Uniwersytet w Białymstoku - Centralny System Uwierzytelniania
Strona główna

Big data: przetwarzanie i analiza dużych zbiorów danych

Informacje ogólne

Kod przedmiotu: 510-IS2-1BDPA-23
Kod Erasmus / ISCED: 11.304 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (brak danych)
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 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
zobacz reguły punktacji
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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 15 godzin więcej informacji
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
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 15 godzin więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Laboratorium - Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet w Białymstoku.
ul. Świerkowa 20B, 15-328 Białystok tel: +48 85 745 70 00 (Centrala) https://uwb.edu.pl kontakt deklaracja dostępności mapa serwisu USOSweb 7.0.4.0-1 (2024-05-13)