Start my eKVV Studieninformation Lernräume Prüfungsverwaltung Anmelden

392157 Big Data Analytics (V) (SoSe 2018)

Inhalt, Kommentar

Kompetenzen:

Die Vorlesung Big Data Analytics entwickelt Kompetenzen bei der Durchführung von Data-Mining-Aufgaben bei sehr großen Datenmengen, die nicht im Hauptspeicher gespeichert werden können. Die Vorlesung liefert die Schlüsselideen der Ähnlichkeitssuche unter Verwendung von Minhashing und lokalitätssensitivem Hashing, der Verarbeitung von Datenströmen, bei denen Daten so schnell ankommen, dass sie sofort verarbeitet werden müssen oder sonst verloren gehen, von Web-bezogenen Algorithmen wie dem Google PageRank, von Algorithmen um häufige Itemsets, Assoziationsregeln und häufige Teilgraphen zu finden, Algorithmen zur Analyse der Struktur von großen Graphen, wie z. B. von sozialen Netzwerkgraphen, und des MapReduce-Prinzips, um parallele Algorithmen zu entwerfen.

The lecture Big Data Analytics develops competencies in performing data mining tasks on very large amounts of data that cannot be stored in main memory. The lecture provides the key ideas of similarity search using minhashing and locality-sensitive hashing, of data stream processing where data arrives so fast that it has to be processed immediately or is otherwise lost, of Web-related algorithms such as Google's PageRank, of algorithms for mining frequent itemsets, association rules and frequent subgraphs, of algorithms to analyze the structure of large graphs such as social network graphs, and of the map-reduce principle to design parallel algorithms.

Lehrinhalte:

Die Vorlesung Big Data Analytics befasst sich mit Methoden und Algorithmen im Kontext der Analyse von Big Data. Insbesondere werden folgende Themen behandelt:

1) Suchen von ähnlichen Objekten
2) Analyse von Datenströmen
3) PageRank
4) MapReduce
5) Suche nach häufigen Teilmengen
6) Suche nach häufigen Teilgraphen
7) Mining von sozialen Netzwerkgraphen
8) Empfehlungssysteme

The lecture Big Data Analytics deals with methods and algorithms in the context of big data analytics. In particular, the following topics are addressed:

1) Finding Similar Items
2) Stream Data Analysis
3) PageRank
4) MapReduce
5) Mining Frequent Itemsets
6) Mining Frequent Subgraphs
7) Mining Social Network Graphs
8) Recommender Systems

Teilnahmevoraussetzungen, notwendige Vorkenntnisse

Kenntnisse aus Datenbanken I (oder vergleichbare Kenntnisse aus anderen Vorlesungen)

Literaturangaben

A. Silberschatz, H. F. Korth, S. Sudarshan, „Database System Concepts“, 5th edition, McGraw Hill, 2006.

R. Elmasri und S.B. Navathe, „Fundamentals of Database Systems“, 5th edition, Pearson/Addison Wesley, 2007.

William H. Inmon, "Building the Data Warehouse", John Wiley & Sons, 1996.

Jure Leskovec, Anand Rajaraman, Jeffrey David Ullman, "Mining of Massive Datasets", 2nd Edition, Cambridge University Press, 2014.

Tom White, "Hadoop: The Definitive Guide Storage and Analysis at Internet Scale", 3rd edition, O'Reilly.

Viktor Mayer-Schönberger , Kenneth Cukier , " Big Data: A Revolution That Will Transform How We Live, Work and Think", John Murray, 2013.

Eric Redmond , Jim R. Wilson, "Seven Databases in Seven Weeks: A Guide to Modern Databases and the NoSQL Movement", O' Reilly, 2012.

Peter Gulutzan, Trudy Pelzer , "SQL Performance Tuning", Addison Wesley, 2002.

Lehrende

Termine (Kalendersicht )

Rhythmus Tag Uhrzeit Ort Zeitraum  

Zeige vergangene Termine >>

Klausuren

Datum Uhrzeit Raum Kommentar

Zeige vergangene Klausurtermine >>

Fachzuordnungen

Modul Veranstaltung Leistungen  
39-Inf-DB2 Datenbanken II Datenbanken II Studieninformation
veranstaltungsübergreifend benotete Prüfungsleistung Studieninformation

Die verbindlichen Modulbeschreibungen enthalten weitere Informationen, auch zu den "Leistungen" und ihren Anforderungen. Sind mehrere "Leistungsformen" möglich, entscheiden die jeweiligen Lehrenden darüber.

Studiengang/-angebot Gültigkeit Variante Untergliederung Status Sem. LP  
Medienwissenschaft, interdisziplinäre / Master (Einschreibung bis SoSe 2014) Hauptmodul 4 Wahlpflicht 2. 3 benotet  
Konkretisierung der Anforderungen

Bestehen der mündlichen oder schriftlichen Prüfung (3 LP) sowie erfolgreiche Bearbeitung der Übungsblätter. Die erfolgreiche Bearbeitung der Übungsblätter beinhaltet die Lösung von mind. 60% der Aufgaben sowie das zweimalige Vorrechnen einer Aufgabe in den Übungsgruppen (2 LP). Diese Leistungen ergeben zusammen 5 LP.

Lernraum
TeilnehmerInnen
Automatischer E-Mailverteiler der Veranstaltung
Änderungen/Aktualität der Veranstaltungsdaten
Sonstiges