Rättigheter och skyldigheter som student (inloggning krävs)
Linköpings universitets generella regelverk
Big Data Analytics, 6 hp
Big Data Analytics, 6 credits
TDDE31
Huvudområde
Informationsteknologi Datateknik DatavetenskapUtbildningsnivå
Avancerad nivåKurstyp
ProgramkursExaminator
Patrick LambrixStudierektor eller motsvarande
Patrick LambrixUndervisningstid
Preliminär schemalagd tid: 40 hRekommenderad självstudietid: 120 h
Tillgänglig för utbytesstudenter
JaVOF = Valbar / Obligatorisk / Frivillig
| Kursen ges för | Termin | Period | Block | Språk | Ort/Campus | VOF | |
|---|---|---|---|---|---|---|---|
| 6CDDD | Civilingenjör i datateknik | 8 (VT 2018) | 2 | 1 | Engelska | Linköping, Valla | V |
| 6CDDD | Civilingenjör i datateknik (AI och maskininlärning) | 8 (VT 2018) | 2 | 1 | Engelska | Linköping, Valla | V |
| 6CDDD | Civilingenjör i datateknik (Medicinsk Informatik) | 8 (VT 2018) | 2 | 1 | Engelska | Linköping, Valla | V |
| 6CITE | Civilingenjör i informationsteknologi | 8 (VT 2018) | 2 | 1 | Engelska | Linköping, Valla | V |
| 6CITE | Civilingenjör i informationsteknologi (AI och maskininlärning) | 8 (VT 2018) | 2 | 1 | Engelska | Linköping, Valla | V |
| 6CITE | Civilingenjör i informationsteknologi (Medicinsk Informatik) | 8 (VT 2018) | 2 | 1 | Engelska | Linköping, Valla | V |
| 6CMJU | Civilingenjör i mjukvaruteknik | 8 (VT 2018) | 2 | 1 | Engelska | Linköping, Valla | V |
| 6CMJU | Civilingenjör i mjukvaruteknik (AI och maskininlärning) | 8 (VT 2018) | 2 | 1 | Engelska | Linköping, Valla | V |
| 6MICS | Computer Science, masterprogram | 2 (VT 2018) | 2 | 1 | Engelska | Linköping, Valla | V |
| 6MICS | Computer Science, masterprogram (Artificiell intelligens och data mining) | 2 (VT 2018) | 2 | 1 | Engelska | Linköping, Valla | V |
| 6MDAV | Datavetenskap, masterprogram | 2 (VT 2018) | 2 | 1 | Engelska | Linköping, Valla | V |
Huvudområde
Informationsteknologi, Datateknik, DatavetenskapUtbildningsnivå
Avancerad nivåFördjupningsnivå
A1XKursen ges för
- Civilingenjör i datateknik
- Civilingenjör i informationsteknologi
- Civilingenjör i mjukvaruteknik
- Computer Science, masterprogram
- Datavetenskap, masterprogram
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, 5Övrig information
Fortsättningskurser/kompletterande kurser:
Avancerade datmodeller och databaser, paralell- och multicoreprogrammering
Om undervisningsspråk
Undervisningsspråk visas på respektive kurstillfälle på fliken "Översikt".
- Observera att även om undervisningsspråk är svenska kan delar av kursen ges på engelska.
- Om undervisningsspråk är Svenska/Engelska kan kursen i sin helhet ges på engelska vid behov.
- Om undervisningsspråk är Engelska ges kursen i sin helhet på engelska.
Övrigt
Kursen bedrivs på ett sådant sätt att både mäns och kvinnors erfarenhet och kunskaper synliggörs och utvecklas.
Planering och genomförande av kurs skall utgå från kursplanens formuleringar. Den kursvärdering som ingår i kursen skall därför genomföras med kursplanen som utgångspunkt.
Institution
Institutionen för datavetenskapStudierektor eller motsvarande
Patrick LambrixExaminator
Patrick LambrixUndervisningstid
Preliminär schemalagd tid: 40 hRekommenderad självstudietid: 120 h
Kurslitteratur
Övrigt
- Artikelsamling 2018.
| Kod | Benämning | Omfattning | Betygsskala |
|---|---|---|---|
| LAB1 | Laborationer | 3 hp | U, G |
| TEN1 | Skriftlig tentamen | 3 hp | U, 3, 4, 5 |
Övrigt
Artikelsamling 2018.
Ladda ner
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 |
|
|
|
|||
| 1.5 Insikt i aktuellt forsknings- och utvecklingsarbete |
|
|
|
|||
| 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 |
X
|
|
|
TEN1
|
Research-related content |
|
| 3. FÖRMÅGA ATT ARBETA I GRUPP OCH ATT KOMMUNICERA | ||||||
| 3.1 Arbete i grupp |
|
|
X
|
LAB1
|
LabLaborationer i grupps in pairs |
|
| 3.2 Kommunikation |
|
|
X
|
LAB1
|
Skriftlig rapport för varje laboration |
|
| 3.3 Kommunikation på främmande språk |
|
|
|
|||
| 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.