Big data: przetwarzanie i analiza dużych zbiorów danych
Informacje ogólne
Kod przedmiotu: | 510-IS2-1BDPA-23 |
Kod Erasmus / ISCED: |
11.304
|
Nazwa przedmiotu: | Big data: przetwarzanie i analiza dużych zbiorów danych |
Jednostka: | Wydział Informatyki |
Grupy: |
1 rok 2 stopnia sem. letni Informatyka spec. Technologie Internetowe i Mobilne |
Punkty ECTS i inne: |
4.00
|
Język prowadzenia: | polski |
Rodzaj przedmiotu: | obowiązkowe |
Skrócony opis: |
Architektury i typy danych. Algorytmy przetwarzania danych w dużej skali. Techniki optymalizacji przetwarzania danych. Systemy rozproszonego przechowywania i przetwarzania danych (Hadoop, Spark). Przetwarzanie danych w chmurze. |
Pełny opis: |
Profil studiów: ogólnoakademicki Forma studiów: stacjonarne Rodzaj przedmiotu: obowiązkowy Dziedzina i dyscyplina nauki: nauki ścisłe i przyrodnicze, informatyka Rok studiów / semestr: 1/ 2 Wymagania wstępne (tzw. sekwencyjny system zajęć i egzaminów): Przedmioty wprowadzające: - Wykład: 15h Laboratorium: 30h Metody dydaktyczne: wykład, dyskusja, wyjaśnienie, laboratorium, rozwijanie umiejętności, konsultacje Punkty ECTS: 4 Bilans nakładu pracy studenta: Udział w zajęciach: - wykład 15h - laboratorium 30h Przygotowanie do zajęć: - wykład 5h - laboratorium 10h Zapoznanie z literaturą: 5h Sprawozdania, raporty z zajęć, prace domowe, zadania projektowe realizowane w domu: 10h Przygotowanie do kolokwium: 10h Przygotowanie do zaliczenia: 5h Udział w konsultacjach: 10h Wskaźniki ilościowe: - nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela: 55h, 2.4 ECTS - nakład pracy studenta, który nie wymaga bezpośredniego udziału nauczyciela: 45h 1,6 ECTS |
Literatura: |
Literatura podstawowa: Big Data Dawn E. Holmes, Wydawnictwo Uniwersytetu Łódzkiego, 2021 Python machine learning i deep learning : biblioteki Scikit-Learn i TensorFlow 2 / Sebastian Raschka, Vahid Mirjalili , Helion, 2021. Deep learning : praca z językiem Python i biblioteką Keras / François Cholle,t Helion, 2019 Python w analizie danych : przetwarzanie danych za pomocą pakietów Pandas i NumPy oraz środowiska IPython / Wes McKinney Helion, 2018 Spark : zaawansowana analiza danych / Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills, Helion, 2016 Literatura uzupełniająca: https://azure.microsoft.com/pl-pl/resources/cloud-computing-dictionary/what-is-big-data-analytics |
Efekty uczenia się: |
1.Ma uporządkowaną i pogłębioną wiedzę ogólną w zakresie przetwarzania i analizy dużych zbiorów danych z użyciem zaawansowanych algorytmów i struktur danych KP7_WG1, KP7_WG12 2. Ma pogłębioną wiedzę w zakresie technik i technologii informatycznych wykorzystywanych w celu analizy dużych zbiorów danych KP7_WG9 3 Potrafi użyć właściwych narzędzi oraz zaimplementować zaawansowane algorytmy w celu przetwarzania i analizy dużych danych w języku Python KP7_UW3, KP7_UW12 4. Potrafi zoptymalizować kod programu w celu efektywniejszej eksploracji danych KP7_UW14 5. Jest gotów do starannego określania priorytetów i kolejność swoich działań KP7_UU3 |
Metody i kryteria oceniania: |
Ogólna forma zaliczenia: zaliczenie |
Zajęcia w cyklu "Rok akademicki 2023/24" (w trakcie)
Okres: | 2023-10-01 - 2024-06-30 |
Przejdź do planu
PN WYK
WT ŚR CZ LAB
LAB
PT |
Typ zajęć: |
Laboratorium, 30 godzin
Wykład, 15 godzin
|
|
Koordynatorzy: | Aneta Polewko-Klim | |
Prowadzący grup: | Aneta Polewko-Klim | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę |
Zajęcia w cyklu "Rok akademicki 2024/25" (jeszcze nie rozpoczęty)
Okres: | 2024-10-01 - 2025-06-30 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Laboratorium, 30 godzin
Wykład, 15 godzin
|
|
Koordynatorzy: | (brak danych) | |
Prowadzący grup: | (brak danych) | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę |
Właścicielem praw autorskich jest Uniwersytet w Białymstoku.