Modul
Semester
Dozenten
- Die Anmeldung zum Praktikum erfolgt über Almaweb.
- Bei Fragen und Problemen zur Anmeldung wenden Sie sich bitte immer an das Studienbüro via einschreibung(at)math.uni-leipzig.de
Teilnehmerkreis
Master-Studiengänge Informatik. Die Teilnahme erfolgt in 2-3-er Gruppen, die Teilnehmerzahl ist beschränkt (20 Studenten). Bei zu großer Teilnehmerzahl erfolgt die endgültige Vergabe der Praktikumsplätze während der Einführungsveranstaltung. Zu beachten ist, dass Studenten, die das Big Data Praktikums noch nicht belegt haben, bevorzugt werden.
Termine/Testate
- Einführungsveranstaltung mit Gruppeneinteilung: Mo 23.04, 11:15 Uhr, Raum S314 (Seminargebäude) Folien
- Vorbesprechung: Erstes Treffen für die Konkretisierung des Themas und die ersten Schritte - Terminabsprache individuell mit Betreuer.
Das Praktikum gliedert sich in drei Teile. Nach jeder der drei Teilaufgaben wird ein Testat durchgeführt. Zum erfolgreichen Absolvieren des Praktikums müssen alle drei Testate erfolgreich abgelegt werden. Wird ein Termin nicht eingehalten, verfallen die bereits erbrachten Teilleistungen. Die konkreten Termine für Testat 1+2 sind mit dem Betreuer per E-Mail zu vereinbaren. Alle Gruppenmitglieder müssen zu den Testaten anwesend sein und Fragen zum Thema beantworten können.
- Testat 1: Ende Mai
- Testat 2: Mitte/Ende Juli
- Testat 3: 06.08.2018 ab 13:30 Uhr Raum P502
Übersicht
Das Praktikum beinhaltet den Entwurf und die Realisierung einer Anwendung oder eines Algorithmus, die mithilfe der existierenden Big Data Frameworks wie. z.B. Hadoop, Spark, Flink oder Gradoop erstellt werden sollen. Die resultierende Anwendung soll in einer Clusterumgebung ausführbar sein. Im einzelnen sind folgende Teilaufgaben zu lösen:
- Konzeptioneller Entwurf Es ist ein Entwurfsdokument anzufertigen, welches konzeptionell den Ablauf und die Architektur ihrer Anwendung darstellt. Diesbezüglich sollen Sie beschreiben wie Sie die jeweiligen Frameworks nutzen. Das Dokument soll sich vom Umfang auf 2-4 Seiten beschränken.
- Implementierung Basierend auf ihrem Entwurf soll die Anwendung realisiert werden und in einem von uns zur Verfügung gestellten GitHub-Repository versioniert werden. Das Resultat dieser Phase ist ein dokumentiertes, ausführbares Programm.
- Abschlusspräsentation Am Ende des Praktikums stellt jede Gruppe ihr Projekt vor, wobei sie ihre Anwendung beschreibt sowie die Resultate präsentiert. Die Präsentation soll nicht mehr als 15 Minuten gehen.
Themen
Nr | Thema | Betreuer | Studenten | Framework/Programmiermodell |
---|---|---|---|---|
1 | PPRL: Analyzing different BitSet Implementations for Bloom-Filter-based PPRL | Franke | [redacted] | Java / Apache Flink |
2 | PPRL: Analyzing different lengths of Bloom Filters | Gladbach | [redacted] | Java / Apache Flink |
3 | PPRL: Analyzing XOR-Folding for Bloom Filters | Sehili | Java / Apache Flink | |
4 | OSTMap: Efficient Termindex for Twitter Data and Trend Visualization | Grimmer | Java / Apache Flink / Apache Accumulo / JavaScript | |
5 | OSTMap: Sentiment Analysis for Twitter Data | Kricke | [redacted] | Java / Apache Flink / Apache Accumulo / JavaScript |
6 | Creation and visualization of temporal graphs | Rost | [redacted] | Java / Apache Flink / Gradoop / JavaScript |
7 | Polyglot DB | Zschache | [redacted] | Java, MongoDB, Neo4j |
8 | Bolt-on causal consistency | Zschache | [redacted] | JavaScript, CouchDB, PouchDB |
9 | Deep Walk and Paragraph Vector on Twitter | Christen | [redacted] | DeepLearning4j |
10 | Distributed FastText on TensorFlow | Alkhouri | [redacted] | TensorFlow |
11 | Farberkennung von Produkten | Peukert | [redacted] | TesorFlow |
12 | Analysis of the BitCoin-Blockchain | Peukert | [redacted] | Java / Apache Flink / Gradoop |
13 | Webgraph Analysis | Wilke | [redacted] | Java / Apache Flink / Gradoop / (JavaScript) |
Erwartete Vorkenntnisse
- Kenntnisse der Sprache Java sind hilfreich
- Kenntnisse bzgl. Big Data Framework aus den Vorlesungen Cloud Data Management oder NoSQL
- UNIX-Kenntnisse von Vorteil
- Git-Kenntnisse von Vorteil