Detail předmětu

Parallel Data Processing

FEKT-MPA-PZPAk. rok: 2021/2022

Paralelizace na CPU. Paralelizace na GPU (maticové operace, algoritmy hlubokého učení). Technologie Apache Spark, Hadoop, Kafka, Cassandra. Distribuované výpočty pro operace: transformace dat, agregace, klasifikace, regrese, shlukování dat, četné vzory, optimalizace. Streamování dat – základní operace, stavové operace, monitorování. Další technologie pro distribuované výpočty.

Jazyk výuky

angličtina

Počet kreditů

Garant předmětu

doc. Ing. Radim Burget, Ph.D.

Zajišťuje ústav

Ústav telekomunikací (UTKO)

Výsledky učení předmětu

Absolventi jsou schopni návrhu a implementace různých forem paralelních systémů pro řešení problémů při zpracování velkých objemů dat. Naučí se techniky pro paralelizaci programů na CPU a GPU a dále techniky pro distribuované výpočty. Zde budou absolventi ovládat technologie Apache Spark, Kafka, Cassaandra a naučí se provádět distribuované zpracování dat s využitím datových operací: transformace, agregace, klasifikace, regrese, shlukování dat, četné vzory.

Plánované vzdělávací činnosti a výukové metody

Metody vyučování zahrnují přednášky, cvičení na počítači a laboratoře. Předmět využívá e-learning (Moodle). Student odevzdává jeden samostatný projekt.

Způsob a kritéria hodnocení

závěrečná zkouška

Osnovy výuky

1. Úvod
2. CPU - paralelní výpočty
3. GPU - úvod
4. GPU - paměť
5. GPU - synchronizace
6. GPU - paralelní vzory
7. GPU - maticové operace a streamování
8. Spark - úvod
9. Spark - pokročilé operace
10. Spark - strojové učení
11. Spark - streamování
12. Ostatní paralelní technologie
13. Celkový přehled a diskuze
14. Semestrální zkouška

Učební cíle

Cílem kurzu je seznámit studenty s možnostmi paralelizace při zpracování dat s využitím klasických procesorů, grafických procesorů a distribuovaných systémů.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Vymezení kontrolované výuky a způsob jejího provádění stanoví každoročně aktualizovaná vyhláška garanta předmětu.

Základní literatura

Dasgupta, Nataraj. "Practical big data analytics: Hands-on techniques to implement enterprise analytics and machine learning using Hadoop, Spark, NoSQL and R." (2018) (EN)

Doporučená literatura

BARLAS, Gerassimos. Multicore and gpu programming: an integrated approach. ISBN 9780124171374 (EN)

Elearning

eLearning: aktuální otevřený kurz

Zařazení předmětu ve studijních plánech

Program MPA-CAN magisterský navazující 2 ročník, zimní semestr, povinný
Program MPAD-CAN magisterský navazující 2 ročník, zimní semestr, povinný
Program MPC-TIT magisterský navazující 0 ročník, zimní semestr, povinně volitelný
Program MPA-EAK magisterský navazující 0 ročník, zimní semestr, povinně volitelný
Program MPC-IBE magisterský navazující 0 ročník, zimní semestr, povinně volitelný