Big Data Analytics, 6 hp (TDDE31)

Big Data Analytics, 6 credits

Huvudområde

Informationsteknologi Datateknik Datavetenskap

Nivå

Avancerad nivå

Kurstyp

Programkurs

Examinator

Patrick Lambrix

Studierektor eller motsvarande

Patrick Lambrix

Tillgänglig för utbytesstudenter

Ja
Kursen ges för Termin Period Block Språk Ort VOF
6CDDD Civilingenjör i datateknik 8 (VT 2018) 2 1 Engelska Linköping v
6CITE Civilingenjör i informationsteknologi 8 (VT 2018) 2 1 Engelska Linköping v
6CMJU Civilingenjör i mjukvaruteknik 8 (VT 2018) 2 1 Engelska Linköping v
6CDDD Civilingenjör i datateknik (AI och maskininlärning) 8 (VT 2018) 2 1 Engelska Linköping v
6CITE Civilingenjör i informationsteknologi (AI och maskininlärning) 8 (VT 2018) 2 1 Engelska Linköping v
6CMJU Civilingenjör i mjukvaruteknik (AI och maskininlärning) 8 (VT 2018) 2 1 Engelska Linköping v
6MICS Computer Science, masterprogram 2 (VT 2018) 2 1 Engelska Linköping v
6MDAV Datavetenskap, masterprogram 2 (VT 2018) 2 1 Engelska Linköping v
6CDDD Civilingenjör i datateknik (Medicinsk Informatik) 8 (VT 2018) 2 1 Engelska Linköping v
6CITE Civilingenjör i informationsteknologi (Medicinsk Informatik) 8 (VT 2018) 2 1 Engelska Linköping v
6MICS Computer Science, masterprogram (Artificiell intelligens och data mining) 2 (VT 2018) 2 1 Engelska Linköping v
VOF = Valbar / Obligatorisk / Frivillig

Huvudområde

Informationsteknologi, Datateknik, Datavetenskap

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1X

Kursen ges för

  • Civilingenjör i datateknik
  • Civilingenjör i informationsteknologi
  • Civilingenjör i mjukvaruteknik
  • Computer Science, masterprogram
  • Datavetenskap, masterprogram

Rekommenderade förkunskaper

Grundläggande databaskurs. Data mining eller maskininlärning. 

Lärandemål

Efter avslutad kurs skall den studerande på en avancerad nivå kunna:
- samla och lagra Big Data i en distribuerad datormiljö
- genomföra grundläggande förfrågningar till en databas som opererar på ett distribuerat filsystem
- redovisa grundläggande principer för parallella beräkningar
- använda MapReduce begreppet för att parallellisera vanliga databearbetningsalgoritmer
- redovisa hur vanliga maskininlärningsmodeller bör modifieras för att bearbeta Big Data
- använda redskap för maskininlärning av Big Data

Kursinnehåll

Kursen fokuserar på huvudbegrepp och huvudredskap för lagring, bearbetning och analys av Big Data som är nödvändiga för ett professionellt arbete och forskning inom dataanalys. 

- Introduktion till Big Data: begrepp och verktyg
- Grundläggande principer av parallella beräkningar
- Filsystem och databaser för Big Data
- Förfrågningar för Big Data
- Resurshantering i en klustermiljö
- Parallella beräkningar för Big Data
- Maskininlärning för Big Data

Undervisnings- och arbetsformer

Kursen består av föreläsningar och laborationer. Föreläsningarna behandlar teori, begrepp och metoder.  Laborationerna ger praktisk erfarenhet i hantering av big data.
 

Examination

TEN1Skriftlig tentamenU, 3, 4, 53 hp
LAB1LaborationerU, G3 hp

Betygsskala

Fyrgradig skala, LiU, U, 3, 4, 5

Övrig information

Fortsättningskurser/kompletterande kurser: Svensk översättning saknas

Institution

Institutionen för datavetenskap

Studierektor eller motsvarande

Patrick Lambrix

Examinator

Patrick Lambrix

Undervisningstid

Preliminär schemalagd tid: 40 h
Rekommenderad självstudietid: 120 h

Kurslitteratur

Övrigt
Artikelsamling 2018.

Övrigt

Artikelsamling 2018.
TEN1 Skriftlig tentamen U, 3, 4, 5 3 hp
LAB1 Laborationer U, G 3 hp

Denna flik innehåller det material som är publikt i Lisam. Den information som publiceras här är inte juridiskt bindande, sådant material hittar du under övriga flikar på denna sida. Det finns inga filer att visa.

Sidansvarig: Infocenter, infocenter@liu.se