Informatik (Master)

Modulübersicht: Angewandte Informatik

Big Data Analytics

Empfohlene Vorkenntnisse

Vorlesung und Praktikum Datenbanksysteme 1 

Vorlesung Datenbanksysteme 2

Lehrform Vorlesung/Labor
Lernziele / Kompetenzen
  • Die Studierenden sollen wichtige Konzepte und Technologien zur Speicherung, Verarbeitung, Analyse und Visualisierung großer Datenmengen kennenlernen, bewerten und anwenden können.
  • Sie sollen Architekturen für Big-Data-Probleme entwerfen, Lösungsansätze praktisch umsetzen und die Ergebnisse beurteilen können.
  • Die Studierenden sollen Big-Data-Anwendungen auch unter ethischen Aspekten diskutieren und bewerten können. 
  • In der Verbindung von Vorlesung und Praktikum werden die (theoretischen) Eigenschaften der Methoden und ihre (praktischen) Auswirkungen deutlich, so dass die Studierenden dann eigenständig praktische Big-Data-Anwendungen für unterschiedliche Anforderungen durchführen können.
Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 90
Workload 150
ECTS 5.0
Voraussetzungen für die Vergabe von LP

Modulprüfung "Big Data Analytics" (K60)

"Praktikum Big Data Analytics" muss "m.E." attestiert sein.

Modulverantwortlicher

Prof. Dr. Janis Keuper

Max. Teilnehmer 15
Empf. Semester 1-2
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

Master-Studiengang INFM

Veranstaltungen

Big Data Analytics

Art Vorlesung
Nr. EMI2121
SWS 2.0
Lerninhalt

Speicherung, Abfrage und Analyse von großen Datenmengen ist ein anspruchsvolles Thema, das erhebliche Auswirkungen in verschiedenen Bereichen der Industrie und der Wissenschaft hat. Die Vorlesung behandelt Konzepte, Algorithmen und Technologien für Big Data sowie Beispiele für typische Anwendungen, die davon profitieren können. 

Neben Ansätzen und Technologien zur Speicherung von großen Datenmengen wie bspw. auf Basis von Hadoop File System und NoSQL-Datenbanken werden insbesondere Konzepte zur Analyse von großen Datenmengen vorgestellt und diskutiert. Neben der Batch-Verarbeitung auf Basis von MapReduce oder SQL-ähnlichen Anfragesprachen sind auch Technologien zum Stream-Processing von besonderem Interesse. Es werden verschiedene Algorithmen und Technologien zum Machine Learning für Big Data Anwendungen wie beispielsweise Outlier Detection oder Page Rank und deren skalierbare Ausführung behandelt. Mögliche Big Data Anwendungen werden auch immer unter ethischen Aspekten diskutiert und bewertet.


Literatur

Rajaraman, A., Ullman, J. D., Mining of massive datasets, New York, N.Y., Cambridge, Cambridge University Press, 2012
White, T., Hadoop, The definitive guide, 4. edition: O'Reilly & Associates, 2015
Marz, N., Warren, J., Big data: Principles and best practices of scalable realtime data systems, O'Reilly Media, 2013
Aggarwal, Charu C., Data Mining, The Textbook, Cham, Springer International Publishing, 2015

Praktikum Big Data Analytics

Art Praktikum
Nr. EMI2122
SWS 2.0
Lerninhalt

Praktische Umsetzung von Konzepten, Methoden und Big Data Technologien in Übungen.

Bearbeitung von Fallstudien.