Сучасна обробка інформації визначається величезними сховищами даних, які не можуть бути оброблені традиційними системами баз даних. Цей курс охоплює новітні технології, розроблені та використані лідерами галузі для вирішення цієї проблеми найбільш ефективним способом. Окремі теми охоплюють алгоритми MapReduce, алгоритм розробки алгоритму MapReduce, HDFS, кластерну архітектуру Hadoop, YARN, обчислювальні відносні частоти, вторинне сортування, сканування в Інтернеті, інвертовані індекси та компресія індексів, Spark алгоритми і Scala. (Одиниці 4) Необхідна умова: Алгоритми CS 435.

Великі дані - це новий природний ресурс: дані кожного місяця подвоюються кожні 12-18. Цей новий курс Big Data Analytics охоплює основні поняття та інструменти для видобутку великої кількості різноманітних наборів даних для створення нових даних. Ви освоїте використання мови R для створення Wordcloud, Pagerank, візуалізації даних, дерев рішень, регресії, кластеризації, нейронних мереж і багато іншого. Ви будете працювати з деякими великими багатомільйонними записами даних, а також з моїми каналами Twitter. Ви дізнаєтеся про концепції Hadoop / MapReduce і Streaming Data, а також вивчите інші проекти великих даних Apache, такі як Spark, Flink, Kafka, Storm, Samza, NoSQL за допомогою окремих дослідницьких робіт. Ви будете працювати в групах на відкритих проектах від Kaggle.com, щоб конкурувати за призові гроші, вирішуючи найкращі виклики аналітики даних. Ви також навчитеся використовувати провідні в галузі IBM SPSS Modeler і відкриті вихідні платформи. Підручник з бестселера #1, який використовується в цьому курсі, написаний самим інструктором. Курс також використовуватиме широкий спектр навчальних матеріалів для відео з MIT, Coursera, Google та інших країн. (Одиниці 4) Передумова: Згода факультету кафедри

За кілька коротких років, великі технології передачі даних перейшли від області галасу до одного з основних компонентів нового цифрового віку. Ці технології дуже корисні для перетворення інформації в знання.

Метою курсу є додати до свого арсеналу кілька дуже важливих інструментів, які допоможуть вам вирішити різні проблеми з великими даними. Ми почнемо з того, що дамо відповіді на запитання типу „Що таке великі дані? Чому це важливо чи корисно? Як ви зберігаєте ці великі дані? " Потім ми вивчимо різні інструменти та моделі програмування зі стеку технологій великих даних, які допоможуть нам проаналізувати дані. Теми включають деякі проекти в екосистемі Hadoop, такі як MapReduce, Pig, Hive, Sqoop, Flume, HBase (NoSQL DB), екосистеми Zookeeper та Apache Spark. Ми також розглянемо вступ до AWS та EMR. Ви будете працювати в основному з одним вузлом Hadoop розподілу Cloudera. (4 одиниці) (Без передумов)

Цей курс глибоко враховує три аспекти комп'ютерної безпеки: конфіденційність, цілісність та конфіденційність. Вивчається кілька моделей для конфіденційної політики безпеки. Розглянуто роль криптографії в забезпеченні конфіденційності та цілісності. Інші теми включають аутентифікацію, аудит, тестування проникнення, загальні вразливості та виявлення вторгнень. Курс завершується вивченням реалістичної системи безпеки. Студентам буде запропоновано прочитати статті з літератури з безпеки та застосувати їх до матеріалів, викладених на лекціях. (Кредити 4) Передумова: CS 401 або згода факультету кафедри.

Цей курс фокусується на викладанні принципів і практик, що використовуються при розробці більш масштабних корпоративних додатків. Ми розглянемо різні архітектурні шари, які часто використовуються, і різні технології, пов'язані з цими шарами, включаючи об'єктне реляційне зіставлення (ORM), залежність від ін'єкцій (DI), аспектно-орієнтоване програмування (AOP) і інтеграцію з іншими додатками через веб-служби (RESTfull) і SOAP), виклик повідомлень і віддалений метод. Необхідно мати робочі знання реляційних баз даних і SQL. Якщо у вас немає сильного курсу або хорошого знання SQL, ви повинні зареєструватися для СУБД CS422, перш ніж підписуватись на EA. (Одиниць 4)

Машинне навчання, галузь дослідження, яка надає комп’ютерам можливість вчитися на даних, лежить в основі майже кожної наукової дисципліни, а вивчення узагальнення (тобто прогнозування) на основі даних є центральною темою машинного навчання. Цей курс дає вступ до рівня машинного навчання на рівні аспірантів та поглиблене висвітлення нових та вдосконалених методів машинного навчання, а також їх основної теорії. Він підкреслює підходи, що мають практичну актуальність, і обговорює низку останніх програм машинного навчання, таких як видобуток даних (у Big Data / Data Science, Data Analytics), обробка природних мов, комп'ютерне бачення, робототехніка, біоінформатика та обробка текстових та веб-даних. Машинне навчання використовується в різних галузях промисловості, включаючи фінансові послуги, нафту та газ, охорону здоров’я, маркетинг та реклама, уряд, Інтернет та Інтернет речей.

Цей курс охоплює різноманітні парадигми навчання, алгоритми, теоретичні результати та додатки. У ньому використовуються основні поняття зі штучного інтелекту, теорії інформації, статистики та теорії управління настільки, наскільки вони стосуються машинного навчання. Теми включають: контрольоване навчання (генеративне / дискримінаційне навчання, параметричне / непараметричне навчання, нейронні мережі, опорні векторні машини, дерево рішень, баєсівське навчання та оптимізація); навчання без нагляду (кластеризація, зменшення розмірності, методи ядра); теорія навчання (компроміси із зміщенням / відхиленням; теорія ВК; великі запаси); навчання підкріплення та адаптивний контроль. Інші теми включають HMM (модель прихованого Маркова), еволюційні обчислення, глибоке навчання (за допомогою нейронних мереж) та розробку алгоритмів, ефективність яких може бути ретельно проаналізована для вирішення основних проблем машинного навчання.

Важливою частиною курсу є груповий проект. Основні інструменти з відкритим вихідним кодом, що використовуються для паралельного, розподіленого та масштабованого машинного навчання, будуть коротко розкриті, щоб допомогти студентам виконувати проекти. (Одиниці 4) Необхідна умова: Немає.

Важливість програмування мобільних пристроїв виникла за останні роки як новий домен у розробці програмного забезпечення. Цей курс готує студентів до розробки додатків, які працюють на мобільних пристроях, таких як IPhone, IPad або Android. Це ринок, що швидко розвивається. Курс спрямований на встановлення, розробку, тестування та розповсюдження мобільних додатків. Наприкінці цього курсу студенти мають змогу розробити додаток для платформ, що імітуються, імітувати їх, протестувати на реальному пристрої і, нарешті, опублікувати в магазині додатків, щоб зробити їх доступними для користувачів. (Одиниці 4) Необхідна умова: CS472 або згода факультету кафедри.

У цьому курсі ви дізнаєтеся Reactive Programming Architecture SPA (веб-додатки з однією сторінкою) разом з усіма необхідними навичками для створення повного сучасного веб-додатка. Технології включають: бази даних NodeJS, ExpressJS, TypeScript, AngularJS2, Firebase і NoSQL (MongoDB). Курс охоплюватиме:

• Як двигун C ++ V8 і асинхронний код працюють у вузлі і циклі подій Node.
• Як структурувати свій код для повторного використання і побудувати Restful API за допомогою модулів і ExpressJS.
• Як працюють бази даних NoSQL: Mongo Shell, фреймворк агрегації, набори реплік, кластеризація, осколки, Mongoose ORM.
• Глибоке розуміння того, як працює Angular (підтримується Google), Виявлення змін, Реактивне програмування RxJs з спостережуваними та суб'єктами, Shadow DOM, Зони, Модулі та Компоненти, Спеціальні директиви та труби, Послуги та ін'єкції залежностей, Кутовий компілятор, JIT та компіляція AOF , Форми (Шаблонний засіб і Data Driven), Прив'язка даних, Маршрутизація, Захист і захист маршруту, HTTP-клієнт, JWT JSON Web Token Authentication.

(Одиниць 4)

Операційна система контролює центральні ресурси комп’ютерної системи та розподіляє їх серед окремих користувачів. Теми курсу включають послідовні та паралельні процеси, взаємне виключення, спільне використання ресурсів, співпрацю процесів, взаємоблокування, розподіл ресурсів, планування процесорів, управління пам’яттю, алгоритми сегментації та підкачки, системи розподілу часу, алгоритми планування та захист ресурсів. (4 одиниці) Обов’язкова умова: CS 401 або згода викладачів кафедри.

Стандартний процесор для всіх нових комп'ютерів тепер є багатоядерним процесором, який має потенціал для виконання програм набагато швидше. Однак, щоб використати цей потенціал, програміст повинен мати певні знання про методи паралельного програмування. Під час цього курсу студенти будуть витрачати більшу частину свого часу на написання та налагодження паралельних програм. Очікуваний результат полягає у розробці нового рівня практичних навичок програмування. Цей навик буде не тільки корисним для програмування багатоядерних процесорів, а й для програмування операційних систем і програмування розподілених баз даних. Програмні засоби, що використовуються під час цього курсу, включають Microsoft Visual C / C ++, бібліотеку багатопоточності Java і стандарт потоків версій OpenMP. (Одиниці 4) Передумова: Знання комп'ютерного програмування з використанням Java, C або C ++.

У цьому курсі ми розглянемо методи, принципи та закономірності розробки гнучких, масштабованих, тестованих і стійких програмних систем, що використовують мікросервіси. Ми вивчимо, як можна розділити великі програми на менші мікросервіси, які легше будувати та інші переваги в порівнянні з монолітними корпоративними додатками. Розподілена архітектура мікросервісу також дає багато викликів. Ми вивчимо ці виклики і як їх вирішувати. Теми цього курсу - архітектурні стилі, методи інтеграції та шаблони, дизайн, керований областями, архітектура, керована подіями, і реактивні програми. (Кредити 4). (Немає передумов)