Παρουσίαση/Προβολή

Μαθησιακοί στόχοι

Μετά την ολοκλήρωση του μαθήματος οι φοιτητές/τριες θα είναι σε θέση:

• Να επιλέγουν το κατάλληλο μοντέλο και σύστημα διαχείρισης δεδομένων ανάλογα με τις απαιτήσεις των εφαρμογών τους,
• Να υλοποιούν και να διαχειρίζονται σύγχρονα συστήματα διαχείρισης δεδομένων
• Να αναπτύσσουν μεθόδους ανάλυσης και οπτικοποίησης μεγάλων δεδομένων και να χρησιμοποιούν αντίστοιχα σύγχρονα εργαλεία

Περιεχόμενο μαθήματος

Μοντελοποίηση και αποθήκευση δεδομένων στο υπολογιστικό νέφος

Τεχνολογίες βάσεων δεδομένων για τη διαχείριση ετερογενών δεδομένων (data warehouses, data lakes, polystores)

Μετά-σχεσιακά και NoSQL συστήματα διαχείρισης βάσεων δεδομένων (key-value stores, column family stores, document-based databases, graph databases, in-memory databases)

Τεχνικές κατανεμημένων βάσεων δεδομένων, μοντέλα συνέπειας, ασφάλεια και ιδιωτικότητα δεδομένων

Διαχείριση ροών δεδομένων

Οπτικοποίηση και ανάλυση μεγάλων δεδομένων (spatial-data, multi-dimensional data, social and network data), real-time analytics

Προαπαιτούμενα

Βασικές έννοιες Βάσεων Δεδομένων (μοντέλο οντοτήτων-συσχετίσεων, κανονικοποίηση, σχεσιακό μοντέλο, σχεσιακή άλγεβρα, SQL), βασικές έννοιες προγραμματισμού

Βιβλιογραφία

Guy Harrison. Next Generation Databases: NoSQL and Big Data. Apress Berkeley, 2015. 

C.S.R. Prabhu, Aneesh Sreevallabh Chivukula, Aditya Mogadala, Rohit Ghosh, L.M. Jenila Livingston. Big Data Analytics: Systems, Algorithms, Applications. Springer Singapore, 2019.

Rajkumar Buyya Rodrigo Calheiros Amir Vahid Dastjerdi. Big Data: Principles and Paradigms, 1st Edition, Morgan Kaufmann, 2016.

Andreas Meier, Michael Kaufmann. SQL & NoSQL Databases: Models, Languages, Consistency Options and Architectures for Big Data Management, Springer Vieweg, 2019.

Jure Leskovec, Anand Rajaraman, Jeffrey D. Ullman: Mining of Massive Datasets, 3rd Ed. Cambridge University Press 2019.

Μέθοδοι αξιολόγησης

50% Εργασίες

50% Τελική Γραπτή Εξέταση