INF.06559.03 - Big Data Analytics (Complete module description)

INF.06559.03	5 CP
Module label	Big Data Analytics
Module code	INF.06559.03
Semester of first implementation
Faculty/Institute	Institut für Informatik
Module used in courses of study / semesters	Bioinformatik (180 LP) (Bachelor) > Bioinformatik Bioinformatik180, Version of accreditation (WS 2018/19 - WS 2022/23) > Informatik Geographie (180 LP) (Bachelor) > Geographie/Erdkunde Geographie180, Version of accreditation (WS 2021/22 - SoSe 2023) > Ergänzungsbereich 4: Informatik Informatik (180 LP) (Bachelor) > Informatik Informatik180, Version of accreditation (WS 2018/19 - WS 2022/23) > Bereich Informatik Wirtschaftsinformatik (Business Information Systems) (180 LP) (Bachelor) > Wirtschaftsinformatik Wirtschaftsinformatik180, Version of accreditation valid from WS 2020/21 > 1.3 Informatik
Responsible person for this module
Further responsible persons	Prof. Dr. Matthias Hagen
Prerequisites	"Objektorientierte Programmierung" (INF.00677.05); "Einführung in Data Science" (INF.06485.02) oder "Wahrscheinlichkeitstheorie und Statistik" (MAT.00113.02); oder "Statistik II" (WIW.00690.03)
Skills to be acquired in this module	Studierende sollen durch dieses Modul folgende Kompetenzen erwerben: Sie sind in der Lage, für gegebene Datenanalyseproblemstellungen zu erkennen, ob es sich um batch-orientiert zu bearbeitende oder eher datenstromorientierte Fragestellungen handelt. Sie können dabei die allgemeinen Vor- und Nachteile entsprechender Lösungsansätze gegeneinander abwägen. Sie kennen die Komponenten verteilter Dateisysteme und verteilter Problemlösungsstrategien für sehr große Datenmengen und können deren Bedeutung in Beispielproblemstellungen erläutern. Sie sind in der Lage, zu vorformulierten einfachen Datenstromproblemstellungen wie etwa dem Bestimmen häufiger Elemente oder dem Bestimmen der Anzahl verschiedener Elemente Lösungsalgorithmen bezüglich ihrer Effizienz und Approximationseffektivität einzuschätzen und vergleichend zu bewerten. Sie können die grundlegenden Begriffe empirischer Wissenschaft wie etwa experimentelle Evaluierung und Hypothesentesten auf reale Datenanalyseproblemstellungen übertragen und praktisch anwenden. Sie können selbstständig einfachere Datenanalyseproblemstellungen praktisch bearbeiten und valide Erkenntnisse aus den Analysen ableiten. Sie kennen wesentliche Grundbegriffe des maschinellen Lernens wie etwa überwachtes und unüberwachtes Lernen und können für reale Probleme entscheiden, in welche Kategorie sie einzuordnen sind.
Module contents	In der Vorlesung werden Konzepte und Methoden zur Analyse großer Datenmengen vermittelt. Ein Schwerpunkt ist dabei die Gegenüberstellung von Datenstromverfahren und eher Batch-Verarbeitungs-orientierten Ansätzen wie MapReduce.
Forms of instruction	Lecture (2 SWS) Exercises (2 SWS) Course
Languages of instruction	German, English
Duration (semesters)	1 Semester Semester
Module frequency	jedes Sommersemester
Module capacity	unrestricted
Time of examination
Credit points	5 CP
Share on module final degree	Course 1: %; Course 2: %; Course 3: %.
Share of module grade on the course of study's final grade	1

Module course label	Course type	Course title	SWS	Workload of independent learning	Sum workload
Course 1	Lecture	Vorlesung	2		0
Course 2	Exercises	Übung	2		0
Course 3	Course	Selbststudium			0
Workload by module				150	150
Total module workload					150

Examination	Exam prerequisites	Type of examination
Course 1
Course 2
Course 3
Final exam of module	Erfolgreiches Lösen und Vorstellen von Übungs- und Programmieraufgaben	mdl./schrftl./elektr.
Exam repetition information

Prerequisites and conditions	Frequency	Compulsory attendance	Share on module grade in percent
Course 1	Summer semester	No	%
Course 2	Summer semester	No	%
Course 3	Summer semester	No	%