Subject

Истражувачка и предиктивна аналитика

Course Title

Истражувачка и предиктивна аналитика
Exploratory predictive analytics

Code

SDP-Z-4

Study Programme

Статистика и аналитика на податоци

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

Бојан Илијоски, Илинка Иваноска, Соња Гиевска

Prerequisites for enrolling in the course

—

10.

Objectives of the course programme (competences)

Водечки компании како што се: Google, Facebook, и Netflix користат предиктивна аналитика за развојот на своите продукти и сервиси. Во фокус на предметот се 1) аспектите од процесот на истражувачка анализа на податоци за и 2) изработка на едноставни предиктивни модели за откривање, разбирање и подлабок увид во информациите кои може да се извлечат од податоците. Студентите ќе се запознаат со техники за разбирање и сумирање на податоци, да комбинираат повеќе извори на податоци, да одлучат како да ги откријат шаблоните присутни во податоците за да ја поедностават понатамошната анализа при развојот на посложените статистички модели.
Дел од предметот опфаќа практична примена на научените техники во спроведување на истражувачка анализа на податоците и изработка на предиктивен модел за првичен увид во знаењето присутно во податоците.

11.

Course content

Процес на подготовка на податоци за предиктивна анализа: откривање, структурирање, чистење, збогатување, валидирање, објавување.
Чекори во истражувачката анализа на податоци.
Справување со податоци кои недостасуваат.
Предиктивна аналитика водена од податоци.
Избор на соодветни техники од машинско учење за првична истражувачка студија со податоците на располагање.
Практична примена на машинско учење за предвидување.
Справување со димензионалност и оптимизација на предиктивни модели.
Развој на едноставен предиктивен модел со реални податоци и податочни множества за тестирање на поставените хипотези, откривање шаблони во податоците и предиктивна анализа.
Толкување и каузална анализа на предиктивните модели

12.

Learning methods

Предавања поддржани со презентации преку слајдови, интерактивни предавања, вежби (користење на софтверски пакети), 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

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	0 points
17.2.	Seminar paper / project (presentation: written and oral)	45 points
17.3.	Activities and learning	0 points
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

NULL

20.

Language of instruction

Македонски – Англиски

21.

Method for monitoring the quality of teaching

internal evaluation and survey mechanism

22.

Literature

22.1.	Required literature 1. Suresh Kumar Mukhiya , Usman Ahmed \| Hands-On Exploratory Data Analysis with Python \| Packt \| 2020 2. P. Biecek & T. Burzykowski \| Explanatory Model Analysis: Explore, Explain, and Examine Predictive Models \| Chapman & Hall/CRC Data Science Series \| 2021 3. C. Molnar \| Interpretable Machine Learning: A Guide For Making Black Box Models Explainable \| 2022
22.2.	Additional literature No. Author Title Publisher Year