Subject

Аналитика на големи податоци и дистрибуирани податоци

1. Наслов на наставниот предмет Аналитика на големи податоци и дистрибуирани податоци
Big Data and Distributed Data Analytics
2. Код m23_s_211
3. Студиска програма
4. Организатор на студиската програма (единица, односно институт, катедра, оддел) Факултет за информатички науки и компјутерско инженерство
5. Степен (прв, втор, трет циклус) Втор циклус
6. Академска година / семестар 10 / Летен
7. Број на ЕКТС кредити 6
8. Наставник Милош Јовановиќ, Вангел Ајановски
9. Предуслови за запишување на предметот
10. Цели на предметната програма (компетенции) Целта на курсот е студентот да се запознае со концептите на големи податоци, и процес на нивна анализа од дистрибуирано масовно складирање, до дистрибуирано масовно процесирање (во живо во текот на собирање или по собирањето) и анализи на резултатите од процесирањето на податоците со цел поддршка на одлучување, бизнис подобрување и подобрување на текови и процеси.

Компетенции кои се очекува да ги стекне студентот по завршувањето со предметот:
- да познава техники и методи за масовно дистрибуирано складирање на големи податоци
- да познава техники и методи за масовна дистрибуирана подготовка на големи податоци за идна обработка
- да познава техники и методи за масовно и дистрибуирано процесирање и анализа на големи податоци
- да ги примени стекнатите знаења во конкретен реален проект за складирање, обработка и процесирање и анализа на дистрибуирани и големи податоци
- да ги оспособи идните архитекти да проектираат дистрибуирани решенија за управување со податоци,
- да ги оспособи софтверските инженери да проектираат софтверски решенија во облак кои се базираат над диструбирани бази податоци,
- да им ги презентира фундаменталните принципи и техники на идните истражувачи од областа, и да им даде основа за идна самостојна истражувачка работа
11. Содржина на предметната програма Теми обработени во рамките на овој предмет:
- Вовед во големи податоци. Потреба и вредност на големи податоци. Големи податоци од социјални мрежи.
- Моделирање на големи податоци и статистичка обработка на големи податоци.
- Пребарување и рударење на големи податоци.
- Научни апликации со големи податоци.
- Приватност, интегритет и заштита на големи податоци.
- Вовед во дистрибуирано процесирање податоци.
- Алатки, алгоритми и техники за програмирање за процесирање на големи податоци, како HDFS, MapReduce, Zookeeper, HBase и други.
- Дизајн и архитектура на дистрибуирани податоци и дистрибуирани системи на бази податоци.
- Процесирање прашалници во дистриубирана средина.
- Диструбуирана контрола на конкурентен пристап и концепти на евентуална конзистентност.
- Управување со дистрибуирани бази податоци.
- Процесирање прашалници во дистриубирана средина
- Стриминг на податоци и пресметување во облак
- Управување со NoSQL за големи податоци. Graph Analytics.
12. Методи на учење - Предавања и вежби со дискусии базирана на примери, анализа на различни достапни примери - Компјутерски потпомогнато учење - Електронско и учење на далечина - Групно истражување и развој - Користење на релевантни софтверски алатки - Изработка на проект и одбрана на проектот
13. Вкупен расположив фонд на време 6 ЕКТС x 30 часа = 180 часа
14. Распределба на расположивото време 30 + 30 + 15 + 90 + 15 = 180 часа
15. Форми на наставните активности
15.1. Предавања - теоретска настава 30 часови
15.2. Вежби (лабораториски, аудиториски), семинари, тимска работа 30 часови
16. Други форми на активности
16.1. Проектни задачи 90 часови
16.2. Самостојни задачи 15 часови
16.3. Домашно учење 15 часови
17. Начин на оценување
17.1. Тестови 0 бодови
17.2. Семинарска работа / проект ( презентација: писмена и усна) 90 бодови
17.3. Активности и учење 30 бодови
17.4. Завршен испит 15 бодови
18. Критериуми за оценување (бодови/ оценка)
до 50 бода5 (пет) (F)
од 51 до 60 бода6 (шест) (E)
од 61 до 70 бода7 (седум) (D)
од 71 до 80 бода8 (осум) (C)
од 81 до 90 бода9 (девет) (B)
од 91 до 100 бода10 (десет) (A)
19. Услов за потпис и полагање на завршен испит 50% од активностите и првична верзија од проектот
20. Јазик на кој се изведува наставата македонски, англиски
21. Метод на следење на квалитетот на наставата механизам на интерна евалуација и анкети
22. Литература
22.1. Задолжителна литература
1. Viktor Mayer-Shonberger, Kenneth Cukier | Big Data: A Revolution That Will Transform How We Live, Work, and Think | Eamon Dolan/Houghton Mifflin Harcourt; Reprint edition | 2014
2. Eric Siegel | Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die, 2nd ed. | John Wiley & Sons | 2016
3. M. Tamer Özsu, Patrick Valduriez | Principles of Distributed Database Systems, 4th ed. | Springer | 2020
4. Saeed K. Rahimi, Frank S. Haug | Distributed Database Management Systems: A Practical Approach | Wiley-IEEE Computer Society | 2010
5. Jure Leskoec, Anand Rajaraman, Jeffrey D. Ullman | Mining of Massive Datasets, 3rd ed. | Cambridge University Press | 2020
6. Селекција на значајни и актуелни истражувачки трудови од областа –дадени во печатена или електронска форма
7. Електронска документација од страниците на производителите на системите кои се користат во активностите
22.2. Дополнителна литература
Ред.бр. Автор Наслов Издавач Година