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 mit den genannten Werkzeugen

Lernziele/Kompetenzen

Die Studierenden sind in der Lage,

• die Herausforderungen bei der Verarbeitung von großen Datenmengen zu erkennen
• passende Methoden und Werkzeuge für skalierbare Lösungen auszuwählen
• parallel und verteilt ablaufende Systeme zu durchdenken und zu strukturieren
• sowie Big-Data-Systeme mit moderater Komplexität zu entwerfen und umzusetzen

Literatur

• O. Hummel, M. Kessel, B. Navarro und R. Butscher, Data Science mit Big Data: Techniken, Werkzeuge und Algorithmen zur Analyse großer Datenmengen. München: Carl Hanser Verlag, 2026.
• J. Leskovec, A. Rajaraman und J. Ullman, Mining of Massive Datasets. Cambridge, U.K.: Cambridge University Press, 2014.
• M. Kleppmann, Designing Data-Intensive Applications. Sebastopol, CA, USA: O’Reilly Media, 2017.
• N. Marz und J. Warren, Big Data: Principles and Best Practices of Scalable Real-Time Data Systems. Shelter Island, NY, USA: Manning Publications, 2015.
• R. Baeza-Yates und B. Ribeiro-Neto, Modern Information Retrieval: The Concepts and Technology Behind Search, 2. Aufl. New York, NY, USA: ACM Press, 2010.

Dozentinnen / Dozenten

• Prof. Dr. Oliver Hummel
• Dr. 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