Bases de données avancée(INF438)
| Nom du Cours | Semestre du Cours | Cours Théoriques | Travaux Dirigés (TD) | Travaux Pratiques (TP) | Crédit du Cours | ECTS | |
|---|---|---|---|---|---|---|---|
| INF438 | Bases de données avancée | 7 | 3 | 0 | 0 | 3 | 4 |
| Cours Pré-Requis | INF324 |
| Conditions d'Admission au Cours | INF324 |
| Langue du Cours | |
| Type de Cours | Électif |
| Niveau du Cours | Licence |
| Enseignant(s) du Cours | N. Sultan TURHAN sturhan@gsu.edu.tr (Email) |
| Assistant(e)s du Cours | |
| Objectif du Cours | Ce cours s'adresse aux étudiants ayant de bonnes bases en programmation, ainsi qu'une bonne connaissance du modèle de données relationnelles, de l'algèbre relationnelle et une large connaissance du SGBD relationnel. L’objectif de ce cours est de situer et de comprendre les outils d’accès aux informations pertinentes et de développer un cadre analytique et des clés pour appréhender les besoins de l’entreprise dans un projet d’entreposage de données. Il fournit une forte compétence sur les unités de stockage de données de systèmes distribués, l'interrogation tous les types de bases de données, transforme différents types de données sur ces bases de données et le intègre dans un seul entrepôt de données, ainsi que la modélisation d'entrepôt de données et enseigne le reporting et le questionnement adaptés à l'intelligence d'affaires à utiliser dans la vie professionnelle. Dans le même temps, il vise à fournir à l'étudiant des compétences sur l'architecture Big Data, l'analyse et le flux de données. |
| Contenus |
1. Introduction, concepts de base, types de données 2. Concepts de base de la Business Intelligence, introduction aux systèmes OLAP 3. Architecture et principes de l'entrepôt de données 4. Modélisation de l'entrepôt de données 5. Applications ETL, concepts de base et outils 6. analyse de données, création de cubes OLAP, interrogation 7 Hiérarchie, KPI et définition de calcul et requêtes MDX 8. introduction à l'ingénierie des données 9. Big Data: concepts de base - Introduction aux systèmes RTAP 10. Écosystème Big Data: algorithmes Hadoop, HDFS, YARN et MapReduce 11.Pipline de données et ingestion de données 12.Lambda Architecture 13. Méthodes de traitement des données 1) Traitement en continu avec Kafka, Flink, Spark 2) Traitement par lots avec HDFS, Hive, Spark 14. Big Data Analytics sur les systèmes cloud |
| Acquis d'Apprentissage du Cours |
Les étudiants qui terminent avec succès ce cours auront des compétences dans les matières suivantes: 1. Peut travailler sur des bases de données système distribuées. 2. Peut concevoir et modéliser l'entrepôt de données. 3. Il peut transformer différents types de données pour se réunir sur un seul entrepôt. 4. Peut créer des cubes OLAP. 5. Rapports ad hoc. 6. Concevoir et mettre en œuvre des systèmes distribués adaptés à l'architecture Big Data. 7. Peut gérer le flux de données en temps réel, créer une ligne de données pour assurer le flux de données. 8. Peut effectuer des analyses de données volumineuses sur des systèmes cloud |
| Méthodes d'Enseignement |
Cours, Question - Réponses et Discussion Contrôles Contenus, Examen Partiel et Final, Projet. TP |
| Ressources |
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. |
Intitulés des Sujets Théoriques
| Semaine | Intitulés des Sujets |
|---|---|
| 1 | Introduction, concepts de base, types de données |
| 2 | Concepts de base de la Business Intelligence, introduction aux systèmes OLAP |
| 3 | Architecture et principes de l'entrepôt de données |
| 4 | Modélisation de l'entrepôt de données |
| 5 | Applications ETL, concepts de base et outils |
| 6 | Analyse de données, création de cubes OLAP, interrogation |
| 7 | Hiérarchie, KPI et définition de calcul et requêtes MDX |
| 8 | Introduction à l'ingénierie des données |
| 9 | Big Data: concepts de base - Introduction aux systèmes RTAP |
| 10 | Écosystème Big Data: algorithmes Hadoop, HDFS, YARN et MapReduce |
| 11 | Pipline de données et ingestion de données |
| 12 | Lambda Architecture |
| 13 | Méthodes de traitement des données 1) Traitement en continu avec Kafka, Flink, Spark 2) Traitement par lots avec HDFS, Hive, Spark |
| 14 | Big Data Analytics sur les systèmes cloud |
Intitulés des Sujets Pratiques
| Semaine | Intitulés des Sujets |
|---|
Contribution à la Note Finale
| Numéro | Frais de Scolarité | |
|---|---|---|
| Contribution du contrôle continu à la note finale | 12 | 65 |
| Contribution de l'examen final à la note finale | 1 | 35 |
| Toplam | 13 | 100 |
Contrôle Continu
| Numéro | Frais de Scolarité | |
|---|---|---|
| Devoir | 10 | 20 |
| Présentation | 0 | 0 |
| Examen partiel (temps de préparation inclu) | 1 | 20 |
| Projet | 1 | 25 |
| Travail de laboratoire | 0 | 0 |
| Autres travaux pratiques | 0 | 0 |
| Quiz | 0 | 0 |
| Devoir/projet de session | 0 | 0 |
| Portefeuille | 0 | 0 |
| Rapport | 0 | 0 |
| Journal d'apprentissage | 0 | 0 |
| Mémoire/projet de fin d'études | 0 | 0 |
| Séminaire | 0 | 0 |
| Autre | 0 | 0 |
| Toplam | 12 | 65 |
| No | Objectifs Pédagogiques du Programme | Contribiton | ||||
|---|---|---|---|---|---|---|
| 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. | |||||
| Activités | Nombre | Durée | Charge totale de Travail |
|---|---|---|---|
| Durée du cours | 14 | 3 | 42 |
| Préparation pour le cours | 14 | 1 | 14 |
| Examen partiel (temps de préparation inclu) | 1 | 10 | 10 |
| Projet | 1 | 14 | 14 |
| Examen final (temps de préparation inclu) | 1 | 12 | 12 |
| Charge totale de Travail | 92 | ||
| Charge totale de Travail / 25 | 3,68 | ||
| Crédits ECTS | 4 | ||