Код: 315485

Назва:

Аналіз великих даних (Big Data)

Анотація: Широке розповсюдження інформаційних технологій, науково-технічний прогрес, проникнення інформаційно-комунікаційних технологій в усі сфери людської діяльності висувають нові вимоги до організації та обробки даних. Сучасні комп’ютерні системи працюють в парадигмі роботи з великими даними (BigData). Навчальна дисципліна "Аналіз великих даних (Big Data)" є базовою навчальною дисципліною

Тип дисципліни: нормативна

Рік навчання: 3

Семестр: весняний

Кількість кредитів: 4 (загальна кількість годин - 120 год.; аудиторні години - 44 год.; лекції - 22 год.; практичні заняття - 22 год.; самостійна робота - 76 год.)

Форма контролю: екзамен

Викладач(і): Глибовець А.М., доктор техн. наук

Результати навчання: У результаті вивчення навчальної дисципліни студент повинен знати:
- теорії та практики в області розробки і використання систем обробки та аналізу великих масивів даних
- основні підходи до побудови систем аналітики великих даних та основні технології, що застосовуються для зберігання і пошуку в великих даних.
У результаті вивчення навчальної дисципліни студент повинен уміти:
- користуватися методами обробки структурованих та неструктурованих даних, використовуючи різні програмні засоби, методики та технології
- знати методи системного аналізу, методи математичного та інформаційного моделювання для побудови та дослідження моделей об`єктів і процесів


Спосіб навчання: аудиторний

Необхідні обовязкові попередні й супутні модулі: Студент повинен знати основи: матаналізу та алгебри; функціонального та об’єктно орієнтованого програмування; мережних технологій; процедурного програмування.

Зміст дисципліни: Широке розповсюдження інформаційних технологій, науково-технічний прогрес, проникнення інформаційно-комунікаційних технологій в усі сфери людської діяльності висувають нові вимоги до організації та обробки даних. Сучасні комп’ютерні системи працюють в парадигмі роботи з великими даними (BigData). Навчальна дисципліна "Аналіз великих даних (Big Data)" є базовою навчальною дисципліною


Рекомендована література: 1. http://distedu.ukma.edu.ua
2. Bruce P. Practical Statistics for Data Scientists: 50 Essential Concepts / P. Bruce, E. Bruce. – Boston, Sebastopol, Tokyo,Beijing,Farnham: O’Reilly, 2017. – 304 p.
3. Орельен Ж. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем / Ж. Орельен. – СПб. : ООО «Диалектика», 2019. – 688 с
4. Maarten van Steen, Andrew S. Tanenbaum Distributed Systems 3rd edition CreateSpace Independent Publishing Platform; 3rd edition (February 1, 2017) 596 pages
5. Min Chen, Kai Hwang Big-Data Analytics for Cloud, IoT and Cognitive Computing: Wiley; 1st edition (March 17, 2017) 391 pages
6. Tom White. Hadoop: The Definitive Guide: Storage and Analysis at Internet Scale 4th Edition O'Reilly Media; 4th edition (May 5, 2015) 754 pages
7. Jean-Georges Perrin. Spark in Action, Second Edition: Covers Apache Spark 3 with Examples in Java, Python, and Scala 2nd Edition \ Manning; 2nd edition (June 2, 2020) 576 pages
8. Dayong Du. Apache Hive Essentials: Essential techniques to help you process, and get unique insights from, big data, 2nd Edition 2nd Revised edition Packt Publishing; 2nd Revised edition (June 30, 2018) 210 pages
9. Alan Gates, Daniel Dai. Programming Pig: Dataflow Scripting with Hadoop 2nd Edition. O'Reilly Media; 2nd edition (November 9, 2016) 578 pages


Форми та методи навчання: лекції, семінарські заняття, самостійна робота

Методи й критерії оцінювання: рейтингове оцінювання за 100-бальною системою: поточний контроль - 60 балів (домашні завдання, реферати, проекти, 3 контрольні роботи); підсумковий контроль - 40 балів ( екзамен).

Мова навчання: українська