Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Algorytmy skalowane

Informacje ogólne

Kod przedmiotu: 1000-MS1-AlgSkal
Kod Erasmus / ISCED: (brak danych) / (0613) Tworzenie i analiza oprogramowania i aplikacji Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Algorytmy skalowane
Jednostka: Wydział Matematyki i Informatyki
Grupy:
Punkty ECTS i inne: 3.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: polski
Rodzaj przedmiotu:

przedmiot obowiązkowy

Całkowity nakład pracy studenta:

Godziny realizowane z udziałem nauczycieli: 40h (w tym 10h konsultacji)

Czas poświęcony na pracę indywidualną studenta: 30h

Czas wymagany do przygotowania się do uczestnictwa w procesie oceniania: 10h

Razem: 80h (3p. ECTS)

Efekty uczenia się - wiedza:

W1. zna zaawansowane metody projektowania i analizowania algorytmów i programów równoległych i rozproszonych; zna wybrane modele programowania skalowalnego (np. Map-Reduce) -K_W04, K_W06

W2. ma podstawową wiedzę o metodach, narzędziach i technikach badawczych w zakresie Big Data i wizualizacji informacji - K_W05, K_W06

W3. zna na poziomie podstawowym przynajmniej jedną platformę do obliczeń skalowalnych - K_W05, K_W06


Efekty uczenia się - umiejętności:

U1. projektuje i analizuje algorytmy rozproszone w oparciu o model Map-Reduce; potrafi uzasadnić ich poprawność i przeanalizować złożoność - K_U17

U2. umie znajdować niezbędne informacje w literaturze fachowej, bazach danych i innych źródłach, zna podstawowe czasopisma i konferencje naukowe w swojej specjalności - K_U21

U3. potrafi wykorzystać przynajmniej jedną platformę implementującą algorytmy skalowalne do analizy dużych repozytoriów danych (Big Data) - K_U01, K_U17, K_U19

U4. potrafi opisywać algorytmy i struktury danych w sposób zrozumiały dla nie-informatyków - K_U04


Efekty uczenia się - kompetencje społeczne:

1. Myśli twórczo w celu udoskonalenia istniejących bądź stworzenia nowych rozwiązań. - K_K01

2. Zna ograniczenia własnej wiedzy i rozumie potrzebę dalszego kształcenia - K_K04

3. Potrafi samodzielnie wyszukiwać informacje w literaturze, także w językach obcych; umie zintegrować zdobytą wiedzę i umiejętności; - K_K04

4. rozumie znaczenie matematyki i informatyki w różnych sferach życia i gospodarki - K_K05


Metody dydaktyczne podające:

- wykład konwersatoryjny

Metody dydaktyczne poszukujące:

- giełda pomysłów
- klasyczna metoda problemowa
- projektu
- studium przypadku

Skrócony opis:

Przedstawiony zostanie model obliczeniowy MapReduce oraz algorytmy rozwiązujące konkretne problemy obliczeniowe. Omówiony zostanie problem analizy dużych repozytoriów danych (tzw. Big Data). Zaprezentowana zostanie przynajmniej jedna platforma wykorzystywana do obliczeń skalowalnych (np. Apache Spark, Hadoop)

Pełny opis:

Teoria informatyki obejmuje wiedzę o algorytmach rozwiązujących problemy o dowolnej złożoności obliczeniowej i przy dowolnych poziome równoległości. Praktyczna implementacja tych algorytmów napotykała przez wiele lat trudności, wydawałoby się, nie do pokonania. Zmiana tego stanu rzeczy dokonała się w 2004 wraz z opublikowanie informacji o modelu obliczeniowym Map-Reduce i jego praktycznej implementacji. Rok 2010 to pierwsza publikacja o Pregelu, tj. modelu i implementacji obliczeń na ogromnych grafach. Choć oba te modele są dość proste i można by rzec, że znane w literaturze, jednak ich przełomowość wynika, z tego, że udało się je zaimplementować w wielkiej skali, tj, na danych o wielkości rzędu 10^12 rekordów/obiektów i na tysiącach komputerów. Do tej pory, teoretycy potrafili zbudować algorytm na dowolnego n, ale praktycy potrafili je zaimplementować jedynie dla n nie większego niż 10^9. Map-Reduce i Pregel przesuwają te granicę o kilka rzędów wielkości.

Celem zajęć jest przedstawienie wybranych zagadnień przetwarzania danych z wykorzystaniem algorytmów skalowalnych we wspomnianych modelach oraz projektów Big Data. Przedstawione zostaną najnowsze wyniki badań nad wspomnianymi modelami oraz nad analizą dużych repozytoriów danych

W ramach laboratorium studenci pod kierownictwem prowadzącego zajęcia przeprowadzą eksperymenty na wybranej platformie obliczeń skalowalnych. Zaimplementują wybrane algorytmy Map-Reduce w celu przeprowadzenia kontrolowanej analizy wskazanego dużego repozytorium danych

Literatura:

[1] N. Marz, "Big data : najlepsze praktyki budowy skalowalnych systemów obsługi danych w czasie rzeczywistym", Helion, 2016.

[2] H. Lee, "Big Data w przemyśle : jak wykorzystać analizę danych do optymalizacji kosztów procesów?", Wydawnictwo Naukowe PWN SA, 2016.

[3] S. Ryza, "Spark : zaawansowana analiza danych", Helion/ O'Reilly, 2016.

[4] H. Karau, "Poznajemy Sparka", Wydawnictwo Naukowe PWN, 2016.

Literatura uzupełniająca:

[5] J. Dean, S. Ghemawat "MapReduce: simplified data processing on large clusters". OSDI 2004, Vol. 6. USENIX Association, Berkeley, USA, 2004, p10-10.

[6] G. Malewicz, M. H. Austern, A. J.C Bik, J. C. Dehnert, I. Horn, N. Leiser, G. Czajkowski. "Pregel: a system for large-scale graph processing". SIGMOD 2010. ACM, NY, USA, 2010 p.135-146.

[7] Y. Tao, W. Lin, X. Xiao. "Minimal MapReduce algorithms." ACM SIGMOD '13. ACM, NY, USA, 2013, p529-540.

[8] K. Czaplicki i in., "Internet : publiczne bazy danych i Big data", Wydawnictwo C.H. Beck, 2014.

Metody i kryteria oceniania:

Zaliczenie wykładu odbywa się na podstawie 2-3 projektów zaliczeniowych wykonywanych częściowo na laboratoriach i częściowo samodzielnie.

Praktyki zawodowe:

nie dotyczy

Zajęcia w cyklu "Semestr letni 2021/22" (zakończony)

Okres: 2022-02-21 - 2022-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład, 30 godzin, 50 miejsc więcej informacji
Koordynatorzy: Piotr Wiśniewski
Prowadzący grup: Piotr Wiśniewski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę

Zajęcia w cyklu "Semestr letni 2022/23" (zakończony)

Okres: 2023-02-20 - 2023-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład, 30 godzin, 50 miejsc więcej informacji
Koordynatorzy: Grzegorz Pastuszak
Prowadzący grup: Grzegorz Pastuszak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę

Zajęcia w cyklu "Semestr letni 2023/24" (w trakcie)

Okres: 2024-02-20 - 2024-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład, 30 godzin, 50 miejsc więcej informacji
Koordynatorzy: Grzegorz Pastuszak
Prowadzący grup: Grzegorz Pastuszak
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.
ul. Jurija Gagarina 11, 87-100 Toruń tel: +48 56 611-40-10 https://usosweb.umk.pl/ kontakt deklaracja dostępności USOSweb 7.0.2.0-1 (2024-03-12)