Data science

But

S'initier à la science des données qui consiste à résoudre des problèmes en s'appuyant les informations contenues dans les données. Cet enseignement est à la croisée du machine learning, du big data, du noSQL, etc. Il introduit aux notions des bases du métier de data scientist et s'appuie sur des exemples pratiques.

Evaluation

L'évaluation comprend :

• à déterminer

Équipe d'enseignants

Fabien Teytaud

Sébastien Verel

Pour contacter un des intervenants : contacts. Vous pouvez contacter l'équipe pour tout ce qui concerne cet enseignement et votre orientation.

Objectifs

Ils sont mis à jour régulièrement :

1. Connaitre le contexte societal, économique, etc. de "data science"
2. Savoir définir "big data", "data science"
3. Connaitre l'architecture HDFS
4. Savoir expliquer les prinicpes de HDFS
5. Connaitre les points critiques en algorithmique distribuée
6. Connaitre l'algorithme map-reduce
7. Savoir l'architecture de Haddop
8. Savoir dévepper un algorithme map-reduce
9. Connaitre les différences en SQL et noSQL
10. Connaitre les organisations de données noSQL
11. Savoir expliquer les principes noSQL
12. Connaitre les architectures noSQL
13. Connaitre les grands principes techniques mis en oeuvre en noSQL
14. Connaitre finement au moins un BD noSQL

Supports de Cours et de TP

Voici l'ensemble des supports de cours et des énoncés des TP.

Bibliographie

Quelques repères biblio- /webo- graphiques qui vont se complèter au fur et à mesure :

• Cours Programmation Parallèle et Distribué, Bilel Derbel, Université de Lille 1.
• Cours big data, Benjamin Renaut, MBDS univesité de Nice Sophia Antipolis
• Documentation officielle HDFS sur Hadoop/Apache
• Tutorial de Yahoo
• Tutoriel Map-Reduce de Hadoop
• Tutoriel de Jonas Widriksson pour installer Hadoop sur un cluster de raspberry pi

Horaires

9h de CM, 9h de TD, et 10h de TP.


Consulter l'emploi du master : edt