• Tabulka průběžných výsledků

• repozitář: https://github.com/stameser/BDT
• větev s řešeními: https://github.com/stameser/BDT/tree/solutions

Rozvrh je komplikovanější, popíšu ho podrobně.

• přednáška středa: 9:15-10:45 KN:E-127

• přednáška středa: 9:15-10:45 KN:E-127
• cvičení středa 2 paralelky 11:00-12:30 KN:E-307 a 12:45-14:15 KN:E-307

• supercvičení 2 paralelky 9:15-11:30 a 12:00-14:15 KN:E-307

Přednáška: Úvodní přednáška

• Stručný průlet kurzem, na co se těšit?
• Organizace, za co zápočet?
• Co jsou big data a kde se tu vzala?
• Aplikace Big Data technologií v průmyslu.
• Vztah Big Dat a Data Science
• Co děláme na Big Datech v Profinitu?
• b0m33bdt-1p.pdf

Cvičení: První kroky na clusteru

Přednáška: Architektura clusteru - Hadoop

• HW, Hadoop, cluster, HDFS
• distribuce dat a výkonu
• Cloudera, Hortonworks a ostatní
• Správa zdrojů, YARN
• b0m33bdt-2p.pdf

Supercvičení: Velké opakování, aneb co všechno potřebujeme znát

• Linuxové nástroje pro proudové zpracování dat
• SQL - velké souhrnné opakování
• Python - základní seznámení s jazykem
• HDFS
• b0m33bdt-3c.pdf

Přednáška Storage

• Unordered List Item* HDFS, formáty ukládání dat, komprese dat
• Hive a Impala
• Externí a managed tabulky
• Partitioning, bucketing
• Indexy
• Úvod do HBase
• b0m33bdt-3p.pdf

Supercvičení: Hive

• externí a interní tabulky
• create database/table
• stored as textfile/parquet
• https://github.com/stameser/BDT

Přednáška Map+reduce - paradigma a implementace

• Historie paraleleních výpočtů / functionální framework
• Distribuce výpočtu mezi nody
• Fáze výpočtu: map - combine - reduce
• Schémata algoritmů pro map-reduce
• Aplikace MapReduce
• Alternativy k MapReduce
• b0m33bdt-4p.pdf

Přednáška Spark RDD

• Architektura Apache Spark
• Spark vs. map-reduce
• RDD, Job, Task, Executor
• Transformace vs. Akce
• Spuštění, konfigurace, příklady
• b0m33bdt-5p.pdf

Cvičení: Spark Map-Reduce

Přednáška Spark SQL a Spark Streaming

• Spark SQL, sqlContext a DataFrame
• Spark Streaming
• Sprak GraphX
• Spark ML
• b0m33bdt-6p.pdf

Supercvičení: Spark SQL

Přednáška Big Datové Architektury

• kontext DWH,
• data lake,
• transformace dat (ETL)
• reporting
• typické architektury Big Data řešení
• b0m33bdt-7p.pdf

Přednáška Stream Processing + Kafka

• Architektura proudového zpracování
• Messaging processor - Apache Kafka
• Stream processor - Spark Streaming
• HBase
• b0m33bdt-8p.pdf

Cvičení: Stream Processing + Kafka

• Druhý malý zápočtový test

Přednáška Big Data Science

• Co je Data Science?
• Metodika DS Projektu
• Role Big Dat v DS
• Modelování podobností a vztahů
• Case Study: Detekce Online Fraudu
• b0m33bdt-9p.pdf

Velký zápočtový test

Dvě možnosti pro zápočet – můžete si vybrat

1. Vypracování zápočtové úlohy

• zpracování samostatné analýzy velkého datového souboru - je možné přijít s vlastním zadáním
• zodpovězení předepsaných a vlastních analytických otázek
• výkonnostní měření v závislosti na velikosti vstupu
• dokumentace postupu a sepsání závěrečné zprávy (cca 10 stran)
• odevzdání dokumentovaných zdrojových kódů – github
• klasifikační kritéria:
  • Analytické výstupy - zodpovězení otázek – 40%
  • Programátorské postupy a kvalita kódu – 30%
  • Analytická zpráva a kvalita textu – 30%
• Návrhy témat: a4m33bdt-ulohy.pdf

2. Splnění zápočtového testu

• během semestru proběhne 1-2 testy z teorie hodnocené 10 body
• závěrečný praktický test bude hodnocen 30 body
• pro absolvování je třeba dosáhnout 50% bodů

Ústní zkouška

• ústní zkoušení z teorie s krátkou písemnou přípravou
• Výsledná známka vznikne jako součet bodů ze zápočtu a ze zkoušky
• Bodovací stupnice viz klasifikační řád fakulty

Hadoop: The Definitive Guide, 4th Edition, by Tom White