BDSPRO Big Data Systems ProjectModulbeschreibung #40494 / Version 12
- 9 LP
- Portfolioprüfung
- Benotet
- Winter- und Sommersemester
- Englisch
| Modul / Version | #40494 / #12 |
|---|---|
| Gültigkeit | Seit WiSe 2026/27 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 9 |
| Modulverantwortliche*r | Markl, Volker |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34351500 FG Datenbanksysteme und Informationsmanagement (DIMA) |
Kontakt
| Sekretariat | FR 7-1 |
|---|---|
| Ansprechpartner*in | Soto, Juan |
| E-Mail-Adresse | sekr@dima.tu-berlin.de |
| Webseite | https://www.tu.berlin/dima |
Lernergebnisse
In diesem Modul lernen die Studierenden, eine aktuelle Fragestellung aus dem Bereich des Big Data Management systematisch zu analysieren sowie eine problemorientierte Lösung im Team zu entwickeln und umzusetzen. Die Studierenden lernen, als Teammitglieder zu kooperieren, zur Projektorganisation, Qualitätssicherung und Dokumentation beizutragen und die Qualität ihrer Lösung durch Analyse, systematische Experimente und Testfälle zu bewerten. Mit Abschluss des Moduls sind die Studierenden in der Lage, die Architektur großer Datensysteme zu verstehen und Probleme zu lösen, die sich hinter dem End-to-End-Design, der Implementierung und dem Testen großer Datenverwaltungssysteme verbergen. Sie werden in der Lage sein, im Team Lösungen zu entwerfen und zu implementieren, um die Leistung und den Funktionsumfang von großen Datensystemen zu verbessern.
Lehrinhalte
Sowohl Wissenschaft als auch Industrie befinden sich derzeit in einem tiefgreifenden Wandel: Große, vielfältige Datensätze - erstellt von Sensoren des Internet-of-Things, dem Internet selbst oder über Crowd Sourcing - bieten eine riesige Chance für datengestützte Entscheidungsfindung. Diese Daten bergen neue Herausforderungen: in Bezug auf ihr noch nie dagewesenes Volumen, die Geschwindigkeit, mit der sie erzeugt werden, und die Vielfalt der Datenquellen, die integriert werden müssen.
Der Bereich der Big-Data-Systeme befasst sich mit den technologischen Mitteln zur Verarbeitung großer Datenmengen mit dem Ziel des Erkenntnisgewinns aus den Daten. Es wurde eine ganze Reihe neuer Systeme und Paradigmen entwickelt, um diese Herausforderungen zu bewältigen. Allerdings erfüllen die derzeitigen Systeme noch immer nicht alle Anforderungen der Nutzer. Daher muss an den Systemen weiter geforscht werden, um in jedem Szenario eine robuste Abfrageleistung zu erzielen.
In diesem Modul führen die Studierenden Projekte durch, welche sich mit Themen befassen, die mit aktuellen Trends im Datenmanagement zusammenhängen, wie z. B. modern Hardware, zustandsorientiertes Data Streams Management, Sensordatenmanagement, Compilertechnologie, Abfrageoptimierung und maschinelles Lernen für Datenbanken. Der Umfang des Projekts wird an die tatsächliche Gruppengröße angepasst, um die Gesamtarbeitsbelastung des Kurses widerzuspiegeln (d.h. 270h Arbeit pro Person).
Währenddessen lernen die Studierenden die Algorithmen, das Systemdesign und die tatsächliche Implementierung der so genannten Distributed Processing Platforms (z.B. Flink, NebulaStream, Spark) kennern. Dabei handelt es sich um Systeme, die parallele Berechnungen auf Terabytes von Daten auf Clustern sowie verteilten Internet-of-Things-Topologien von bis zu mehreren tausend Maschinen durchführen.
Zu Beginn des Projekts erhält jede*r Student*in ein Thema sowie einige Informationsmaterialien. Das Team entscheidet sich mit Unterstützung der*der Dozierenden für eine Projektumgebung und wählt geeignete Werkzeugen für Teamarbeit, Projektkommunikation, Entwicklung und Testing. Als Nächstes wird das Problem analysiert, modelliert und in einzelne Komponenten zerlegt, aus denen Aufgaben abgeleitet werden, die anschließend an kleinere Teams oder Einzelpersonen vergeben werden. In wöchentlichen Projektbesprechungen stellt das Projektteam die Fortschritte und erreichten Meilensteine vor. In Absprache mit dem Dozierenden wird entschieden, welche Schritte als nächstes unternehmen sind. Das Projekt wird mit einer Abschlusspräsentation abgeschlossen, die eine Demonstration des Prototypen beinhaltet.
Der Bereich der Big-Data-Systeme befasst sich mit den technologischen Mitteln zur Verarbeitung großer Datenmengen mit dem Ziel des Erkenntnisgewinns aus den Daten. Es wurde eine ganze Reihe neuer Systeme und Paradigmen entwickelt, um diese Herausforderungen zu bewältigen. Allerdings erfüllen die derzeitigen Systeme noch immer nicht alle Anforderungen der Nutzer. Daher muss an den Systemen weiter geforscht werden, um in jedem Szenario eine robuste Abfrageleistung zu erzielen.
In diesem Modul führen die Studierenden Projekte durch, welche sich mit Themen befassen, die mit aktuellen Trends im Datenmanagement zusammenhängen, wie z. B. modern Hardware, zustandsorientiertes Data Streams Management, Sensordatenmanagement, Compilertechnologie, Abfrageoptimierung und maschinelles Lernen für Datenbanken. Der Umfang des Projekts wird an die tatsächliche Gruppengröße angepasst, um die Gesamtarbeitsbelastung des Kurses widerzuspiegeln (d.h. 270h Arbeit pro Person).
Währenddessen lernen die Studierenden die Algorithmen, das Systemdesign und die tatsächliche Implementierung der so genannten Distributed Processing Platforms (z.B. Flink, NebulaStream, Spark) kennern. Dabei handelt es sich um Systeme, die parallele Berechnungen auf Terabytes von Daten auf Clustern sowie verteilten Internet-of-Things-Topologien von bis zu mehreren tausend Maschinen durchführen.
Zu Beginn des Projekts erhält jede*r Student*in ein Thema sowie einige Informationsmaterialien. Das Team entscheidet sich mit Unterstützung der*der Dozierenden für eine Projektumgebung und wählt geeignete Werkzeugen für Teamarbeit, Projektkommunikation, Entwicklung und Testing. Als Nächstes wird das Problem analysiert, modelliert und in einzelne Komponenten zerlegt, aus denen Aufgaben abgeleitet werden, die anschließend an kleinere Teams oder Einzelpersonen vergeben werden. In wöchentlichen Projektbesprechungen stellt das Projektteam die Fortschritte und erreichten Meilensteine vor. In Absprache mit dem Dozierenden wird entschieden, welche Schritte als nächstes unternehmen sind. Das Projekt wird mit einer Abschlusspräsentation abgeschlossen, die eine Demonstration des Prototypen beinhaltet.
Modulbestandteile
Compulsory area
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| BDAPRO - Big Data Analytics Project | Projekt | 0434 L 484 | Winter- und Sommersemester | – | 6 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (1)
BDAPRO - Big Data Analytics Project (Projekt) 1
- Big Data Systems Project (BDSPRO) (Projekt) Termingruppe 1 0434 L 484
Arbeitsaufwand und Leistungspunkte
BDAPRO - Big Data Analytics Project (Projekt)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Dokumentation, Präsentation | 1 | 40 h | 40 h |
| Implementierung, Tests, Experimente | 1 | 130 h | 130 h |
| Teilnahme an Teammeetings | 20 | 3 h | 60 h |
| Vorbereitung und Designphase | 1 | 40 h | 40 h |
| 270 h | |||
Der Aufwand des Moduls summiert sich zu 270 Stunden. Damit umfasst das Modul 9 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Angeleitete und selbstständige Projektarbeit.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Erwünschte vorausgesetzte Kenntnisse und Fähigkeiten beinhalten:
(a) Allgemeine Informatik (z. B. Algorithmen, Datenstrukturen, Systemarchitektur, verteilte Systeme), erworben durch einen Bachelor-Abschluss (z. B. B.Sc. Informatik),
(b) Mathematik (z. B. lineare Algebra, Statistik),
(c) spezifische Teilgebiete der Informatik (z.B. Datenbanktechnologie / DBT, Datenmanagement auf moderner Hardware / DMH, Maschinelles Lernen / ML1 oder MI1, Compiler),
(d) solide Programmierkenntnisse in mindestens einer der folgenden Programmiersprachen: Java, C++, Scala oder Python,
(e) funktionale Programmierung,
(f) Grundlagen in verteilten Quellcodeverwaltungssystemen (z.B. Git) und agilen Softwareentwicklungsprozessen,
(g) DBT oder ein gleichwertiger Kurs über die Architektur von Datenbanken vor der Einschreibung in BDSPRO (andernfalls sollen Sie gleichzeitig in DBT und BDSPRO im selben Semester eingeschrieben sein).
(a) Allgemeine Informatik (z. B. Algorithmen, Datenstrukturen, Systemarchitektur, verteilte Systeme), erworben durch einen Bachelor-Abschluss (z. B. B.Sc. Informatik),
(b) Mathematik (z. B. lineare Algebra, Statistik),
(c) spezifische Teilgebiete der Informatik (z.B. Datenbanktechnologie / DBT, Datenmanagement auf moderner Hardware / DMH, Maschinelles Lernen / ML1 oder MI1, Compiler),
(d) solide Programmierkenntnisse in mindestens einer der folgenden Programmiersprachen: Java, C++, Scala oder Python,
(e) funktionale Programmierung,
(f) Grundlagen in verteilten Quellcodeverwaltungssystemen (z.B. Git) und agilen Softwareentwicklungsprozessen,
(g) DBT oder ein gleichwertiger Kurs über die Architektur von Datenbanken vor der Einschreibung in BDSPRO (andernfalls sollen Sie gleichzeitig in DBT und BDSPRO im selben Semester eingeschrieben sein).
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| (Lernprozessevaluierung) Design und Ausführung der Experimente | 20 | praktisch | ca. 30 Stunden |
| (Ergebnisprüfung) Analyse der Experimente | 20 | praktisch | ca. 30 Stunden |
| (Ergebnispürüfung) Zwischenpräsentation | 10 | mündlich | ca. 10-15 Minuten |
| (Ergebnisprüfung) Abschlusspräsentation | 20 | mündlich | ca. 20 Minuten |
| (Lernprozessevaluierung) Getesteter und Dokumentierter Prototyp | 30 | praktisch | ca. 60 Stunden |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Winter- und Sommersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 12.
Anmeldeformalitäten
Zum Besuch der Lehrveranstaltung ist eine Zulassung erforderlich. Bitte informieren Sie sich vor Beginn der Vorlesungszeit auf https://www.tu.berlin/dima/studium-lehre/kursangebote , um nähere Informationen zum Anmeldeprozess zu erhalten.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
- Project specific literature will be announced in the first lecture.
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering |
| Computer Science (Informatik) StuPO 2015 | WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet › Data and Software Engineering / Data and Software Engineering |
| Elektrotechnik StuPO 2015 | WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | WiSe 2026/27 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering |
| Medieninformatik StuPO 2017 | WiSe 2026/27 | Wahlpflichtbereich › Technische Profilbereiche (A) › Data Science |
| Medientechnik StuPO 2022 | WiSe 2026/27 | Wahlpflichtbereich › Profilbereich › Data Science |
| Wirtschaftsingenieurwesen StuPO 2015 | WiSe 2026/27 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Data and Software Engineering |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Data and Software Engineering |
This course is oriented towards Master's students pursuing degrees in Computer Science, Information Systems Management, Computer Engineering, or Industrial Engineering & Management.
In particular, with an interest in database systems and information management.
In particular, with an interest in database systems and information management.
Sonstiges
Keine Angabe