Big Data Engineering and Analysis (BDEA)

Daten im großen Stil: Du analysierst riesige Datenmengen, entwickelst leistungsfähige Systeme und nutzt moderne Werkzeuge zur Verarbeitung und Auswertung.

Inhalte

• Was ist Big Data (4 Vs) und was bedeutet Skalierbarkeit?
• Big-Data-Architekturen (wie Lambda, Micro Services u.ä.) sowie ihre Entwurfsprinzipien
• CAP-Theorem, BASE vs. ACID und ihre Auswirkungen auf die Architektur
• Big-Data-Frameworks (Batch vs. Streaming: Hadoop, Spark, Flink) und ihr praktischer Einsatz
• NoSQL-Datenbanken: Auswahlkriterien und Nutzung (z.B. Cassandra u. Kafka)
• Big-Data-Algorithmen (z.B. HyperLogLog, Bloom-Filter)
• Daten-Analyse (z.B. mit R)

Lernziele/Kompetenzen

Die Studierenden sind in der Lage,

• die Herausforderungen bei der Verarbeitung von großen Datenmengen zu erkennen
• und unter Anwendung der vorgestellten Methoden und Werkzeuge skalierbare Lösungen zu entwerfen und umzusetzen

Literatur

• Jure Leskovec, Anand Rajaraman, Jeff Ullman: Mining Massive Data Sets, Cambridge University Press, 2014.
• Nathan Marz and James Warren: Big Data - Principles and best practices of scalable realtime data systems, Manning, 2015.
• Ricardo Baeza-Yates, Berthier Ribeiro-Neto: Modern Information Retrieval, ACM Press, 2010.
• Martin Kleppmann: Designing Data-Intensive Applications, O'Reilly, 2017.
• Robert Kabacoff: R in Action (2nd Edition), Manning, 2015.
• Oliver Hummel: Blog Big Data Engineering: https://bigdataengineering.blogspot.de

Dozentinnen / Dozenten

• Prof. Dr. Oliver Hummel
• Marcus Kessel

Empfohlene Vorkenntnisse 

• Datenmanagement (DM)
• Programmierung 1 (PR1)
• Programmierung 2 (PR2)
• Parallele Programmierung (PP)
• keine Angst vor Programmieren, Algorithmen und ein wenig Statistik

Daten zum Modul

Semester	6/7
Unterrichtssprache	Deutsch
Häufigkeit	Unregelmäßig
Kreditpunkte (CP)	5
Modulverantwortlich	Prof. Dr. Oliver Hummel
Dauer	1 Semester
Studienleistung	Keine
Prüfungsvorleistung	Keine
Prüfungsleistung	Continuous Assessment (CA)

Semesterwochenstunden (SWS) 

Vorlesung	2 SWS
Übung	1 SWS
Labor	1 SWS
Summe	4 SWS

Arbeitsaufwand (Workload) 

Vorlesung	25 h
Labor	25 h
Selbststudium	25 h
Aufgaben	25 h
Prüfungsvorbereitung	50 h
Summe	150 h