The ongoing data deluge driven by the increasing digitalization of science, society and industry, leads to a significant increase in demand for data storage, processing and analytics within several industrial domains. Sciences and industry are overwhelmed by the need to store large amounts of transactional and machine-generated data resulting from the customer, service and manufacturing processes. Examples of machine- generated data are server logs as well as sensor data that is generated in finer granularities and frequencies. Further, datasets are often enriched with web and open data from social media, blogs or other open data sources. The Internet of Things (IoT) will further blur the boundaries between the physical and the digital world causing an even further increase in the digital footprint of the world. In this course, we will learn about data applications and their requirements. Further, we will discuss the core infrastructure necessary to handle the large data volumes and analytical problems. As part of the exercises students will utilize different frameworks, e.g. MapReduce and Spark to implement different algorithms.
This class will cover the following topics:Die Vorlesung richtet sich an Master- und Bachelor-Studenten der Informatikstudiengänge.
Sehr viele Lehrveranstaltungen finden während der Schließung der LMU online statt. Als Dozenten bitten wir um Nachsicht, falls Dinge nicht immer perfekt laufen und hoffen auf Ihre konstruktive Mitarbeit. In dieser Situation gelten zudem online einige Regeln, die im realen Leben ohnehin klar wären, auf die wir hier aber explizit hinweisen möchten:
Wer eine dieser Regeln verletzt, muss damit rechnen, von der fraglichen Veranstaltung ausgeschlossen zu werden und wir behalten uns weitere Schritte vor. Mit allen anderen freuen wir uns auf das gemeinsame Experiment "Online-Semester".
While LMU is closed, most teaching happens currently online. As teachers, we ask you to be forgiving if things should not work perfectly right away, and we hope for your constructive participation. In this situation, we would also like to explicitly point out some rules, which would be self-evident in real life:
If you violate one of these rules, you can expect to be expelled from the respective course, and we reserve the right for further action. With all others, we are looking forward to the joint experiment of an "online semester".
Die Vorlesung ist zweistündig und besitzt eine Übungen (6 ECTS).
Die Endnote der Veranstaltung wird mit einer schriftlichen Prüfung ermittelt. Für die Zulassung zur Prüfung ist die Übung zu bestehen.
Für den Erfolg der Vorlesung müssen muss mindestens die Note 4 erreicht werden.
Due to COVID-19 related restrictions, the final grade will be determined based on a programming project and an oral exam with focus on that project.
Zeit: 14. - 18. April 2020, 09 am s.t. to 5 pm.
Ort: Zoom (Invite will be send to all participants)
Anmeldung: Die Plätze werden über UniWorX vergeben werden: Uni2Work-Bewerbung.
Wir bitten Sie in der Bewerbung Ihre Vorkenntnisse zu beschreiben und Ihre Teilnahme zu motivieren.
Die Lehrveranstaltung findet online statt. Als Dozenten bitten wir um Nachsicht, falls Dinge nicht immer perfekt laufen und hoffen auf Ihre konstruktive Mitarbeit. In dieser Situation gelten zudem online einige Regeln, die im realen Leben ohnehin klar wären, auf die wir hier aber explizit hinweisen möchten:
Introduction, HPC, Hadoop Distributed Execution Engines: Spark and SQL Data Science, Machine Learning, Deep Learning (Computer Vision) NLP, Scalable ML, ML Benchmarks, MLOps Complete slides (with some annotations) Exercise Solutions Project Work (with updated datasets) Project Work Introduction Video
For questions or inquiries please contact Andre Luckow.