Des conseils pour le déploiement des serveurs de bases de données
Répartition des heures
Bases de données relationnelles : cours avancé : 15 h de théorie, 3 h d'exercices/Labos
Big Data et systèmes NoSQL : 9 h de théorie
Architectures serveurs : 12 h de théorie
Méthodes d'enseignement
Bases de données relationnelles : cours avancé : cours magistral, approche interactive, approche par situation problème, approche avec TIC, étude de cas, utilisation de logiciels
Big Data et systèmes NoSQL : cours magistral, approche interactive, approche par situation problème, approche avec TIC, étude de cas, utilisation de logiciels
Architectures serveurs : cours magistral, approche interactive, approche avec TIC, étude de cas
Langues d'enseignement
Bases de données relationnelles : cours avancé : français
Big Data et systèmes NoSQL : français, anglais
Architectures serveurs : français
Supports
Bases de données relationnelles : cours avancé : copies de présentations, syllabus, activités sur eCampus
Big Data et systèmes NoSQL : copies de présentations
Architectures serveurs : copies de présentations
Ressources bibliographiques
Bases de données relationnelles : cours avancé
Base de données, les systèmes et leurs langages, Gardarin aux éditions Eyrolles
Des bases de données à l’Internet, Philippe Mahieu aux éditions Vuibert 2000.
High performance MySQL, B. Schwartz, P. Zaitsev et V. Tkachenko, O'Reilly, 2012
Big Data et systèmes NoSQL
NoSQL and SQL Data Modeling: Bringing Together Data, Semantics, and Software, Ted Hills, Technics Publications, 2017
Making sense of NoSQL, D. McCreary et A. Kelly, Manning publications, 2013
Architectures serveurs
Documentations officielles des constructeurs de serveurs, de composants et des fournisseurs de SGBD
Sites de comparatifs
Architectures des systèmes informatique (BA2)
Évaluation et pondération
Méthode d'évaluation : note globale à l'UE
Langues d'évaluation : français
Modalités d'évaluation :
Les AA seront évaluées simultanément lors d'un examen écrit. Il n'y a donc pas de notes aux AA mais uniquement une note à l'UE. L'examen étant commun aux AA, aucune dispense partielle del'UE n'est envisageable.
Report de note d'une année à l'autre pour l'AA réussie en cas d'échec à l'UE :
Bases de données relationnelles : cours avancé : non
Analyse et extraction de données : 21 h, Samuel CREMER
OLAP and reporting : 12 h, Samuel CREMER
Connaissances et compétences préalables
Techniques de programmation avancées 1 (BA2)
Traitement de l'information (BA3)
Contribution aux objectifs du référentiel de compétences de l'ARES
Identifier, conceptualiser et résoudre des problèmes complexes
Intégrer les savoirs scientifiques et technologiques afin de faire face à la diversité et à la complexité des problèmes rencontrés
Analyser des produits, processus et performances, de systèmes techniques nouveaux et innovants
Concevoir, développer et améliorer des produits, processus et systèmes techniques
Modéliser, calculer et dimensionner des systèmes
Sélectionner et exploiter les logiciels et outils conceptuels les plus appropriés pour résoudre une tâche spécifique
Établir ou concevoir un protocole de tests, de contrôles et de mesures.
S’intégrer et contribuer au développement de son milieu professionnel
Travailler en autonomie et en équipe dans le respect de la culture d’entreprise
Entreprendre et innover, dans le cadre de projets personnels ou par l’initiative et l’implication au
sein de l’entreprise
Prendre en compte les missions, visions stratégiques et enjeux de son cadre professionnel
Intégrer les enjeux sociétaux, économiques et environnementaux dans ses décisions
S’impliquer dans la politique d’amélioration de la qualité
Communiquer face à un public de spécialistes ou de non-spécialistes, dans des contextes
nationaux et internationaux
Maitriser les méthodes et les moyens de communication en les adaptant aux contextes et aux publics
Acquis d'apprentissage spécifiques
Être capable d'automatiser des flux de données à destination de l'informatique décisionnelle en utilisants des serveurs de bases de données, des ETL (Extract Transform Load) et des solutions de reporting
Contenu des AA
Analyse et extraction de données
Formats des données
API
Workflows
Utilisation d'un ETL (Extract Transform Load)
OLAP and reporting
Data Warehouse
OLAP et cubes multidimensionnels
Modélisation (Star-Schema, Snowflakes, etc.)
Utilisation d'un outil de reporting
Répartition des heures
Analyse et extraction de données : 3 h de théorie, 18 h d'exercices/Labos
OLAP and reporting : 5 h de théorie, 7 h d'exercices/Labos
Méthodes d'enseignement
Analyse et extraction de données : cours magistral, travaux de groupes, approche par projets, approche interactive, approche par situation problème, approche avec TIC
OLAP and reporting : cours magistral, travaux de groupes, approche par projets, approche interactive, approche par situation problème, approche avec TIC
Langues d'enseignement
Analyse et extraction de données : français
OLAP and reporting : français, anglais
Supports
Analyse et extraction de données : copies de présentations
OLAP and reporting : copies de présentations
Ressources bibliographiques
Analyse et extraction de données
Thomas C. Hammergren and Alan R. Simon: Data Warehousing forDummies (2nd Edition). Wiley Publishing, 2009
Paulraj Ponniah: Data Warehousing. Fundamentals for IT professionals(2nd Edition). John Wiley & Sons, 2010
Oded Maimon, Lior Rokach (Eds.): The Data Mining and KnowledgeDiscovery Handbook (2nd Edition). Springer, 2010
OLAP and reporting
Thomas C. Hammergren and Alan R. Simon: Data Warehousing forDummies (2nd Edition). Wiley Publishing, 2009
Paulraj Ponniah: Data Warehousing. Fundamentals for IT professionals(2nd Edition). John Wiley & Sons, 2010
Oded Maimon, Lior Rokach (Eds.): The Data Mining and KnowledgeDiscovery Handbook (2nd Edition). Springer, 2010
Évaluation et pondération
Méthode d'évaluation : note globale à l'UE
Langues d'évaluation : français, anglais
Modalités d'évaluation :
Les étudiants devront réaliser un projet en groupe et l'accompagner d'un rapport. Ces 2 délivrables seront évalués ainsi que la participation/implication des étudiants durant les heures dédiées au projet.
Report de note d'une année à l'autre pour l'AA réussie en cas d'échec à l'UE :
Principes de fonctionnement d’un système d’exploitation.
Langage de programmation C
Contribution aux objectifs du référentiel de compétences de l'ARES
Identifier, conceptualiser et résoudre des problèmes complexes
Intégrer les savoirs scientifiques et technologiques afin de faire face à la diversité et à la complexité des problèmes rencontrés
Analyser des produits, processus et performances, de systèmes techniques nouveaux et innovants
Concevoir, développer et améliorer des produits, processus et systèmes techniques
Établir ou concevoir un protocole de tests, de contrôles et de mesures.
Concevoir et gérer des projets de recherche appliquée
Mener des études expérimentales, en évaluer les résultats et en tirer des conclusions
Valider les performances et certifier les résultats en fonction des objectifs attendus
S’intégrer et contribuer au développement de son milieu professionnel
Évaluer les coûts et la rentabilité de son projet
S’engager dans une démarche de développement professionnel
Réaliser une veille technologique dans sa sphère d’expertise
Actualiser ses connaissances et s’engager dans les formations complémentaires adéquates
Acquis d'apprentissage spécifiques
Appréhender et comprendre les enjeux des systèmes parallèles
Savoir choisir un degré de parallélisme adapté au problème à traiter et en adéquation avec les caractéristiques du matériel utilisé
Se familiariser avec le HPC et les différents niveaux de parallélismes des architectures
Savoir programmer des systèmes en exploitant le multithreading et les GPU
Contenu des AA
Parallélisme : théorie
Classification du parallélisme
Évolution du parallélisme
Systèmes hétérogènes
High Performance Computing
Parallélisme : laboratoires
Introduction théorique (en anglais) :
Le parallélisme
Les graphes de dépendance
Multithreading
General-purpose Computing on GPU avec CUDA
Laboratoires (en anglais) :
Rappel des notions de pointeurs et des allocations dynamiques
Parallélisation naïve d'un algorithme séquentiel
Parallélisation du même algorithme en tenant compte des spécificités du matériel utilisé
Introduction à la programmation sur GPU avec CUDA
Répartition des heures
Parallélisme : théorie : 9 h de théorie
Parallélisme : laboratoires : 18 h d'exercices/Labos
Méthodes d'enseignement
Parallélisme : théorie : cours magistral, approche interactive, approche avec TIC, étude de cas, utilisation de logiciels
Parallélisme : laboratoires : cours magistral, approche interactive, approche par situation problème, approche avec TIC, étude de cas, utilisation de logiciels
Langues d'enseignement
Parallélisme : théorie : français, anglais
Parallélisme : laboratoires : français, anglais
Supports
Parallélisme : théorie : copies de présentations, syllabus
Parallélisme : laboratoires : copies de présentations, syllabus
Ressources bibliographiques
Parallélisme : théorie
High performance computing, M. Loudikes, C. Severance et K. Dowd, O'Reilly, 1998
Distributed Computing: fundamentals, simulations, and advanced topics, H. Attiya, Wiley-Blackwell, 2004
Projet de recherche appliquée en Big Data : 30 h, Samuel CREMER
Connaissances et compétences préalables
Cours de Bases de données avancées (MA1 Q1)
Contribution aux objectifs du référentiel de compétences de l'ARES
Identifier, conceptualiser et résoudre des problèmes complexes
Intégrer les savoirs scientifiques et technologiques afin de faire face à la diversité et à la complexité des problèmes rencontrés
Analyser des produits, processus et performances, de systèmes techniques nouveaux et innovants
Concevoir, développer et améliorer des produits, processus et systèmes techniques
Modéliser, calculer et dimensionner des systèmes
Sélectionner et exploiter les logiciels et outils conceptuels les plus appropriés pour résoudre une tâche spécifique
Établir ou concevoir un protocole de tests, de contrôles et de mesures.
Concevoir et gérer des projets de recherche appliquée
Réunir les informations nécessaires au développement de projets de recherche
Réaliser des simulations, modéliser des phénomènes afin d’approfondir les études et la recherche sur des sujets technologiques ou scientifiques
Mener des études expérimentales, en évaluer les résultats et en tirer des conclusions
Valider les performances et certifier les résultats en fonction des objectifs attendus
S’intégrer et contribuer au développement de son milieu professionnel
Planifier le travail en respectant les délais et contraintes du secteur professionnel (sécurité …)
Travailler en autonomie et en équipe dans le respect de la culture d’entreprise
Communiquer face à un public de spécialistes ou de non-spécialistes, dans des contextes
nationaux et internationaux
Maitriser les méthodes et les moyens de communication en les adaptant aux contextes et aux publics
Communiquer dans une ou plusieurs langues étrangères
Acquis d'apprentissage spécifiques
Etre capable de choisir, de déployer et d'utiliser les technologies les plus a adaptées à un problèem donné pour des problématiques de type Big Data
Contenu de l'AA
Après un rappel téhorique sur les paradigmes et concepts du Big Data, le cours sera essentielment pratique et centré sur la création d'un pipeline de données mélangeant différentes technologies comme le streaming de données, le map reduce, les wide column stores, les document stores, les moteurs de recherche, etc.
Répartition des heures
6 h de théorie, 24 h d'exercices/Labos
Méthodes d'enseignement
Cours magistral, travaux de groupes, approche interactive, approche par situation problème, approche avec TIC, étude de cas, utilisation de logiciels
Langues d'enseignement
Français, anglais
Supports
Copies de présentations, protocoles de laboratoires
Ressources bibliographiques
-
Évaluation et pondération
Méthode d'évaluation : note globale à l'UE
Langues d'évaluation : français, anglais
Modalités d'évaluation :
Les étudiants devront réaliser un ou plusieurs projets durant les heures de cours. Ce ou ces projets seront accompagnés de rapports en anglais. L'évaluation portera sur la qualité des délivrables réalisés ainsi que l'implication des étudiants pendant les heures de cours.
