Überblick
- Einführungsveranstaltung mit Themenvergabe am 21.10.2016 um 13:30 Uhr im Big Data Kompetenzzentrum ScaDS, Ritterstraße 9-13 2.OG (Standort/Lagebschreibung).
- Um an dem Seminar teilzunehmen, müssen Sie sich in AlmaWeb für die entsprechende Veranstaltung eintragen und bei der Einführungsveranstaltung anwesend sein.
- Teilnehmerkreis: Informatiker (Masterstudium, Bachelor ab 5. Semester)
- Anrechenbar als Seminar-Modul (“Forschungsseminar Datenbanken”), im Rahmen von Modulen der Abteilung im Bachelor-/Masterstudium, als Bachelor-/Master-Seminar
- Erwartete Vorkenntnisse: DBS1, Algorithmen und Datenstrukturen
- Folien zur Einführungsveranstaltung am 21.10.2016 (Prof. Rahm)
- Bei Fragen und Problemen zur An- und Abmeldung (AlmaWeb) wenden Sie sich bitte an das Studienbüro via einschreibung [at] math.uni-leipzig.de (einschreibung(at)math.uni-leipzig.de)
Leistungsbewertung
Ein erfolgreiches Seminar setzt die Teilnahme an allen Seminarterminen voraus, die selbständige Erarbeitung eines Themas sowie einen Vortrag und eine schriftliche Ausarbeitung (15-20 Seiten) über das Thema. Die Benotung setzt sich aus der Note zu Vortrag und Diskussion sowie der Note für die Ausarbeitung zusammen. Einige Hinweise zum Verfassen der schriftlichen Ausarbeitung finden Sie hier.
Themen und Betreuer
| Nr | Thema | Betreuer | #Studenten | Student | Quellen | Termin Vortrag |
|---|---|---|---|---|---|---|
| Introduction | ||||||
| Introduction to big data streaming (terminologies, algorithmic issues) | Nentwig | 1 | [redacted] | [1],[2] | 06.01. | |
| Querying in Data Stream Management Systems | Lin | 1 | [redacted] | [1],[2] | 06.01. | |
| The 8 Requirements of Real-Time Stream Processing | Kricke | 1 | [redacted] | [1] | 06.01. | |
| Systems | ||||||
| S-Store: Streaming Meets Transaction Processing | Groß | 1 | [redacted] | [1],[2] | 13.01. | |
| MillWheel: Fault-Tolerant Stream Processing at Internet Scale | Nentwig | 1 | [1] | |||
| Kineograph: taking the pulse of a fast-changing and connected world | Grimmer | 1 | [redacted] | [1] | 13.01. | |
| Twitter Heron: Stream Processing at Scale | Peukert | 1 | [redacted] | [1] | 13.01. | |
| An Introduction to Apache Beam | Kricke | 1 | [redacted] | [1] [2] [3] | 13.01. | |
| Data Stream Mining and Processing | ||||||
| A single pass algorithm for clustering evolving data streams based on swarm intelligence | Christen | 1 | [redacted] | [1],[2] | 20.01. | |
| Streaming Similarity Search over one Billion Tweets using Parallel Locality-Sensitive Hashing | Groß | 1 | [redacted] | [1] | 20.01. | |
| Efficient and flexible algorithms for monitoring distance-based outliers over data streams | Sehili | 1 | [redacted] | [1] | 20.01. | |
| Predicting taxi–passenger demand using streaming data | Christen | 1 | [1] | |||
| Streaming Similarity Self-Join | Sehili | 1 | [redacted] | [1] | 20.01. | |
| Elastic Scaling for Data Stream Processing | Peukert | 1 | [1] | |||
| Graph Algorithms on Streams/Dynamic Graphs | ||||||
| LEOPARD: Lightweight Edge-Oriented Partitioning and Replication for Dynamic Graphs | Junghanns | 1 | [redacted] | [1] | 27.01. | |
| Event pattern matching over graph streams | Junghanns | 1 | [redacted] | [1] | 27.01. | |
| Frequent Subgraph Mining from Streams of Linked Graph Structured Data | Petermann | 1 | [redacted] | [1] | 27.01. | |
| Frequent Subgraph Mining from Streams of Uncertain Data | Petermann | 1 | [1] | 27.01. | ||
| Time-evolving graph processing at scale + use case mobile network | Nentwig | 1 | [1][2] | |||
| Identifying Anomalies in Graph Streams Using Change Detection | Grimmer | 1 | [1] |