Inżynieria i analiza Big Data I-wykład WSE-BD-IABD-I-w

W trakcie realizacji przedmiotu studenci zapoznają się z kompleksowym podejściem do inżynierii oraz analizy danych Big Data. Przedmiot obejmuje zarówno teoretyczne podstawy przetwarzania dużych wolumenów danych, jak i praktyczne zastosowania nowoczesnych technologii oraz narzędzi analitycznych wykorzystywanych w gospodarce cyfrowej. Uzupełnieniem będzie prezentacja aktualnych trendów rynkowych w tym zakresie.

Studenci poznają podstawowe pojęcia, modele oraz architektury systemów Big Data, w tym rozproszone systemy przetwarzania danych (np. Hadoop, Spark), bazy danych NoSQL, strumieniowe przetwarzanie danych oraz koncepcje Data Lake i Data Warehouse. Omówione zostaną również aktualne trendy w obszarze przetwarzania danych, takie jak przetwarzanie w chmurze (cloud computing), analiza danych w czasie rzeczywistym (real-time analytics), zastosowanie sztucznej inteligencji w analizie danych (AI-driven analytics) czy automatyzacja procesów analitycznych.

Szczególny nacisk zostanie położony na cykl życia danych – od ich pozyskiwania, poprzez czyszczenie i przygotowanie, modelowanie i analizę, aż po wizualizację oraz interpretację wyników. Podczas zajęć studenci będą rozwijać umiejętności m.in. w zakresie projektowania i implementacji procesów przetwarzania danych, interpretowania wyników analiz oraz budowania wizualizacji wspierających procesy decyzyjne. Istotnym elementem zajęć będzie także doskonalenie kompetencji prezentacyjnych – studenci będą uczyć się przedstawiania wyników swoich analiz w sposób zrozumiały, logiczny i przekonujący, z wykorzystaniem argumentacji opartej na danych oraz teoriach naukowych.

Zakres:
1. Wprowadzenie do Inżynierii Danych
 Definicja inżynierii danych i jej znaczenie
 Podstawowe pojęcia odnoszące się do zarządzania danymi
 Rola dużych zbiorów danych i wykorzystanie big data w organizacji
 Rola eksperta ds. inżynierii i analizy danych w organizacji
 Studium przypadku (np. sektor medialny)

2. Pozyskiwanie, gromadzenie i przetwarzanie danych
 Big Data a źródła danych
 Bazy danych i magazyny danych
 Przechowywaniem i analityka dużych zbiorów danych
 Identyfikowanie zależności między danymi
 Bezpieczeństwo danych
 Sztuczna inteligencja, uczenie maszynowe a uczenie głębokie
 Studium przypadku (np. sektor bankowy)

3. Uczenie maszynowe i sztuczna inteligencja w inżynierii danych
 Wprowadzenie do uczenia maszynowego
 Algorytmy uczenia maszynowego
 Wykorzystanie maszynowego uczenia do rozwiązywania problemów inżynierii danych
 Korzyści z zastosowania uczenia pogłębionego
 Sztuczna inteligencja w inżynierii danych
 Dopasowanie technologii i środowiska programistyczne dla inżynierii danych
 Studium przypadku (np. sektor telekomunikacyjny)

4. Analiza danych i ich wizualizacja
 Analiza dużych zbiorów danych
 Przegląd narzędzi do analizy danych
 Wizualizacja danych: znaczenie i zastosowania
 Narzędzia do wizualizacji danych
 Studium przypadku (np. sektor społeczny)