Advanced Databases(INF438)
| Course Code | Course Name | Semester | Theory | Practice | Lab | Credit | ECTS |
|---|---|---|---|---|---|---|---|
| INF438 | Advanced Databases | 7 | 3 | 0 | 0 | 3 | 4 |
| Prerequisites | INF324 |
| Admission Requirements | INF324 |
| Language of Instruction | |
| Course Type | Elective |
| Course Level | Bachelor Degree |
| Course Instructor(s) | N. Sultan TURHAN sturhan@gsu.edu.tr (Email) |
| Assistant | |
| Objective |
This course is designed for students with good basis in programming, as well as good knowledge of relational data model, relational algebra and a broad knowledge of the relational DBMS. The objective of this course is to situate and understand the tools of access to relevant information and develop an analytical framework and keys to comprehend the company’s needs in a project of Data Warehousing It provides a strong competency on distributed system data storage units, query all types of databases, transform different types of data on these databases and integrate them on a single data warehouse, as well as model data warehouse and teaches reporting and questioning suitable for business intelligence to be used in business life. At the same time, it aims to provide the student with competence on Big Data architecture, analytics and data flow. |
| Content |
1. Introduction, basic concepts, Data types 2. Basic concepts of business intelligence, introduction to OLAP systems 3. Data warehouse architecture and principles 4. Data warehouse modeling 5. ETL applications, basic concepts and tools 6.Data analysis, creating OLAP cubes, querying 7 Hierarchy, KPI and Calculation definition and MDX queries 8.Introduction to Data Engineering 9. Big Data: Basic Concepts - Introduction to RTAP systems 10. Big data ecosystem: Hadoop, HDFS, YARN and MapReduce algorithms 11.Data piplinea and Data Ingestion 12.Lambda Architecture 13. Data Processing Methods 1) Streaming processing with Kafka, Flink, Spark 2) Batch processing with HDFS, Hive, Spark 14. Big Data Analytics on cloud systems |
| Course Learning Outcomes |
Students who successfully complete this course will have proficiency in the following subjects: 1. Can work on distributed system databases. 2. Can design and model data warehouse. 3. It can transform different types of data to come together on a single warehouse. 4. Can create OLAP cubes. 5. Ad-hoc reports. 6. Design and implement distributed systems suitable for Big Data Architecture. 7. Can manage real-time data flow, create a data line to ensure data flow. 8. Can do big data analytics on cloud systems. |
| Teaching and Learning Methods | Lectures, Questions - Answers, Discussion |
| References |
1. G. Gardarin, "Internet intranet et bases de données, dataweb, datamedia, datawarehouse, datamining", Eyrolles, 1999 2. M. Jarke et al., "Fundamentals of Data Warehouses", Springer, 1999 3. M. Franco, "Le Data Warehouse, le Data Mining", Eyrolles, 1997 4. S. Chaudhuri, U. Dayal, "An overview of data warehousing and OLAP technology", Sigmod Record 26(1), 1997. 5.Krishnan, K. (2013). Data warehousing in the age of big data. Newnes. Talabis, M., McPherson, R., Miyamoto, I., & Martin, J. (2014). Information Security Analytics: Finding Security Insights, Patterns, and Anomalies in Big Data. Syngress. 6.Zikopoulos, P., & Eaton, C. (2011). Understanding big data: Analytics for enterprise class hadoop and streaming data. McGraw-Hill Osborne Media. |
Theory Topics
| Week | Weekly Contents |
|---|---|
| 1 | Introduction, basic concepts, Data types |
| 2 | Basic concepts of business intelligence, introduction to OLAP systems |
| 3 | Data warehouse architecture and principles |
| 4 | Data warehouse modeling |
| 5 | ETL applications, basic concepts and tools |
| 6 | Data analysis, creating OLAP cubes, querying |
| 7 | Hierarchy, KPI and Calculation definition and MDX queries |
| 8 | Introduction to Data Engineering |
| 9 | Big Data: Basic Concepts - Introduction to RTAP systems |
| 10 | Big data ecosystem: Hadoop, HDFS, YARN and MapReduce algorithms |
| 11 | Data pipline and Data Ingestion |
| 12 | Lambda Architecture |
| 13 | Data Processing Methods 1) Streaming processing with Kafka, Flink, Spark 2) Batch processing with HDFS, Hive, Spark |
| 14 | Big Data Analytics on cloud systems |
Practice Topics
| Week | Weekly Contents |
|---|
Contribution to Overall Grade
| Number | Contribution | |
|---|---|---|
| Contribution of in-term studies to overall grade | 12 | 65 |
| Contribution of final exam to overall grade | 1 | 35 |
| Toplam | 13 | 100 |
In-Term Studies
| Number | Contribution | |
|---|---|---|
| Assignments | 5 | 15 |
| Presentation | 0 | 0 |
| Midterm Examinations (including preparation) | 1 | 25 |
| Project | 1 | 25 |
| Laboratory | 0 | 0 |
| Other Applications | 0 | 0 |
| Quiz | 0 | 0 |
| Term Paper/ Project | 0 | 0 |
| Portfolio Study | 0 | 0 |
| Reports | 0 | 0 |
| Learning Diary | 0 | 0 |
| Thesis/ Project | 0 | 0 |
| Seminar | 0 | 0 |
| Other | 0 | 0 |
| Toplam | 7 | 65 |
| No | Program Learning Outcomes | Contribution | ||||
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 1 | Matematik, fizik ve mühendislik bilimlerine özgü konularda yeterli bilgi birikimi; bu alanlardaki kuramsal ve uygulamalı bilgileri, mühendislik problemlerinin modellenmesi ve çözümünde kullanabilme becerisi. | |||||
| 2 | Karmaşık bilgisayar mühendisliği problemlerini saptama, tanımlama, formüle etme ve çözme becerisi; bu amaçla uygun analiz ve modelleme yöntemlerini seçme ve uygulama becerisi. | |||||
| 3 | Yazılımsal veya donanımsal karmaşık bir sistemi, süreci veya donanımı gerçekçi kısıtlar ve koşullar altında, belirli gereksinimleri karşılayacak şekilde tasarlama becerisi; bu amaçla modern tasarım yöntemlerini uygulama becerisi. | X | ||||
| 4 | Mühendislik uygulamalarında karşılaşılan karmaşık problemlerin analizi ve çözümü için gerekli olan modern teknik ve araçları geliştirme, seçme ve kullanma becerisi; bilişim teknolojilerini etkin bir şekilde kullanma becerisi. | X | ||||
| 5 | Analitik düşünce ile bir sistemi, sistem bileşenini ya da süreci analiz etme, modelleme, deney tasarlama ve yapma, veri toplama, çözüm algoritmaları üretebilme, uygulamaya alma ve geliştirme becerileri. | X | ||||
| 6 | Disiplin içi ve çok disiplinli takımlarda etkin biçimde çalışabilme becerisi; bireysel çalışma becerisi. | X | ||||
| 7 | Türkçe sözlü ve yazılı etkin iletişim kurma becerisi; en az iki yabancı dil bilgisi; etkin rapor yazma ve yazılı raporları anlama, yazılım ve donanım tasarımını, gerekirse teknik resim metotları kullanarak raporlayabilme, etkin sunum yapabilme becerisi. | X | ||||
| 8 | Bilgiye erişebilme ve bu amaçla kaynak araştırması yapabilme, veri tabanları ve diğer bilgi kaynaklarını kullanabilme becerisi | X | ||||
| 9 | Yaşam boyu öğrenmenin gerekliliği bilinci; kendini sürekli yenileme becerisi. | X | ||||
| 10 | Mesleki etik ilkelerine uygun davranma, mesleki sorumluluk bilinci; mühendislik uygulamalarında kullanılan standartlar hakkında bilgi. | X | ||||
| 11 | Proje yönetimi, risk yönetimi ve değişiklik yönetimi gibi, iş hayatındaki uygulamalar hakkında bilgi; girişimcilik, yenilikçilik hakkında farkındalık; sürdürülebilir kalkınma hakkında bilgi. | |||||
| 12 | Mühendislik uygulamalarının evrensel ve toplumsal boyutlarda sağlık, çevre ve güvenlik üzerindeki etkileri ve çağın mühendislik alanına yansıyan sorunları hakkında bilgi. | X | ||||
| 13 | Bilgisayar mühendisliği uygulamalarının hukuki ve etik boyutları konusunda farkındalık. | |||||
| Activities | Number | Period | Total Workload |
|---|---|---|---|
| Class Hours | 14 | 3 | 42 |
| Working Hours out of Class | 14 | 1 | 14 |
| Midterm Examinations (including preparation) | 1 | 10 | 10 |
| Project | 1 | 14 | 14 |
| Final Examinations (including preparation) | 1 | 12 | 12 |
| Total Workload | 92 | ||
| Total Workload / 25 | 3.68 | ||
| Credits ECTS | 4 | ||