| Ders Kodu | Ders Adı | Sınıf | Kredisi | Ders Saati | Haftalık Ders Saati(Teorik) | Haftalık Ders Saati(Uygulama) | Haftalık Ders Saati(Laboratuvar) |
|---|---|---|---|---|---|---|---|
| UDOSZhA 4214 | Büyük Veri Işleme Ve Depolama Sistemlerinin Geliştirilmesi | Dördüncü Sınıf | 5 | 150 | 1 | 2 | 2 |
Disiplin, öğrencilere büyük veri kaynaklarını bulma ve yorumlama, büyük miktarda veriyi yönetme, veri kaynaklarını bütünleştirme, veri kümelerinin tutarlılığını sağlama ve verileri anlamada yardımcı olacak görselleştirmeler, verileri kullanarak matematiksel modeller oluşturma ve özellikle doğal dil işleme alanında pratik çalışma konularında öğrencilere öğretmektir.
---
Algoritmalar ve veri yapıları, veritabanı teorisi
Hikaye anlatımı, görüş alışverişi, tartışma, sorunlu yöntemler.
| 1 | Büyük miktarda bilgiyi analiz etmeyi ve veri yönetimini organize etmeyi öğrenir. |
| 2 | Yeni teknolojileri kullanarak verilerin işlenmesini ve analizini gerçekleştirir. |
| 3 | Büyük veri teknolojisinin yeteneklerini dikkate alarak bir kuruluşun bilgi altyapısı için yeni modeller oluşturabilir. |
| 4 | Veri analizinde teorik ve pratik yönleri yoğun bir şekilde inceler. |
| 5 | Uzak veritabanlarının ve bilgi sistemlerinin çeşitli bileşenlerini tasarlayabilir ve tasarlayabilir. |
| 6 | İnternet uygulamalarını kullanır ve bilirler. |
| Haftalık Konu | Değerlendirme Yöntemi | |
|---|---|---|
| 1 | Büyük verilerin açıklaması. Büyük verilerinin anlamı. | |
| 2 | Büyük Veri Araçları ve işlevleri. | |
| 3 | Dağıtımlarla ilgili temel veriler. Apache, Cloudera, Horton Works'ün Avantajları ve farklılıkları. | |
| 4 | HADOOP Mimarisi. | |
| 5 | Platformun açıklaması. ' HADOOP» ekosisteminin bileşenleri. | |
| 6 | Hadoop'un temel ilkeleri. Hadoop bileşenleri. Hadoop 2.0 | |
| 7 | MapReduce işlevlerinin büyük verilerle nasıl çalıştığı. MapReduce, bir grafik biçiminde algoritmadır. | |
| 8 | Hive, Pig bileşenlerinin çalışma teknolojisi. Bileşenlerde sorgu yürütme. | |
| 9 | Hive aracılığıyla altyapı ve yapılandırılmış veriler oluşturma. | |
| 10 | Büyük veri çözümlerinin ölçeklendirilmesinin temeli: RDBMS, NoSQL ve HBase. | |
| 11 | Gerçek verileri kullanarak büyük ölçekli çözümler. MongoDB. | |
| 12 | Verilerin analizi ve görselleştirilmesi. Gerçek dilleri düzenleme: Apache Kafka | |
| 13 | Apache Falcon ve Ozie bileşenlerindeki çözümler. Spark ve Storm Bileşen Teknolojileri. | |
| 14 | Makine öğrenimi kütüphanesi Mahout'un çalışma algoritmasıdır. Mahout Kümeleme. | |
| 15 | HADOOP ekosistemi aracılığıyla büyük veri ve yapay zeka arasındaki ilişkiyi göstermek. |
| PÇ1 | PÇ2 | PÇ3 | PÇ4 | PÇ5 | PÇ6 | PÇ7 | PÇ8 | PÇ9 | PÇ10 | PÇ11 | PÇ12 |
|---|
| Ders Kitabı / Malzemesi / Önerilen Kaynaklar | ||
|---|---|---|
| 1 | Исахметов Т.И., Шадиева А.А., Жаздыкбаева Д.П., Big Data технологиялар. Алматы -2022. | |
| 2 | A. K. Mukasheva, T. F. Umarov, I. A. Zimin, Big data analytics. Textbook, Almaty, 2022. | |
| 3 | Деректер қоры жүйелері Нур-Принт Алматы, 2012ж. Оқу-әдістемелік құрал | |
| 4 | Технологии и инфраструктура BIG DATA, И. А. Радченко, И. Н. Николаев, 2018, ИТМО, учебник, СПб.52 | |
| 5 | Силен, Д. и др. Основы Data Science и Big Data. Python и наука о данных. / Д. Силен, А. Мейсман, М. Али. |