Subject

Data Science

Наслов на наставниот предмет

Data Science
Data Science

Код

DS004

Студиска програма

Data science in computer science and engineering

Организатор на студиската програма (единица, односно институт, катедра, оддел)

Факултет за информатички науки и компјутерско инженерство

Степен (прв, втор, трет циклус)

Втор циклус

Академска година / семестар

9 / Зимски

Број на ЕКТС кредити

Наставник

Димитар Трајанов, Игор Мишковски, Мирослав Мирчев

Предуслови за запишување на предметот

—

10.

Цели на предметната програма (компетенции)

The course covers basic principles of supervised and unsupervised machine learning, as well as some advanced algorithmic paradigms. The students will be introduced to Deep Learning, NLP, and Causal analysis concepts. The Explainable ML approach will be presented as a tool to understand and increase trust in the ML models. The concepts of Knowledge graphs and their application will be explained.

11.

Содржина на предметната програма

Supervised Learning
Unsupervised Learning
Deep Learning
Intro to NLP
Explainable ML
Causal analysis
Knowledge graphs

12.

Методи на учење

Презентации, студии на случај....

13.

Вкупен расположив фонд на време

6 ЕКТС x 30 часа = 180 часа

14.

Распределба на расположивото време

45 + 30 + 30 + 15 + 60 = 180 часа

15.

Форми на наставните активности

15.1.	Предавања - теоретска настава	45 часови
15.2.	Вежби (лабораториски, аудиториски), семинари, тимска работа	30 часови

16.

Други форми на активности

16.1.	Проектни задачи	15 часови
16.2.	Самостојни задачи	30 часови
16.3.	Домашно учење	60 часови

17.

Начин на оценување

17.1.	Тестови	0 бодови
17.2.	Семинарска работа / проект ( презентација: писмена и усна)	15 бодови
17.3.	Активности и учење	0 бодови
17.4.	Завршен испит	0 бодови

18.

Критериуми за оценување (бодови/ оценка)

до 50 бода	5 (пет) (F)
од 51 до 60 бода	6 (шест) (E)
од 61 до 70 бода	7 (седум) (D)
од 71 до 80 бода	8 (осум) (C)
од 81 до 90 бода	9 (девет) (B)
од 91 до 100 бода	10 (десет) (A)

19.

Услов за потпис и полагање на завршен испит

NULL

20.

Јазик на кој се изведува наставата

Англиски

21.

Метод на следење на квалитетот на наставата

механизам на интерна евалуација и анкети

22.

Литература

22.1.

Задолжителна литература

1. Aurélien Géron | Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 3rd edition | Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems | 2022
2. Robert Ness | Causal Machine Learning | Manning | 2022
3. Christoph Molnar | Interpretable Machine Learning | Independently published | 2022
4. Mayank Kejriwal, Craig A. Knoblock and Pedro Szekely | Knowledge Graphs Fundamentals, Techniques, and Applications | MIT Press | 2021

22.2.

Дополнителна литература

Ред.бр. Автор Наслов Издавач Година