Subject

Регресиони модели

1. Наслов на наставниот предмет Регресиони модели
Regression Models
2. Код SNP-Z-2
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 Билјана Тојтовска Рибарски, Марија Михова
9. Предуслови за запишување на предметот
10. Цели на предметната програма (компетенции) Студентите ќе се запознаат со повеќе аспекти од регресиона анализа, вклучувајќи
- како регресијата работи и кога истата се користи
- селектирање на точниот вид на регресиона анализа
- Специфицирање на најдобриот регресионен модел
- Интерпретација на резултатитие
- оценување на соодветноста на моделот
- предвидување и евалуација на прецизноста
11. Содржина на предметната програма Линеарна регресија: оценување, заклучување, дијагностика, тестирање на хипотези.
Мултиномна регресија, Логистичка регресија, ординална, поасонова.
Модели со регуларизација, Л1 и Л2 регуларизација. Ridge, Lasso, Еластична Net регресија.
Модели со креирање на нови независни променливи. Регресија со главни компоненти (Principal Components), Регресија со парцијални последни квадрати (Partial Least Squares (PLS))
Нелинеарни регресиони модели: дрва на одлучување (Decision Tree), случајна шума (random forest) и најблиски соседи (KNN)
Cox регресија
12. Методи на учење Презентации на професорот во училница со компјутери. Критичко читање на текстови препорачани од професорот: прирачници и / или академски трудови..
13. Вкупен расположив фонд на време 6 ЕКТС x 30 часа = 180 часа
14. Распределба на расположивото време 50 + 0 + 0 + 40 + 40 = 180 часа
15. Форми на наставните активности
15.1. Предавања - теоретска настава 50 часови
15.2. Вежби (лабораториски, аудиториски), семинари, тимска работа 0 часови
16. Други форми на активности
16.1. Проектни задачи 40 часови
16.2. Самостојни задачи 0 часови
16.3. Домашно учење 40 часови
17. Начин на оценување
17.1. Тестови 30 бодови
17.2. Семинарска работа / проект ( презентација: писмена и усна) 40 бодови
17.3. Активности и учење 10 бодови
17.4. Завршен испит 30 бодови
18. Критериуми за оценување (бодови/ оценка)
до 50 бода5 (пет) (F)
од 51 до 60 бода6 (шест) (E)
од 61 до 70 бода7 (седум) (D)
од 71 до 80 бода8 (осум) (C)
од 81 до 90 бода9 (девет) (B)
од 91 до 100 бода10 (десет) (A)
19. Услов за потпис и полагање на завршен испит семинарска работа
20. Јазик на кој се изведува наставата македонски
21. Метод на следење на квалитетот на наставата NULL
22. Литература
22.1. Задолжителна литература
1. Jim Frost | Regression Analysis: An Intuitive Guide for Using and Interpreting Linear Models | Jim publishing | 2019
2. Luca Massaron and Alberto Boschetti | Regression Analysis with Python | PACKT | 2016
3. Simon Wood. | Generalized Additive Models: An Introduction with R | Chapman & Hall/CRC Texts in Statistical Science. | 2017
4. Annette J. Dobson, Adrian G. Barnett | An Introduction to Generalized Linear Models | CRC Press. | 2018
5. Brian Caffo | Regression Models for Data Science in R | Leanpub | 2015
22.2. Дополнителна литература
Ред.бр. Автор Наслов Издавач Година