TDDE31 · 6 hp · Avancerad nivå (A1F) · Informationsteknologi, Datateknik, Datavetenskap
Big Data Analytics
Ges · nästa start VT 2027
75 %
klarade senaste ordinarie tentan
TEN1 · 2 jun 2026 · 44 studenter
74 %
klarade ordinarie tentorna, alla tillfällen de senaste 5 åren
TEN1 · 209 studenter
83 %
Svårare än 83 % av kurserna på avancerad nivå
Jämfört med 285 kurser på samma nivå, ordinarie tentor de senaste tre läsåren. 77 studenter.
Ingår i 10 program
- Civilingenjörsprogram i industriell ekonomi - internationell
- Civilingenjörsprogram i industriell ekonomi
- Civilingenjörsprogram i datateknik
- Civilingenjörsprogram i informationsteknologi
- Civilingenjörsprogram i mjukvaruteknik
- Civilingenjörsprogram i teknisk fysik och elektroteknik - internationell
- Civilingenjörsprogram i teknisk fysik och elektroteknik
- Masterprogram i cybersäkerhet
- Masterprogram i datavetenskap
- Masterprogram i matematik
Tentamen
TEN1 Skriftlig tentamen
- 5
- 4
- 3
- U
Ordinarie tentor
74 % godkända · 209 studenter
- 75 %44
- 67 %33
- 72 %43
- 73 %33
- 80 %56
Omtentor
52 % godkända · 67 studenter
- 57 %7
- 82 %11
- 80 %5
- 33 %6
- 67 %6
- 40 %10
- 56 %9
- 38 %8
- 0 %5
- Klarar omtentan: 52 % (67 studenter), jämfört med 74 % (209 studenter) på ordinarie
- Får 4 eller 5: 35 % (276 studenter)
Övriga moment
Deltentor, inlämningar och laborationer. De ingår inte i siffrorna överst.
Inlämning eller laboration
LAB1 Laborationer
- G
Ordinarie tillfällen
100 % godkända · 201 studenter
- 100 %46
- 100 %32
- 100 %40
- 100 %26
- 100 %57
Senare tillfällen
100 % godkända · 6 studenter
- 100 %6
- Klarar ett senare tillfälle: 100 % (6 studenter), jämfört med 100 % (201 studenter) på ordinarie
Visa små tillfällen (4)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 100 %1
- 100 %1
- 100 %4
- 100 %4
Om kursen
Mål
Efter avslutad kurs skall den studerande på en avancerad nivå kunna: - samla och lagra Big Data i en distribuerad datormiljö - genomföra grundläggande förfrågningar till en databas som opererar på ett distribuerat filsystem - redovisa grundläggande principer för parallella beräkningar - använda MapReduce begreppet för att parallellisera vanliga databearbetningsalgoritmer - redovisa hur vanliga maskininlärningsmodeller bör modifieras för att bearbeta Big Data - använda redskap för maskininlärning av Big Data
Innehåll
Kursen fokuserar på huvudbegrepp och huvudredskap för lagring, bearbetning och analys av Big Data som är nödvändiga för ett professionellt arbete och forskning inom dataanalys.
- Introduktion till Big Data: begrepp och verktyg - Grundläggande principer av parallella beräkningar - Filsystem och databaser för Big Data - Förfrågningar för Big Data - Resurshantering i en klustermiljö - Parallella beräkningar för Big Data - Maskininlärning för Big Data
- Examinator
- Huanyu Li
- Schemalagd tid
- 42 h
- Huvudområde
- Informationsteknologi, Datateknik, Datavetenskap