- Domaine : Masters du domaine SCIENCES, TECHNOLOGIES, SANTE
- Diplôme : Master
- Mention : Mathématiques appliquées, statistique
- Parcours : Data science
- Unité d'enseignement : Big Data Analytics
Nombre de crédits de l'UE : 3
Code APOGEE : INF2339M
UE Obligatoire pour ce parcours
UE valable pour le semestre 4 de ce parcours
Type d'enseignement
Nb heures *
Cours Magistraux (CM)
10 h
Travaux Pratiques (TP)
18 h
Total du volume horaire
36 h
* Ces horaires sont donnés à titre indicatif.
Conditions d'accès à l'UE :
M1 Informatique : connaissances sur les systèmes de fichiers distribués, les architectures distribuées, les bases de données, la modélisation de données et les techniques d’analyse de données.
Programme - Contenu de l'UE :
Cette enseignement traite (1) de la genèse et de l’état de l’art du Big Data, (2) du passage à l’échelle et des systèmes de fichiers distribués utilisés dans l’écosystème Hadoop/MapReduce et (3) de l’architecture de référence pour les applications Big Data.
Cet enseignement apporte une compréhension approfondie du paradigme Hadoop/MapReduce, une expérience relative à la construction et l’administration de cluster Hadoop et le réglage de ses performances. Sont étudiés comment intégrer différents services compatibles avec l’écosystème Hadoop et comment développer des applications en utilisant le modèle de programmation MapReduce. Cet enseingement abordera également quelques technologies spécifiques comme Apache Cassandra, HBase etc., ainsi que le chargement, le partitionnement, le interrogation et la gestion de données structurées avec Hadoop.
Compétences acquises :
Méthodologiques :
Connaissances sur les différents types d’analyses de données massives (Big Data Analytics) que les organisations peuvent utiliser. Comment l’analyse de données massives peut aider, par exemple, à faire de la prédiction, à comprendre des pratiques, à opérer des analyse à grande échelle, etc.
Techniques :
Définir le concept de Big Data (Volume, Variété, Vélocité, etc.)
Comprendre et illustrer la problématique de passage à l’échelle
Comprendre le concept de valorisation de la donnée
Comprendre les approches d’intégration de données massives
Comprendre la problématique de traitement de données massives à des fins d’analyse
Distribuer (partitionner) des données sur plusieurs nœuds de calcul
Comprendre et appliquer le paradigme Map/Reduce
Configurer des systèmes Map/Reduce et déployer des applications
Découvrir la palette d’outils d’analyse de données massives
Identifier les risques et opportunités du Big Data pour les individus (vie privée, protection des données personnelles…)
Conduire un projet Big Data en entreprise (étapes projets, bonnes pratiques, schémas organisationnels et gouvernance des données)
Situer les notions connexes sur la visualisation de données, les objets connectés, l’Open Data etc. vis-à-vis de l’analyse de données massives
Modalités de contrôle des connaissances et Compétences 2020-2021:
| Type | | Libellé | Nature | Coef. | |
|---|
| CT | Contrôle Terminal | CT : TIW6-BDA | Ecrit session 1 / Ecrit session 2 | 1.5 |
| CC | Contrôle Continu | CC : TIW6-BDA | Contrôle Continu | 1.5 |
Liste des autres Parcours / Spécialité / Filière / Option utilisant cette UE :
Date de la dernière mise-à-jour : 13/04/2018
SELECT * FROM parcours INNER JOIN ue_parcours ON PAR_ID_FK=PAR_ID INNER JOIN mention ON MEN_ID = PAR_MENTION_FK WHERE PAR_ACTIVATE = 0 AND UE_ID_FK='16808' ORDER BY UE_ID_FK ASC, PAR_ID_FK ASC
