Descriptif
Systems for Big Data
This course covers the design principles and algorithmic foundation of influential software systems for Big Data Analytics. The course begins with the design of large enterprise data warehouses, query processing techniques for Online-Analytic Processing, and data mining over data warehouses. The course then examines fundamental architectural changes to scale data processing and analysis to a shared-nothing compute cluster, including parallel databases, MapReduce, column stores, and the support of batch processing, iterative algorithms, machine learning, and interactive analytics in this new context.
The prerequisite for this course is INF553. The coursework includes a series of written and programming assignments and a final exam.
The course will be taught in English.
Credits ECTS : 4
Diplôme(s) concerné(s)
- Echanges PEI
- M1 PDS - Parallel and Distributed Systems
- M2 Data AI - Data and Artificial Intelligence
- Titre d’Ingénieur diplômé de l’École polytechnique
- M2 PDS - Parallel and Distributed Systems
- M1 Data AI - Data and Artificial Intelligence
- M1 HPDA - High Performance Data Analytics
- Innovation Technologique : ingénierie et entrepreneuriat
- M1 Innovation, Entreprise, et Société - Voie Innovation technologique
- M2 HPDA - High Performance Data Analytics
- M2 - Energy Infrastructures Management
Parcours de rattachement
- M2 Data AI - Data and Artificial Intelligence - Master 2A
- M2 PDS - Parallel and Distributed Systems - Master 2A
- M1 PDS - Parallel and Distributed Systems - Master 1A
- M1 Data AI - Data and Artificial Intelligence - Master 1A
- M1 HPDA - High Performance Data Analytics - Master 1A
- M2 HPDA - High Performance Data Analytics - Master 2A
Pour les étudiants du diplôme Titre d’Ingénieur diplômé de l’École polytechnique
Vous devez avoir validé l'équation suivante : UE INF553
Pré-requis : INF553
Format des notes
Numérique sur 20Littérale/grade réduitPour les étudiants du diplôme Titre d’Ingénieur diplômé de l’École polytechnique
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M1 Innovation, Entreprise, et Société - Voie Innovation technologique
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M2 HPDA - High Performance Data Analytics
Le rattrapage est autorisé (Note de rattrapage conservée)Pour les étudiants du diplôme M1 Data AI - Data and Artificial Intelligence
Vos modalités d'acquisition :
2.5 ECTS si l'élève fait la version "courte" soit 24h du cours .Le rattrapage est autorisé (Note de rattrapage conservée)
- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M2 PDS - Parallel and Distributed Systems
Le rattrapage est autorisé (Note de rattrapage conservée)Pour les étudiants du diplôme M1 HPDA - High Performance Data Analytics
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M2 - Energy Infrastructures Management
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M1 PDS - Parallel and Distributed Systems
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M2 Data AI - Data and Artificial Intelligence
Vos modalités d'acquisition :
2.5 ECTS si l'élève fait la version "courte" soit 24h du cours .
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme Innovation Technologique : ingénierie et entrepreneuriat
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme Echanges PEI
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS