Нереляційні бази даних
Спеціальність: Системний аналіз
Код дисципліни: 6.124.03.E.070
Кількість кредитів: 4.00
Кафедра: Інформаційні системи та мережі
Лектор: д.т.н., професор Берко Андрій Юліанович
Семестр: 6 семестр
Форма навчання: денна
Завдання: Здатність бути лідером розроблення та виконання проекту з розроблення засобів і технологій аналітики даних, хмарних технологій, розподілених систем та паралельних обчислень.
Результати навчання: • володіння знаннями і розумінням наукових засад створення нереляційних баз даних;
• здатність формувати теоретичні та практичні рішення із створення та наповнення нереляційних баз даних різних моделей;
• здатність використовувати знання та навички при написанні сценаріїв опрацювання баз даних нереляційного типу;
• практичне застосовування знань при опрацюванні нереляційних баз даних із використанням реплікації, розподілу, моделювання даних, очищення даних.
ПР 3.2. Здатність проектувати концептуальні, логічні та фізичні моделі нереляційних баз даних, розробляти та оптимізувати запити до них.
Необхідні обов'язкові попередні та супутні навчальні дисципліни: • Технології розподілених систем та паралельних обчислень
• Інтелектуальний аналіз даних
• Методи та засоби інженерії даних та знань
• Методи опрацювання Великих даних
Короткий зміст навчальної програми: В межах навчального курсу студенти вивчають основні поняття, принципи та вирішення необхідні для розуміння суті та предмету нереляційних систем управління баз даних та знань, вивчення основних закономірностей, методів, засобів і технологій створення, опрацювання та застосування нереляційних баз даних.
Опис: 1. Концепція NoSQL баз даних.
2. Персистентність, паралельність, інтеграція, агрегування, розподіл даних.
3. Теорема CAP. BASE-транзакції.
4. Моделі даних NoSQL.
5. Key-value модель (Berkeley DB, MemcacheDB, Redis, Riak, Amazon DynamoDB, Voldemort, LevelDB).
6. Big table (Column family) модель (Cassandra, HBase, HypertaЫe, Amazon SimpleDB ).
7. Документна модель (CouchDB Document, MongoDB, OrientDB, RavenDB, Terrastore).
8. Графова модель (HyperGraphDB, Infinire Graph, Neo4J, OrienrDB, Flock DB). Бази даних XML, Xpath, XQuery.
9. Мова запитів UnQL.
Методи та критерії оцінювання: Діагностика знань відбувається шляхом оцінювання виконаних лабораторних робіт та екзаменаційного контролю (письмової та усної компоненти) у формі тестових запитань.
Критерії оцінювання результатів навчання: • Поточний контроль (40%): письмові звіти з лабораторних робіт, реферат, усне опитування
• Підсумковий контроль (60%, екзамен): письмово-усна форма.
Порядок та критерії виставляння балів та оцінок: 100–88 балів – («відмінно») виставляється за високий рівень знань (допускаються деякі неточності) навчального матеріалу компонента, що міститься в основних і додаткових рекомендованих літературних джерелах, вміння аналізувати явища, які вивчаються, у їхньому взаємозв’язку і роз витку, чітко, лаконічно, логічно, послідовно відповідати на поставлені запитання, вміння застосовувати теоретичні положення під час розв’язання практичних задач; 87–71 бал – («добре») виставляється за загалом правильне розуміння навчального матеріалу компонента, включаючи розрахунки , аргументовані відповіді на поставлені запитання, які, однак, містять певні (неістотні) недоліки, за вміння застосовувати теоретичні положення під час розв’язання практичних задач; 70 – 50 балів – («задовільно») виставляється за слабкі знання навчального матеріалу компонента, неточні або мало аргументовані відповіді, з порушенням послідовності викладення, за слабке застосування теоретичних положень під час розв’язання практичних задач; 49–26 балів – («не атестований» з можливістю повторного складання семестрового контролю) виставляється за незнання значної частини навчального матеріалу компонента, істотні помилки у відповідях на запитання, невміння застосувати теоретичні положення під час розв’язання практичних задач; 25–00 балів – («незадовільно» з обов’язковим повторним вивченням) виставляється за незнання значної частини навчального матеріалу компонента, істотні помилки у відповідях на запитання, невміння орієнтуватися під час розв’язання практичних задач, незнання основних фундаментальних положень.
Рекомендована література: 1. White, Tom // Hadoop: The Definitive Guide // O'Reilly Media, 2009.
3. Finley, Klint // Steve Ballmer on Microsoft's Big Data Future and More in This Week's Business Intelligence Roundup // ReadWriteWeb, 2011.
4. Fay Chang, Jeffrey Dean, Sanjay Ghemawat & etc. // Bigtable: A Distributed Storage System for Structured Data // Google Lab, 2006.
15. Dan McCreary, Ann Kelly. Making Sense of NoSQL: A guide for managers and the rest of us. — Manning Publications, 2013. — 312 p. — ISBN 978-1-61729-107-4.
16. Gaurav Vaish. Getting Started with NoSQL. — Packt Publishing, 2013. — 142 p. — ISBN 978-1-84969-498-8.
17. Shashank Tiwari. Professional NoSQL. — Packt Publishing, 2011. — 384 p. — ISBN 978-0-470-94224-6
Уніфікований додаток: Національний університет «Львівська політехніка» забезпечує реалізацію права осіб з інвалідністю на здобуття вищої освіти. Інклюзивні освітні послуги надає Служба доступності до можливостей навчання «Без обмежень», метою діяльності якої є забезпечення постійного індивідуального супроводу навчального процесу студентів з інвалідністю та хронічними захворюваннями. Важливим інструментом імплементації інклюзивної освітньої політики в Університеті є Програма підвищення кваліфікації науково-педагогічних працівників та навчально-допоміжного персоналу у сфері соціальної інклюзії та інклюзивної освіти. Звертатися за адресою:
вул. Карпінського, 2/4, І-й н.к., кімн. 112
E-mail: nolimits@lpnu.ua
Websites: https://lpnu.ua/nolimits https://lpnu.ua/integration
Академічна доброчесність: Політика щодо академічної доброчесності учасників освітнього процесу формується на основі дотримання принципів академічної доброчесності з урахуванням норм «Положення про академічну доброчесність у Національному університеті «Львівська політехніка» (затверджене вченою радою університету від 20.06.2017 р., протокол № 35).