Offerta Didattica

 

ENGINEERING AND COMPUTER SCIENCE

BIG DATA

Classe di corso: LM-32, 18 - Classe delle lauree magistrali in Ingegneria informatica
AA: 2022/2023
Sedi: MESSINA
SSDTAFtipologiafrequenzamoduli
INF/01A scelta dello studenteLiberaLiberaNo
CFUCFU LEZCFU LABCFU ESEOREORE LEZORE LABORE ESE
64024824024
Legenda
CFU: n. crediti dell’insegnamento
CFU LEZ: n. cfu di lezione in aula
CFU LAB: n. cfu di laboratorio
CFU ESE: n. cfu di esercitazione
FREQUENZA:Libera/Obbligatoria
MODULI:SI - L'insegnamento prevede la suddivisione in moduli, NO - non sono previsti moduli
ORE: n. ore programmate
ORE LEZ: n. ore programmate di lezione in aula
ORE LAB: n. ore programmate di laboratorio
ORE ESE: n. ore programmate di esercitazione
SSD:sigla del settore scientifico disciplinare dell’insegnamento
TAF:sigla della tipologia di attività formativa
TIPOLOGIA:LEZ - lezioni frontali, ESE - esercitazioni, LAB - laboratorio

Obiettivi Formativi

Conoscenza e capacità di comprensione: Far conoscere come cambia il modo di gestire le informazioni nel panorama dei Big Data. Far conoscere la gestione dei Big Data mediante DBMS NoSQL e NewSQL. Far conoscere le principali architetture parallele e distribuite per l’analisi dei Big Data. Conoscenza e capacità di comprensione applicate: Far progettare data model e implementare DBMS e sistemi distribuiti per l’analisi dei Big Data. Autonomia di giudizio: Far individuare la migliore soluzione DBMS e sistema distribuito per l’analisi dei Big Data in base ad un determinato caso di studio. Abilità comunicative: Far esprimere gli studenti con il linguaggio specifico della disciplina. Capacità di apprendere: Far acquisire un metodo di studio adeguato all'analisi di problemi specifici nell’ambito dei Big Data.

Learning Goals

Knowledge and understanding: Let people know how the way of managing information changes in the Big Data landscape. Introducing the management of Big Data through NoSQL and NewSQL DBMS. Introduce the main parallel and distributed architectures for Big Data analysis. Applying knowledge and understanding: Let students designing data models and implementing DBMS and distributed systems for Big Data analysis. Making judgements: Let students identifying the best DBMS solution and distributed system for Big Data analysis based on a specific case study. Communication skills:  Have students able to express themselves in the specific language of the discipline. Learning skills: Let students acquiring a method of study suitable for the analysis of problems related to the Big Data area.

Metodi didattici

Teaching Methods


Prerequisiti

Conoscenze di sistemi operativi (struttura dei sistemi operativi, gestione dei processi, sincronizzazione dei processi, gestione della memori, il file system, sicurezza e protezione ), database (modello relazionale, algebra relazionale, normalizzazione, DDL e DML, SQL, Triggers) e programmazione (programmazione procedurale e ad oggetti, interazione con database).

Prerequisites

Knowledge of operating systems (structure of operating systems, process management, process synchronization, memory management, file system, security and protection), database (relational model, relational algebra, normalization, DDL and DML, SQL, Triggers) and programming (procedural and object-oriented programming, interaction with databases).

Verifiche dell'apprendimento

Assessment


Programma del Corso

Course Syllabus


Testi di riferimento:

Elenco delle unità didattiche costituenti l'insegnamento

Docente: ANTONIO CELESTI

Orario di Ricevimento - ANTONIO CELESTI

GiornoOra inizioOra fineLuogo
Martedì 17:00 18:00Dipartimente di Ingegneria, blocco B, piano 7.
Note: Si consiglia di contattare il docente tramite e-mail all'indirizzo acelesti@unime.it per conferme e per appuntamenti in altri giorni.
  • Segui Unime su:
  • istagram32x32.jpg
  • facebook
  • youtube
  • twitter
  • UnimeMobile
  • tutti