Циљ и исход предмета
Упутити студенте у мноштво могућности које нуди аналитика великих података, да би били у стању да међу њима препознају оне које могу применити, развити и унапредити у реалном окружењу, било програмирајући специфична решења, било користећи библиотеке алгоритама, било комбинујући различите алате. Студент је у стању да конципира и спроведи, како ад хок аналитичка истраживања великих података, тако и пројекте развоја аналитичких апликација, тиме што зна како да дође до великих података за аналитику, како да их екстрахује, трансформише и похрани у различитим облицима, како да над њима врши напредне статистичке анализе и анализе из домена вештачке интелигенције.
Теоријска настава
Кроз примере студенти се сусрећу с концептима: узорак података, кролинг, скрејпинг, примена статистике и машинског учења у аналитици великих података, непотпуни подаци, прљави подаци, аутлајери, каузалност, коректна и некоректна интерпретација резултата, проблематика рангирања, пондерисање параметара, аналитика великог текста, анализа графа друштвене мреже, класификација профила на друштвеним мрежама, препоручивање садржаја, те предвиђање осипања клијената. Студенти се упућују како да се снађу у мноштву технолошких, методолошких и доменских алтернатива аналитике великих података.
Практична настава
Практична настава прати садржаје из теоријске наставе и примењује их у отвореним платформама Најм (Knime), Гефи (Gephi) и Хадуп (Hadoop), те програмским језицима Python и R. Студенати се обучавају да, користећи алате и технике са којима су се упознали, самостално изврше напредну аналитичку обраду великих података по избору.