| 9. | Предуслови за запишување на предметот | Алгоритми и податочни структури или Примена на алгоритми и податочни структури | ||||||||||||
| 10. | Цели на предметната програма (компетенции) | 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. | Содржина на предметната програма | 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. | 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 + 0 + 30 + 75 = 180 часа | ||||||||||||
| 15. | Форми на наставните активности |
|
||||||||||||
| 16. | Други форми на активности |
|
||||||||||||
| 17. | Начин на оценување |
|
||||||||||||
| 18. | Критериуми за оценување (бодови/ оценка) |
|
||||||||||||
| 19. | Услов за потпис и полагање на завршен испит | реализирани активности | ||||||||||||
| 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 |
|
