Wenn Sie diesen Text sehen, ist auf ihrem Gerät noch nicht das neue Layout geladen worden. Bitte laden Sie diese Seite neu (ggf. mit gedrückter 'Shift'- oder 'Alt'-Taste) oder in einem 'privaten Fenster'.
Weitere Hinweise unter https://www.uni-hildesheim.de/wiki/lsf/faq/fehler.im.layout.

Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
  1. SucheSuchen         
  2. SoSe 2019
  3. Hilfe
  4. Sitemap
Switch to english language
Startseite    Anmelden     

Big Data Analytics - Einzelansicht

Grunddaten
Veranstaltungsart Vorlesung
Veranstaltungsnummer 3103 Kurztext
Semester SoSe 2017 SWS 2
Erwartete Teilnehmer/-innen Max. Teilnehmer/-innen
Rhythmus i.d.R. jedes 2. Semester Studienjahr / Zielgruppe
Credits 6
Hyperlink http://www.ismll.uni-hildesheim.de/lehre/bd-17s/ Evaluation Ja (als gesamte Veranstaltung - Papier)
Sprache englisch
Termine Gruppe: 1-Gruppe iCalendar Export
  Tag Zeit Rhythmus Dauer Raum (mögliche Änderungen beachten!) Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export
Di. 10:00 bis 12:00 s.t. wöchentlich Gebäude H (Hauptcampus) - Hörsaal H2 Raumplan        
Gruppe 1-Gruppe:
Termine Gruppe: Klausur iCalendar Export
  Tag Zeit Rhythmus Dauer Raum (mögliche Änderungen beachten!) Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export
Fr. 10:00 bis 12:00 s.t. Einzeltermin am 21.07.2017 Gebäude E (Hauptcampus) - Hörsaal H3 Raumplan        
Gruppe Klausur:
Prüfungstermine
Semester Termin Prüfer/-in Parallelgruppe Datum Prüfungsform Beginn Anmeldefrist Ende Anmeldefrist Ende Abmeldefrist Infos zu Nachschreibterminen
SoSe 2017 01 21.07.2017 Klausur 03.05.2017 20.07.2017 VERBINDLICH 20.07.2017 VERBINDLICH
SoSe 2017 02 12.10.2017 Klausur 24.07.2017 25.09.2017 VERBINDLICH 02.10.2017 VERBINDLICH WiSe 2017/18: 3129 3103 Nachschreibeklausur


Zugeordnete Personen
Zugeordnete Personen Zuständigkeit
Schmidt-Thieme, Lars, Professor Dr. Dr. verantwortlich, nicht durchführend
Jameel, Mohsan , M.S.c durchführend, nicht verantwortlich
Studiengänge
Abschluss Studiengang Semester ECTS Kontingent
Master M.Sc. Data Analytics
Master M.Sc. Informationsmanagm.
Master M.Sc. Wirtschaftsinf. (PO 2011)
Master M.Sc. Wirtschaftsinf. (PO 2014)
LSF - Module
Modulkürzel Modultitel
MIT-V6KIMa Gebiet KIML (WINF/IMIT), Vorl 6AP (MA vor PO 2014)
0ERA-6LP Veranstaltungen mit 6 Credits f. ausl. Programmstud. (ERASMUS)
MIT-BigDA Big Data Analytics
Zuordnung zu Einrichtungen
Abt. Wirtschaftsinformatik und Maschinelles Lernen
Inhalt
Literatur

- Anand Rajaraman, Jure Leskovec, and Jeffrey Ullman, Mining of massive datasets,
- Yucheng Low, Joseph Gonzalez, Aapo Kyrola, Danny Bickson, Carlos Guestrinand Joseph M. Hellerstein (2012).
"Distributed GraphLab: A Framework for Machine Learning and Data Mining in the Cloud." PVLDB.

Bemerkung

WI MSc
IMIT MSc
Gebiet: Business Intelligence

 

Lerninhalte

Speicherung, Abfrage, Analyse und Lernen von großen Datenmengen ist ein anspruchsvolles Thema, das erhebliche Auswirkungen in verschiedenen Bereichen der Industrie und der Wissenschaft hat. Die Vorlesung behandelt Grundbegriffe analysierender Verfahren des sogenannten "Big Data" sowie Beispiele für typische Anwendungen, die davon profitieren können.

Die Vorlesung umfasst folgende Themengebiete:

- Verteilte Dateisysteme und Datenspeicher-Frameworks
- Computermodelle für große Daten (z.B. MapReduce und GraphLab)
- Datenstrom Analyse
- Statistische Lernverfahren für große Datenmengen
- Large Scale Empfehlungssysteme
- Link-Analyse

Zielgruppe

MSc WI & IMIT & AINF & DA -  MSc 1-3


Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester SoSe 2017 , Aktuelles Semester: SoSe 2019
Impressum      Datenschutzerklärung     Datenschutz