Stora data är den nya naturresursen: data fördubblas varje 12-18 månader. Den här nya Big Data Analytics-kursen täcker de grundläggande begreppen och verktygen för att gruva stora, olika datamängder för att skapa nya insikter. Du kommer att behärska användningen av R-språk för att skapa Wordcloud, Pagerank, Datavisualisering, Beslutstrender, Regression, Clustering, Neurala nätverk och mycket mer. Du kommer att arbeta med några stora fler miljoner rekorddataset, och även mina Twitter-flöden. Du kommer att lära dig Hadoop / MapReduce and Streaming Data-koncept och utforska andra Apache Big Data-projekt som Spark, Flink, Kafka, Storm, Samza, NoSQL genom individuella forskningshandlingar. Du kommer att arbeta i grupper på öppna projekt från Kaggle.com för att konkurrera om prispengar genom att lösa de bästa analytiska utmaningarna. Du kommer också att lära dig att använda branschledande IBM SPSS Modeler, och dataöverföringsplattformar med öppen källkod. Den #1 bästsäljare handboken som används i denna kurs är skriven av instruktören själv. Kursen kommer också att använda ett brett utbud av videoträningsmaterial från MIT, Coursera, Google och på annat håll. (4-enheter) Förutsättning: Samtycke av institutionens fakultet

På bara några få år har stor datateknik gått från hype till en av kärnkomponenterna i den nya digitala tiden. Dessa tekniker är mycket användbara för att omvandla information till kunskap.

Syftet med kursen är att lägga till några riktigt viktiga verktyg i din arsenal för att hjälpa dig att lösa olika stora dataproblem. Vi börjar med att svara på frågor som ”Vad är Big Data? Varför är det viktigt eller användbart? Hur lagrar du denna stora data? ” Vi studerar sedan olika verktyg och programmeringsmodeller från den stora datatekniken som hjälper oss att analysera data. Ämnen inkluderar några av projekten i Hadoop-ekosystemet som MapReduce, Pig, Hive, Sqoop, Flume, HBase (NoSQL DB), Zookeeper och Apache Spark ekosystemprojekt. Vi kommer också att täcka en introduktion till AWS och EMR. Du kommer huvudsakligen att arbeta med en enda nod Hadoop-distribution av Cloudera. (4 enheter) (Inga förutsättningar)

Databasystem organiserar och hämtar information, vilket gör att användaren enkelt och effektivt kan komma åt den önskade informationen. Ämnen inkluderar: relationsdatamodell; SQL; ER modellering; relationell algebra; data normalisering; transaktioner; objekt i databasen; datasäkerhet och integritet; datalagring, OLAP och data mining; distribuerade databaser; och studier av ett specifikt kommersiellt databassystem. (4-enheter) Förutsättning: CS 401 eller samtycke från institutionens fakultet.

Maskininlärning (lärs inte ut våren 2021. Kontrollera tillgänglighet), det ämnesområde som ger datorer förmågan att lära sig av data, är kärnan i nästan alla vetenskapliga ämnen och studien av generalisering (det vill säga förutsägelse) från data är det centrala ämnet för maskininlärning. Kursen ger en introduktion på avancerad nivå till maskininlärning och djupgående täckning av nya och avancerade metoder inom maskininlärning, liksom deras underliggande teori. Det betonar tillvägagångssätt med praktisk relevans och diskuterar ett antal senaste tillämpningar av maskininlärning, såsom Data Mining (i Big Data / Data Science, Data Analytics), Natural Language Processing, Computer Vision, Robotics, Bioinformatics och Text and Web data processing. Maskininlärning används i olika branscher, inklusive finansiella tjänster, olja och gas, hälsovård, marknadsföring och reklam, regering, internet och sakernas internet.

Kursen behandlar en mängd olika inlärningsparadigmer, algoritmer, teoretiska resultat och tillämpningar. Den använder grundläggande begrepp från artificiell intelligens, informationsteori, statistik och styrteori i den mån de är relevanta för maskininlärning. Ämnen inkluderar: övervakat lärande (generativt / diskriminerande lärande, parametrisk / icke-parametrisk inlärning, neurala nätverk, supportvektormaskiner, beslutsträd, Bayesisk inlärning och optimering); oövervakad inlärning (kluster, dimensioneringsreduktion, kärnmetoder); inlärningsteori (bias / varians avvägningar; VC teori, stora marginaler); förstärkning lärande och adaptiv kontroll. Andra ämnen inkluderar HMM (Hidden Markov Model), Evolutionary Computing, Deep Learning (With Neural Nets) och designalgoritmer vars prestanda kan analyseras noggrant för grundläggande maskininlärningsproblem.

En viktig del av kursen är ett gruppprojekt. Stora öppna källverktyg som används för parallell, distribuerad och skalbar maskininlärning kommer att kortfattat täckas för att hjälpa studenter att göra projekten. (4-enheter) Förutsättning: Ingen.

Betydelsen av mobilenhetsprogrammering har uppstått under de senaste åren som en ny domän inom mjukvaruutveckling. Kursen förbereder eleverna att utveckla applikationer som körs på mobila enheter som en IPhone, IPad eller Android-telefon. Detta är en snabbt utvecklande marknad. Kursen fokuserar på att installera, utveckla, testa och distribuera mobila applikationer. I slutet av kursen kan eleverna utveckla en app för de täckta plattformarna, simulera dem, testa dem på den verkliga enheten och äntligen publicera på appbutiken för att göra tillgängligheten till användarna. (4-enheter) Förutsättning: CS472 eller samtycke från institutionens fakultet.

I den här kursen kommer du att lära dig SPA: s Reactive Programming Architecture (Single Page Web Applications) tillsammans med alla nödvändiga färdigheter för att bygga en fullständig modern webbapplikation. Technologies inkluderar: NodeJS, ExpressJS, TypeScript, AngularJS2, Firebase och NoSQL databaser (MongoDB). Kursen kommer att omfatta:

• Hur C ++ V8-motorn och asynkron kod fungerar i Node och Node-händelsesslingan.
• Hur du strukturerar din kod för återanvändning och bygga vilolikt API med hjälp av moduler och ExpressJS.
• Hur NoSQL-databaser fungerar: Mongo Shell, Aggregation Framework, Replica Sets, Clustering, Shards, Mongoose ORM.
• Djup förståelse för hur Angular (backas av Google) fungerar, Change Detection, Reactive RxJs programmering med observables and subjects, skuggan DOM, zoner, moduler och komponenter, anpassade direktiv och rör, tjänster och beredskapsinjicering, vinkel kompilator, JIT och AOF kompilering , Forms (Template Driven och Data Driven), Data Binding, Routing, Guards och Ruttskydd, HTTP-klient, JWT JSON Web Token Authentication.

(4-enheter)

Standardprocessorn för alla nya datorer är nu en multi-core processor, som har potential att genomföra program mycket snabbare. För att utnyttja denna potential måste en programmerare dock ha kunskaper om parallell programmeringsteknik. Under den här kursen kommer studenterna att tillbringa större delen av sin tid att skriva och felsöka parallella program. Det förväntade resultatet kommer att vara att utveckla en ny nivå av praktisk programmeringskunskap. Denna färdighet kommer inte bara att vara användbar för programmering av flera kärnprocessorer, men även operativsystemprogrammering och distribuerad databasprogrammering. Mjukvaruverktygen som används under kursen inkluderar Microsoft Visual C / C ++, Java multithreading-bibliotek och OpenMP-tråderingsstandard. (4-enheter) Förutsättning: Kunskap om datorprogrammering med Java, C eller C ++.

I denna kurs kommer vi att titta på tekniker, principer och mönster för hur man ska utforma flexibla, skalbara, testbara och fjädrande mjukvarusystem som använder mikroservices. Vi kommer att studera hur vi kan dela upp stora applikationer i mindre mikroservices som är enklare att bygga och andra fördelar jämfört med monolitiska företagsapplikationer. En distribuerad mikroservicearkitektur ger också många utmaningar. Vi kommer att studera dessa utmaningar och hur de ska hantera dem. Ämnen i kursen är arkitektoniska stilar, integrationstekniker och mönster, domänstyrd design, händelsedrikerad arkitektur och reaktiv programmering. (4-poäng). (Inga förutsättningar)