460-4101/01 – Algoritmy pro rozsáhlá data (ARD)
Garantující katedra | Katedra informatiky | Kredity | 4 |
Garant předmětu | prof. RNDr. Václav Snášel, CSc. | Garant verze předmětu | prof. RNDr. Václav Snášel, CSc. |
Úroveň studia | pregraduální nebo graduální | Povinnost | povinně volitelný |
Ročník | 2 | Semestr | zimní |
| | Jazyk výuky | čeština |
Rok zavedení | 2015/2016 | Rok zrušení | |
Určeno pro fakulty | FEI | Určeno pro typy studia | navazující magisterské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Při řešení výzkumných i praktických úloh vzniká často problém s vyhodnocením a interpretací rozssáhlých dat, které poskytují
naměřená či evidovaná data z praxe. Metody analýzy dat seznamují studenty
s řadou matematických, statistických a logických metod pro řešení této třídy výzkumných i praktických problémů.
Studenti jsou dále informováni je o některých programových balících pro řešení těchto úloh.
Vyučovací metody
Přednášky
Cvičení (v učebně)
Anotace
V předmětu se studenti seznámí se základními přístupy, metodami a algoritmy pro zpracování rozsáhlých dat.
Přednášky poskytnou nezbytné množství teorie tak, aby mohla být aplikována při samostatné práci studentů na cvičeních.
Cvičení nabídnou prostor pro prodiskutování problematiky, ukázku praktických úloh a procvičení na jednoduchých zadáních.
Povinná literatura:
Fatos Xhafa, Leonard Barolli, Admir Barolli, Petraq Papajorgji.Modeling and Processing for Next-Generation Big-Data Technologies: With Applications and Case Studies. Springer 2014.
Robinson, Ian; Webber, Jim; Eifrem, Emil.Graph Databases. O'Reilly Media. 2014.
Doporučená literatura:
O'Reilly Radar Team. Big Data Now: Current Perspectives from O'Reilly Radar, O'Reilly Media. 2014.
Forma způsobu ověření studijních výsledků a další požadavky na studenta
E-learning
Další požadavky na studenta
Další požadavky na studenta nejsou kladeny.
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
Přednášky:
1) Modelování v rozsáhlých datech
2) Detekce chování
3) Metrické vlastnosti rozsáhlých dat
4) Topologické vlastnosti rozsáhlých dat
5) Metody redukce dimenze
6) Analýza logů
7) Vizualizace dat
8) Shlukování na velkých datech
9) Strojové učení
10) NoSQL databáze
11) Grafové databáze
12) Perspektivy zpracování rozsáhlých dat
Cvičení na počítačové učebně:
1) Příklady rozsáhlých dat a jejich modelování
2) Procvičení algoritmů pro detekci chování
3) Příklady metrických vlastností rozsáhlých dat
4) Příklady topologických vlastností rozsáhlých dat
5) Procvičení algoritmů pro redukci dimenze
6) Příklady použití analýzy logů
7) Procvičení algoritmů pro vizualizace dat
8) Procvičení algoritmů pro shlukování na velkých datech
9) Procvičení algoritmů pro strojové učení
10) Příklady NoSQL databází
11) Příklady grafových databází
12) Ukázky a příklady pokročilých metod pro zpracování rozsáhlých dat
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích