Subject

Напредно машинско учење

Course Title

Напредно машинско учење
Advanced machine learning

Code

IS-Z-04

Study Programme

Интелигентни системи

Organizer of the study programme (unit, institute, department or division)

Faculty of Computer Science and Engineering

Degree level (first, second, third cycle)

Second cycle

Academic year / semester

9 / Winter

Number of ECTS credits

Teacher

Георгина Мирчева, Мирослав Мирчев, Соња Гиевска

Prerequisites for enrolling in the course

—

10.

Objectives of the course programme (competences)

Студентот ќе биде оспособен за користење на напредни алгоритми и техники од областа на машинското учење.

11.

Course content

Ова е отворен предмет каде кандидатот ќе може да избере работи на некој проект сврзан со најновите достигнувања во полето на машинското учење (МУ). Можните теми ги опфаќаат следните области: медицина, обработка на биосигнали, обработка на природни јазици (разбирање на текстови, машинско преведување и преведување помогнато од машина, статистичка обработка на природни јазици и друго); теоретско МУ (нови трендови во теоријата на МУ); инжинерство на податоци за градење МУ модели (избор и чистење податоци, избор на атрибути (feature engineering, стандардизација на податоци), Длабоко учење (невронски мрежи и конволуциски невронски мрежи, TensorFlow); Напредни теми од МУ кои опфаќаат: графички модели, кернел методи, boosting, bagging, полу-надгледуванo и активно учење, и тензорски пристап кон анализа на податоци.

12.

Learning methods

Предавања поддржани со презентации преку слајдови, 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, учење во електронско опкружување (форуми, консултации).

13.

Total available time

6 ECTS x 30 hours = 180 hours

14.

Distribution of available time

60 + 0 + 45 + 45 + 30 = 180 hours

15.

Forms of teaching activities

15.1.	Lectures - theoretical instruction	60 hours
15.2.	Exercises (laboratory, auditory), seminars, teamwork	0 hours

16.

Other forms of activities

16.1.	Project assignments	45 hours
16.2.	Independent assignments	45 hours
16.3.	Home study	30 hours

17.

Assessment method

17.1.	Tests	15 бодови
17.2.	Seminar paper / project (presentation: written and oral)	45 points
17.3.	Activities and learning	15 бодови
17.4.	Final exam	0 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

completed activities 15.1 and 15.2

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. Aurélien Géron \| Hands-On Machine Learning with Scikit-Learn and TensorFlow \| O`Reilly \| 2020 2. Ian Goodfellow, Yoshua Bengio, Aaron Courville \| Deep Learning \| MIT Press \| 2016
22.2.	Additional literature No. Author Title Publisher Year