SylabUZ
| Nazwa przedmiotu | Technologie Big Data |
| Kod przedmiotu | 11.3-WE-INFD-TechBD |
| Wydział | Wydział Informatyki, Elektrotechniki i Automatyki |
| Kierunek | Informatyka |
| Profil | ogólnoakademicki |
| Rodzaj studiów | drugiego stopnia z tyt. magistra inżyniera |
| Semestr rozpoczęcia | semestr zimowy 2018/2019 |
| Semestr | 2 |
| Liczba punktów ECTS do zdobycia | 6 |
| Typ przedmiotu | obowiązkowy |
| Język nauczania | polski |
| Sylabus opracował |
|
| Forma zajęć | Liczba godzin w semestrze (stacjonarne) | Liczba godzin w tygodniu (stacjonarne) | Liczba godzin w semestrze (niestacjonarne) | Liczba godzin w tygodniu (niestacjonarne) | Forma zaliczenia |
| Wykład | 30 | 2 | 18 | 1,2 | Egzamin |
| Laboratorium | 30 | 2 | 18 | 1,2 | Zaliczenie na ocenę |
Nauczenie studentów doboru odpowiednich technik analizy danych w zależności od skali rozpatrywanego problemu oraz rodzaju przeprowadzanej analizy.
Nauczenie studentów pracy z wykorzystaniem nowoczesnych platform do składowania i przetwarzania danych.
Zapoznanie studentów z wybranymi technikami analizowania dużych zbiorów danych, głównie tekstowych.
Bazy danych.
Znajomość podstaw statystyki.
Umiejętność programowania w języku Java.
Analiza danych nieustrukturyzowanych: text mining.
Analiza struktury sieci WWW: wyszukiwanie informacji tekstowych i wyszukiwanie w Internecie; ranking oparty o strukturę połączeń.
Analiza użytkowania sieci WWW: wstępne przetwarzanie danych; eksploracyjna analiza użytkowania sieci; grupowanie, reguły asocjacyjne i klasyfikacja.
Fenomen Big Data, jego charakterystyka oraz wpływ na istniejące rozwiązania analityczne.
Analityka biznesowa na dużą skalę; nowoczesne rozwiązania wykorzystywane do przesyłania, składowania oraz przetwarzania dużych zbiorów danych.
Architektura nowoczesnych systemów do składowania i przetwarzania Big Data na przykładzie platform Elasticsearch, Apache Hadoop, Apache Hbase.
Analityka danych tekstowych w czasie rzeczywistym z wykorzystaniem platformy ElasticSearch.
Wykład konwencjonalny, ćwiczenia laboratoryjne, praca w zespole
| Opis efektu | Symbole efektów | Metody weryfikacji | Forma zajęć |
Wykład - warunkiem zaliczenia jest uzyskanie pozytywnej oceny z egzaminu przeprowadzonego w formie zaproponowanej przez prowadzącego
Laboratorium - warunkiem zaliczenia jest uzyskanie ocen pozytywnych z wszystkich ćwiczeń laboratoryjnych
Składowe oceny końcowej = wykład: 50% + laboratorium: 50%
Larose D.T.: Metody i modele eksploracji danych, PWN, Warszawa, 2008
Markov Z., Larose D.T.: Eksploracja zasobów internetowych, PWN, Warszawa, 2009
Gormley C., Tong Z.: Elasticsearch: The Definitive Guide, 2015
George L., HBase: The Definitive Guide, O'Reilly Media, 2011
White T., Hadoop: The Definitive Guide, 3rd Edition, O'Reilly Media / Yahoo Press, 2012.
Zmodyfikowane przez dr hab. inż. Artur Gramacki, prof. UZ (ostatnia modyfikacja: 30-04-2018 22:27)
