Big data: przetwarzanie i analiza dużych zbiorów danych 510-IS2-1BDPA-23
Profil studiów: ogólnoakademicki
Forma studiów: stacjonarne
Rodzaj przedmiotu: obowiązkowy
Dziedzina i dyscyplina nauki: nauki ścisłe i przyrodnicze, informatyka
Rok studiów / semestr: 1/ 2
Wymagania wstępne (tzw. sekwencyjny system zajęć i egzaminów):
Przedmioty wprowadzające: -
Wykład: 15h Laboratorium: 30h
Metody dydaktyczne: wykład, dyskusja, wyjaśnienie, laboratorium, rozwijanie umiejętności, konsultacje
Punkty ECTS: 4
Bilans nakładu pracy studenta:
Udział w zajęciach:
- wykład 15h
- laboratorium 30h
Przygotowanie do zajęć:
- wykład 5h
- laboratorium 10h
Zapoznanie z literaturą: 5h
Sprawozdania, raporty z zajęć, prace domowe, zadania projektowe realizowane w domu: 10h
Przygotowanie do kolokwium: 10h
Przygotowanie do zaliczenia: 5h
Udział w konsultacjach: 10h
Wskaźniki ilościowe:
- nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela: 55h, 2.4 ECTS
- nakład pracy studenta, który nie wymaga bezpośredniego udziału nauczyciela: 45h 1,6 ECTS
Rodzaj przedmiotu
Koordynatorzy przedmiotu
Efekty kształcenia
1.Ma uporządkowaną i pogłębioną wiedzę ogólną w zakresie przetwarzania i analizy dużych zbiorów danych z użyciem zaawansowanych algorytmów i struktur danych KP7_WG1, KP7_WG12
2. Ma pogłębioną wiedzę w zakresie technik i technologii informatycznych wykorzystywanych w celu analizy dużych zbiorów danych KP7_WG9
3 Potrafi użyć właściwych narzędzi oraz zaimplementować zaawansowane algorytmy w celu przetwarzania i analizy dużych danych w języku Python KP7_UW3, KP7_UW12
4. Potrafi zoptymalizować kod programu w celu efektywniejszej eksploracji danych KP7_UW14
5. Jest gotów do starannego określania priorytetów i kolejność swoich działań KP7_UU3
Kryteria oceniania
Ogólna forma zaliczenia: zaliczenie
Literatura
Literatura podstawowa:
Big Data Dawn E. Holmes, Wydawnictwo Uniwersytetu Łódzkiego, 2021
Python machine learning i deep learning : biblioteki Scikit-Learn i TensorFlow 2 / Sebastian Raschka, Vahid Mirjalili , Helion, 2021.
Deep learning : praca z językiem Python i biblioteką Keras / François Cholle,t Helion, 2019
Python w analizie danych : przetwarzanie danych za pomocą pakietów Pandas i NumPy oraz środowiska IPython / Wes McKinney Helion, 2018
Spark : zaawansowana analiza danych / Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills, Helion, 2016
Literatura uzupełniająca:
https://azure.microsoft.com/pl-pl/resources/cloud-computing-dictionary/what-is-big-data-analytics
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: