KIUA2003 High Performance Computing with Big Data

    • Studiepoeng
      10
    • Undervisningssemestre
      2026 Høst
    • Undervisningsspråk
      Norsk/Engelsk
    • Undervisningssted
      Hamar
    • Forkunnskapskrav

      Anbefalt: KIUA2002 Computer Vision.

Emnets innhold

Emnet utstyrer studentene med en dyp forståelse av big data-karakteristikker, fremtredende verktøy og analytiske algoritmer. Studentene får praktiske ferdigheter i for-prosessering, bruk av Hadoop og Spark, optimalisere ytelse og effektivt visualisere og kommunisere big data-innsikt. Gjennom en kombinasjon av teori og praktisk erfaring vil studentene få en forståelse av de unike egenskapene til big data, verktøyene og teknologiene som brukes for å håndtere det, og de etiske hensynene som er involvert. Ved gjennomført emne vil studentene være i stand til å effektivt kunne analysere og utlede meningsfull innsikt fra store og komplekse datasett.

Læringsutbytte

Ved bestått emne har studenten oppnådd følgende læringsutbytte:

Kunnskap

Studenten har

  • kunnskap om egenskapene til big data, inkludert volum, variasjon, hastighet og sannhet som er i stand til å forstå utfordringene og mulighetene knyttet til stordatalagring, prosessering, analyse og visualisering
  • kunnskap om fremtredende big data-verktøy og -teknologier, som Hadoop, Spark, NoSQL-databaser og distribuerte filsystemer, med forståelse for funksjonaliteten og brukstilfellene til disse verktøyene for håndtering og analysering av big data
  • kunnskap om ulike big data analytics algoritmer, inkludert overvåket læringsalgoritmer, uovervåket læringsalgoritmer og dybdelæringsalgoritmer
Ferdigheter

Studenten kan

  • forbehandling og rensing av big data, inkludert håndtering av manglende data, utenforliggende data og støy for å håndtere teknikkene for dataintegrasjon, transformasjon, normalisering, aggregering og funksjonsutvikling
  • praktisk bruk av Hadoop- og Spark-rammeverk for skalerbar stordatabehandling for å utvikle ferdigheter i å skrive MapReduce-programmer, arbeide med Spark RDD-er, Spark SQL, Spark Streaming og Spark MLlib
  • teknikker for å optimalisere ytelsen til arbeidsflyter for big data-analyse, inkludert datapartisjonering, stokking og parallell databehandling for ytelsesjustering og optimalisering av big data-behandlingsoppgaver
  • visualisere big data-innsikt og kommunisere dem effektivt til interessenter og lære å lage interaktive visualiseringer, bygge dashboards og bruke visuelle analyseverktøy for å formidle meningsfull innsikt fra big data-analyse
Generell kompetanse

Studenten kan

  • forsterke kritisk tenkning ved å bruke high performance computing teknikker for å løse komplekse big data-analyseproblemer ved å evaluere ulike tilnærminger, algoritmer og teknologier, og ta informerte beslutninger i utforming og implementering av big data-analyseløsninger
  • jobbe effektivt i team, dele ansvar og utnytte de forskjellige ferdighetene og perspektivene til teammedlemmer for å takle utfordringer med big data-analyse
  • utøve bevissthet om etiske hensyn og ansvarlig praksis i big data-analyse i forståelsen av implikasjonene i datavern, viktigheten av beskyttelse og tilstedeværelsen av skjevheter for å inkorporere etiske prinsipper i design og implementering av big data-analyseløsninger
  • utøve en forskningsorientert tankegang og vise evne til å utforske og bidra til fremskritt innen high perfomance databehandling og big data-analyse for å bidra til utforskning av nye trender, foreslå innovative løsninger og utvikling av nye teknikker og algoritmer
Arbeids- og undervisningsformer

Emnet er gjennomført som en kombinasjon av forelesninger, praktiske øvelser, selvstudium og veiledning.

Arbeidskrav
  • 2 individuelle oppgaver i henhold til undervisningsplanen for emnet
  • deltakelse i undervisning og lab-øvelser i henhold til undervisningsplanen for emnet

 

Obligatoriske arbeidskrav som er bestått er kun gyldig i 12 måneder. Studenter som ønsker å ta opp eksamener etter 12 måneder, må bestå de obligatoriske arbeidskravene på nytt ved neste ordinære gjennomføring av emnet.  

Vurdering
  • 1 individuell prosjektbasert oppgave

 

Oppgaven vurderes med graderte bokstavkarakterer fra A-F, der E er laveste ståkarakter.

 

Studenten kan velge hvilket språk som benyttes i egen gjennomføring av eksamen. Valg er bokmål, nynorsk eller engelsk.

 

Tillatte hjelpemidler

Litteratur

Alle trykte og skrevne ressurser

Bruk av KI-generert tekst og innhold skal være avklart med faglærer, klart merket og akademisk begrunnet i besvarelsen

Vurderinger
VurderingsordningKarakterskalaGruppe/individuellVarighetHjelpemidlerAndelKommentar
Oppgave
ECTS - A-F
Individuell
100

Pensum

Fakultet
Fakultet for audiovisuelle medier og kreativ teknologi
Institutt
Institutt for spillutdanninger - Spillskolen