Systematisk indsamling, oprensning, lagring og analyse af data, og rapportering og evnen til at reagere og handle på baggrund af dem - har potentialet til at transformere forretningen i mange virksomheder.

Klassiske discipliner som data mining og data warehousing baserer sig på fast definerede dataformater og databaseskemaer, som ikke rækker når datamængderne bliver meget omfattende, heterogene, inkonsistente og med varierende informationer.

Her skal man videre end de relationelle databaser rækker. Big Data lagres typisk distribueret og replikeret på et cluster af maskiner styret af Hadoop, i skyen eller på egne servere. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Forståelse for datasæt i multidimensionale rum
• Forståelse for outliers og klassifikation
• Anvende R/Python til databehandling og analyse
• Anvende R/Python til visualisering
• Anvende dataklassifikation og machine learning
• Forstå data- og kommandostrukturen i et Big Data-miljø og konfigurere det
• Anvende nødvendige administrationsværktøjer i et Unix-miljø
• Anvende Map-Reduce-algoritmen og tilhørende værktøjer

Datasæt i multidimensionale rum, data outliers og data klassifikation; anvendelse af R/Python til data visualisering, analyse, klyngeanalyse, klassifikation og machine learning.
Håndtering af store datamængder og beregninger på dem; skalering, Spark og Map-Reduce anvendelse i et big data miljø. Kurset gives i samarbejde mellem Jacob Nordfalk og John Aa. Sørensen. 05. maj, 2020