Subject
Истражувачка и предиктивна аналитика
| 1. | Наслов на наставниот предмет |
Истражувачка и предиктивна аналитика Exploratory predictive analytics |
||||||||||||
| 2. | Код | SDP-Z-4 | ||||||||||||
| 3. | Студиска програма | Статистика и аналитика на податоци | ||||||||||||
| 4. | Организатор на студиската програма (единица, односно институт, катедра, оддел) | Факултет за информатички науки и компјутерско инженерство | ||||||||||||
| 5. | Степен (прв, втор, трет циклус) | Втор циклус | ||||||||||||
| 6. | Академска година / семестар | 9 / Зимски | ||||||||||||
| 7. | Број на ЕКТС кредити | 6 | ||||||||||||
| 8. | Наставник | Бојан Илијоски, Илинка Иваноска, Соња Гиевска | ||||||||||||
| 9. | Предуслови за запишување на предметот | — | ||||||||||||
| 10. | Цели на предметната програма (компетенции) | 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. | Содржина на предметната програма | 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. | Методи на учење | Предавања поддржани со презентации преку слајдови, интерактивни предавања, вежби (користење на софтверски пакети), 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 | 60 + 0 + 45 + 45 + 30 = 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 | NULL | ||||||||||||
| 20. | Јазик на кој се изведува наставата | Македонски – Англиски | ||||||||||||
| 21. | Метод на следење на квалитетот на наставата | механизам на интерна евалуација и анкети | ||||||||||||
| 22. | Литература |
|
