Велики подаци су нови природни ресурс: подаци се удвостручују сваког мјесеца КСНУМКС-КСНУМКС. Овај нови Биг Дата Аналитицс курс покрива основне концепте и алате за рударство великих разноврсних скупова података како би генерисали нове увиде. Ви ћете овладати употребом језика Р да бисте креирали Вордцлоуд, Пагеранк, визуализацију података, дрвеће одлука, регресију, кластерирање, неуронске мреже и још много тога. Радићете са неким великим мултимилионским скуповима података, као и са мојим Твиттер феедовима. Научит ћете Хадооп / МапРедуце и Стреаминг Дата концепте, те ћете истраживати друге Апацхе Биг Дата пројекте као што су Спарк, Флинк, Кафка, Сторм, Самза, НоСКЛ кроз појединачне истраживачке радове. Радит ћете у групама на отвореним пројектима из Каггле.цом како би се натјецали за новчане награде рјешавањем најбољих изазова у анализи података. Такође ћете научити да користите водећи ИБМ СПСС Моделер и опен-соурце платформе за прикупљање података. #КСНУМКС бестселлер уџбеник који се користи у овом курсу написао је сам инструктор. Курс ће такође користити широк спектар видео материјала за обуку од МИТ-а, Цоурсера, Гоогле-а и другде. (КСНУМКС јединице) Предуслов: Сагласност факултетског одељења

За само неколико кратких година, технологије великих података су прешле из домена хипера у једну од кључних компоненти новог дигиталног доба. Те технологије су веома корисне за трансформацију информација у знање.

Циљ курса је да у ваш арсенал додате неке заиста важне алате који ће вам помоћи да решите разне проблеме са великим подацима. Почећемо са давањем одговора на питања попут „Шта су велики подаци? Зашто је важно или корисно? Како чувате ове велике податке? “ Затим ћемо проучити различите алате и моделе програмирања из скупа технологија великих података који ће нам помоћи да анализирамо податке. Теме укључују неке од пројеката у Хадооп екосистему као што су МапРедуце, ​​Пиг, Хиве, Скооп, Флуме, ХБасе (НоСКЛ ДБ), Зоокеепер и Апацхе Спарк пројекти екосистема. Такође ћемо покрити увод у АВС и ЕМР. Углавном ћете радити са једним чвором Хадооп дистрибуције Цлоудере. (4 јединице) (без предуслова)

Системи база података организују и преузимају информације, омогућујући кориснику да лако и ефикасно приступи жељеним информацијама. Теме укључују: релациони модел података; СКЛ; ЕР моделирање; релациона алгебра; нормализација података; трансакције; објекти у бази података; сигурност података и интегритет; складиштење података, ОЛАП и дата мининг; дистрибуиране базе података; и проучавање специфичног система комерцијалних база података. (КСНУМКС јединице) Предуслов: ЦС КСНУМКС или сагласност факултетског одељења.

Машинско учење (не предаје се у пролеће 2021. Провери доступност), поље студија које рачунарима даје могућност да уче из података, у основи је готово сваке научне дисциплине, а проучавање генерализације (односно предвиђања) из подаци су централна тема машинског учења. Овај курс даје постдипломски увод у машинско учење и детаљно покривање нових и напредних метода у машинском учењу, као и њихове основне теорије. У њему се наглашавају приступи са практичне важности и расправља се о бројним новијим применама машинског учења, као што су рударство података (у Биг Дата / Дата Сциенце, Дата Аналитицс), обрада природног језика, рачунарска визија, роботика, биоинформатика и обрада текста и веба. Машинско учење се користи у разним индустријама, укључујући финансијске услуге, нафту и гас, здравствену заштиту, маркетинг и оглашавање, владу, Интернет и Интернет ствари.

Овај курс покрива различите парадигме учења, алгоритме, теоријске резултате и примене. Користи основне концепте из вештачке интелигенције, теорије информација, статистике и теорије управљања уколико су релевантни за машинско учење. Теме укључују: учење под надзором (генеративно / дискриминативно учење, параметарско / непараметарско учење, неуронске мреже, векторске машине подршке, стабло одлука, Баиесово учење и оптимизација); учење без надзора (кластерисање, смањење димензионалности, методе језгра); теорија учења (пристрасност / одступање од варијансе; ВЦ теорија; велике марже); учење ојачања и адаптивна контрола. Остале теме укључују ХММ (Скривени Марков модел), Еволуционо рачунање, Дубинско учење (са неуронским мрежама) и дизајнирање алгоритама чији се учинак може ригорозно анализирати за основне проблеме машинског учења.

Важан део курса је групни пројекат. Главни алати отвореног кода који се користе за паралелно, дистрибуирано и скалабилно машинско учење биће укратко обрађени како би се помогло ученицима да раде на пројектима. (КСНУМКС јединице) Предуслов: Нема.

Важност програмирања мобилних уређаја појавила се последњих година као нови домен у развоју софтвера. Овај курс припрема студенте за развој апликација које раде на мобилним уређајима као што су ИПхоне, ИПад или Андроид телефон. Ово је тржиште које се убрзано развија. Курс се фокусира на инсталирање, развој, тестирање и дистрибуцију мобилних апликација. На крају овог курса студенти су у могућности да развију апликацију за покривене платформе, да их симулирају, тестирају на стварном уређају и на крају објаве у продавници апликација како би учинили доступним корисницима. (КСНУМКС јединице) Предуслов: ЦСКСНУМКС или сагласност факултетског одељења.

На овом курсу ћете научити архитектуру Реактивног програмирања СПА (Сингле Паге Веб Апплицатионс) заједно са свим потребним вјештинама за изградњу пуне Модерне веб апликације. Технологије укључују: НодеЈС, ЕкпрессЈС, ТипеСцрипт, АнгуларЈСКСНУМКС, Фиребасе и НоСКЛ базе података (МонгоДБ). Курс ће обухватити:

• Како Ц ++ ВКСНУМКС мотор и асинхрони код раде у чвору и петљи догађаја Ноде.
• Како структуирати свој код за поновну употребу и изградити Рестфул АПИ користећи модуле и ЕкпрессЈС.
• Како раде НоСКЛ базе података: Монго Схелл, Агрегацијски оквир, Реплика Сетс, Цлустеринг, Схардс, Монгоосе ОРМ.
• Дубоко разумевање начина рада Ангулар (подржано од стране Гоогле-а), Детекција промена, Реактивно програмирање РкЈ-а са посматраним и субјектима, Схадов ДОМ, зоне, модули и компоненте, прилагођене директиве и цеви, услуге и ињекције зависности, Ангулар Цомпилер, ЈИТ и АОФ Цомпилатион , Формс (Темплате Дривен и Дата Дривен), Везивање података, Роутинг, Заштита и Заштита руте, ХТТП клијент, ЈВТ ЈСОН Веб Токен Аутхентицатион.

(КСНУМКС јединице)

Стандардни процесор за све нове рачунаре сада је мулти-цоре процесор, који има потенцијал да брже извршава програме. Међутим, да би се искористио овај потенцијал, програмер мора имати неко знање о техникама паралелног програмирања. Током овог курса, студенти ће највећи део свог времена проводити у писању и дебагирању паралелних програма. Очекивани резултат ће бити развијање новог нивоа практичне вјештине програмирања. Ова вештина неће бити корисна само за програмирање вишејезгрених процесора, већ и за програмирање оперативних система и програмирање дистрибуиране базе података. Софтверски алати који се користе током овог курса обухватају Мицрософт Висуал Ц / Ц ++, библиотеку за вишекратну обраду Јава и стандард за обраду дебљине слоја ОпенМП. (КСНУМКС јединице) Предувјет: Познавање рачунарског програмирања користећи Јава, Ц или Ц ++.

У овом курсу ћемо размотрити технике, принципе и обрасце како дизајнирати флексибилне, скалабилне, тестабилне и еластичне софтверске системе који користе микросервис. Проучићемо како можемо поделити велике апликације на мање микросервусе који су лакши за изградњу и друге предности у односу на монолитне пословне апликације. Дистрибуирана микросервисна архитектура такође даје многе изазове. Ми ћемо проучавати ове изазове и како да их решимо. Теме овог курса су архитектонски стилови, технике и обрасци интеграције, дизајн заснован на домену, архитектура вођена догађајима и реактивно програмирање. (КСНУМКС кредити). (Без предуслова)