Detta är en intern version som kan innehålla ofullständig eller ännu ej beslutad studieinformation.

Big Data Analytics, 6 hp

Big Data Analytics, 6 credits

TDDE31

Kursstart

Huvudområde

Informationsteknologi Datateknik Datavetenskap

Utbildningsnivå

Avancerad nivå

Kurstyp

Programkurs

Examinator

Olaf Hartig

Studierektor eller motsvarande

Patrick Lambrix

Undervisningstid

Preliminär schemalagd tid: 42 h
Rekommenderad självstudietid: 118 h

Tillgänglig för utbytesstudenter

Information om möjliga avsteg från kursplan/utbildningsplan

VOF = Valbar / Obligatorisk / Frivillig

Kursen ges för		Termin	Period	Block	Språk	Ort/Campus	VOF
6CDDD	Civilingenjör i datateknik	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CDDD	Civilingenjör i datateknik (AI och maskininlärning)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CDDD	Civilingenjör i datateknik (Medicinsk informatik)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CIEI	Civilingenjör i industriell ekonomi - internationell, franska (Masterprofil Datateknik)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	O/V
6CIEI	Civilingenjör i industriell ekonomi - internationell, japanska (Masterprofil Datateknik)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	O/V
6CIEI	Civilingenjör i industriell ekonomi - internationell, kinesiska (Masterprofil Datateknik)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	O/V
6CIEI	Civilingenjör i industriell ekonomi - internationell, spanska (Masterprofil Datateknik)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	O/V
6CIEI	Civilingenjör i industriell ekonomi - internationell, tyska (Masterprofil Datateknik)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	O/V
6CIII	Civilingenjör i industriell ekonomi (Masterprofil Datateknik)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	O/V
6CITE	Civilingenjör i informationsteknologi	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CITE	Civilingenjör i informationsteknologi (AI och maskininlärning)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CITE	Civilingenjör i informationsteknologi (Medicinsk informatik)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CMJU	Civilingenjör i mjukvaruteknik	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CMJU	Civilingenjör i mjukvaruteknik (AI och maskininlärning)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CMJU	Civilingenjör i mjukvaruteknik (Medicinsk informatik)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CYYY	Civilingenjör i teknisk fysik och elektroteknik	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, franska	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, franska (Datadriven analys och maskinintelligens)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, japanska	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, japanska (Datadriven analys och maskinintelligens)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, kinesiska	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, kinesiska (Datadriven analys och maskinintelligens)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, spanska	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, spanska (Datadriven analys och maskinintelligens)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, tyska	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CYYI	Civilingenjör i teknisk fysik och elektroteknik - internationell, tyska (Datadriven analys och maskinintelligens)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6CYYY	Civilingenjör i teknisk fysik och elektroteknik (Datadriven analys och maskinintelligens)	8 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6MICS	Computer Science, masterprogram	2 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6MICS	Computer Science, masterprogram (AI och maskininlärning)	2 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6MCYS	Cybersecurity, masterprogram	2 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6MMAT	Matematik, masterprogram	2 (VT 2026)	2	3	Engelska	Linköping, Valla	V
6MMAT	Matematik, masterprogram (Matematisk statistik för maskininlärning)	2 (VT 2026)	2	3	Engelska	Linköping, Valla	V

Kursplanen är preliminär

Huvudområde

Informationsteknologi, Datateknik, Datavetenskap

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1F

Kursen ges för

Civilingenjörsprogram i informationsteknologi
Civilingenjörsprogram i mjukvaruteknik
Civilingenjörsprogram i teknisk fysik och elektroteknik - internationell
Civilingenjörsprogram i datateknik
Civilingenjörsprogram i industriell ekonomi - internationell
Civilingenjörsprogram i teknisk fysik och elektroteknik
Civilingenjörsprogram i industriell ekonomi
Masterprogram i datavetenskap
Masterprogram i matematik
Masterprogram i cybersäkerhet

Rekommenderade förkunskaper

Grundläggande databaskurs. Data mining eller maskininlärning.

Lärandemål

Efter avslutad kurs skall den studerande på en avancerad nivå kunna:
- samla och lagra Big Data i en distribuerad datormiljö
- genomföra grundläggande förfrågningar till en databas som opererar på ett distribuerat filsystem
- redovisa grundläggande principer för parallella beräkningar
- använda MapReduce begreppet för att parallellisera vanliga databearbetningsalgoritmer
- redovisa hur vanliga maskininlärningsmodeller bör modifieras för att bearbeta Big Data
- använda redskap för maskininlärning av Big Data

Kursinnehåll

Kursen fokuserar på huvudbegrepp och huvudredskap för lagring, bearbetning och analys av Big Data som är nödvändiga för ett professionellt arbete och forskning inom dataanalys.

- Introduktion till Big Data: begrepp och verktyg
- Grundläggande principer av parallella beräkningar
- Filsystem och databaser för Big Data
- Förfrågningar för Big Data
- Resurshantering i en klustermiljö
- Parallella beräkningar för Big Data
- Maskininlärning för Big Data

Undervisnings- och arbetsformer

Kursen består av föreläsningar och laborationer. Föreläsningarna behandlar teori, begrepp och metoder. Laborationerna ger praktisk erfarenhet i hantering av big data.

Examination

LAB1	Laborationer	3 hp	U, G
TEN1	Skriftlig tentamen	3 hp	U, 3, 4, 5

Betygsskala

Fyrgradig skala, LiU, U, 3, 4, 5

Övrig information

Fortsättningskurser/kompletterande kurser:

Avancerade datamodeller och databaser, parallell- och multicoreprogrammering

Om undervisnings- och examinationsspråk

Undervisningsspråk visas på respektive kurstillfälle på fliken "Översikt". Examinationsspråk relaterar till undervisningsspråk enligt nedan:

Om undervisningsspråk är ”Svenska” kan kursen ges i sin helhet på svenska eller delvis på engelska. Examinationsspråk är svenska, men delar av examinationen kan ske på engelska.
Om undervisningsspråk är Engelska ges kursen i sin helhet på engelska. Examinationsspråk är engelska.
Om undervisningsspråk är ”Svenska/Engelska” ges kursen i sin helhet på engelska om studenter utan tidigare kunskap i svenska språket deltar. Examinationsspråk följer undervisningsspråk.

Övrigt

Kursen bedrivs på ett sådant sätt att likvärdiga villkor råder med avseende på kön, könsöverskridande identitet eller uttryck, etnisk tillhörighet, religion eller annan trosuppfattning, funktionsnedsättning, sexuell läggning och ålder.

Planering och genomförande av kurs skall utgå från kursplanens formuleringar. Den kursvärdering som ingår i kursen skall därför genomföras med kursplanen som utgångspunkt.

Kursen är campusförlagd på den ort som anges för kurstillfället om inget annat anges under ”Undervisnings – och arbetsformer”. I en campusförlagd kurs kan dock enstaka moment på distans ingå.

Institution

Institutionen för datavetenskap

Kurslitteratur

Övrigt

Artikelsamling 2018.

Kod	Benämning	Omfattning	Betygsskala
LAB1	Laborationer	3 hp	U, G
TEN1	Skriftlig tentamen	3 hp	U, 3, 4, 5

Rättigheter och skyldigheter som student (inloggning krävs)
Linköpings universitets generella regelverk

Övrigt

Artikelsamling 2018.

Ladda ner

Ladda ner kurslitteratur som PDF

I = Introducera, U = Undervisa, A = Använda

		I	U	A	Moduler	Kommentar
1. ÄMNESKUNSKAPER
	1.1 Kunskaper i grundläggande (motsvarande G1X) matematiska och naturvetenskapliga ämnen			X		Grundläggande matematiska begrepp
	1.2 Kunskaper i grundläggande (motsvarande G1X) teknikvetenskapliga ämnen		X	X	LAB1 TEN1	Programmering, modellering, databasteknik
	1.3 Fördjupade kunskaper (motsvarande G2X), metoder och verktyg inom något/några teknik- och naturvetenskapliga ämnen		X	X	LAB1 TEN1	databaser, parallelprogrammering, maskininlärning
	1.4 Väsentligt fördjupade kunskaper (motsvarande A1X), metoder och verktyg inom något/några teknik- och naturvetenskapliga ämnen		X	X	LAB1 TEN1	databaser, parallelprogrammering, maskininlärning
	1.5 Insikt i aktuellt forsknings- och utvecklingsarbete	X				databaser
2. INDIVIDUELLA OCH YRKESMÄSSIGA FÄRDIGHETER OCH FÖRHÅLLNINGSSÄTT
	2.1 Analytiskt tänkande och problemlösning		X	X	LAB1 TEN1	Modellering, algoritmdesign
	2.2 Experimenterande och undersökande arbetssätt samt kunskapsbildning		X	X	LAB1	Datorlaborationer
	2.3 Systemtänkande		X	X	LAB1 TEN1	Utifrån ett problem välja modell och lösning
	2.4 Förhållningssätt, tänkande och lärande		X	X	LAB1 TEN1	Kreativt och kritiskt tänkande
	2.5 Etik, likabehandling och ansvarstagande				TEN1
3. FÖRMÅGA ATT ARBETA I GRUPP OCH ATT KOMMUNICERA
	3.1 Arbete i grupp			X	LAB1	Laborationer i grupp
	3.2 Kommunikation			X	LAB1	Skriftlig rapport för varje laboration
	3.3 Kommunikation på främmande språk					Kursern ges på engelska
4. PLANERING, UTVECKLING, REALISERING OCH DRIFT AV TEKNISKA PRODUKTER OCH SYSTEM MED HÄNSYN TILL AFFÄRSMÄSSIGA OCH SAMHÄLLELIGA BEHOV OCH KRAV
	4.1 Samhälleliga villkor, inklusive ekonomiskt, socialt och ekologiskt hållbar utveckling			X	LAB1	Laborationsdata från SMHI
	4.2 Företags- och affärsmässiga villkor
	4.3 Att identifiera behov samt strukturera och planera utveckling av produkter och system		X	X	LAB1 TEN1	Modelering
	4.4 Att konstruera produkter och system		X	X	LAB1	algoritmdesign
	4.5 Att realisera produkter och system		X	X	LAB1	implementation
	4.6 Att ta i drift och använda produkter och system
5. PLANERING, GENOMFÖRANDE OCH PRESENTATION AV FORSKNINGS- ELLER UTVECKLINGSPROJEKT MED HÄNSYN TILL VETENSKAPLIGA OCH SAMHÄLLELIGA BEHOV OCH KRAV
	5.1 Samhälleliga villkor, inklusive ekonomiskt, socialt och ekologiskt hållbar utveckling för kunskapsutveckling
	5.2 Ekonomiska villkor för kunskapsutveckling
	5.3 Att identifiera behov samt strukturera och planera forsknings- eller utvecklingsprojekt
	5.4 Att genomföra forsknings- eller utvecklingsprojekt
	5.5 Att redovisa och utvärdera forsknings- eller utvecklingsprojekt

Denna flik innehåller det material som är publikt i Lisam. Den information som publiceras här är inte juridiskt bindande, sådant material hittar du under övriga flikar på denna sida.

Det finns inga filer att visa.