Дата центар инфраструктура

Архитектура традиционалног дата центра: Трослојна (енгл. 3-tier) архитектура: структура, предности и недостаци. Класична филозофија дизајнирања система за заштиту од отказа. Серверска виртуелизација као основна иновација. Феномен доминантног ”попречног” саобраћаја (енгл. east-west) и ограничења традиционалне архитектуре. Уска грла система и неоптимална искоришћеност ресурса. Комплексност и потреба за променом архитектуре. Основне карактеристике рачунарства као услуге: NIST дефиниција и пет атрибута. Феноменологија појаве клауд сервиса и економија као основни покретач. Еволуција од почетне иновације до пружања инфраструктуре као услуге. Модалитети услуга/сервиса: Инфраструктура (IaaS), Платформа (PaaS) и Апликација (SaaS) као сервис. Примери типичних клауд услуга и њихово коришћење као градивних блокова при дизајнирању система. Оптимални хибридни модел као комбинација дата центра и услуга у облаку. Предности и ограничења рачунарства као услуге: фокус на примарну делатност, континуиране иновације, укупна цена система током целог периода експлоатације, питање безбедности, локалности података, регулативе и контроле. Технолошке компоненте и концепти рачунарства као услуге:

Основе софтверски дефинисаних, дистрибуираних система и филозофија дизајнирања за отказ (енгл. design for failure). Аутоматизација: оркестратори, управљачки портали, управљање конфигурацијом сервиса, REST API. Виртуелизација мрежа: open vswitch, NFV, VNF. Дистрибуирани, хоризонтално скалиран (енгл. scale-out) сториџ систем. Серверска инфраструктура као програмски код (енгл. Infrastructure as a Code) и пратећа филозофија ”Pets vs Cattle”. Контејнерска инфраструктура. Типови апликација и утицај на инфраструктуру: Дизајн традиционалних монолитних апликација. Основи микросервисне апликативне архитектуре. Хиперконвергирани системи и смањивање комплексности: Технолошке основе HCI инфраструктуре (Hyper-Converged Infrastructure). Концепт инфраструктуре као модуларних градивних блокова. Безбедности аспекти и практичне мере заштите. Људски фактор као главни узрок. Филозофија ”сигурности по дизајну” (енгл. security by design). Безбедност у облаку наспрам сопственог дата центра. Начини и преглед техника заштите: контрола приступа, шифровање података, заштита инфраструктуре, заштита оперативног система и апликативног окружења, алати за логовање и мониторинг. Практични аспекти администрације и употребе рачунарства као услуге. Преглед функција хибридних управљачких портала (CMP - Cloud Management Portal).

Дубоко учење

Теријска настава: Увод у Дубоко учење, основе неуралних мрежа, плитке неуралне мреже. Дубоке неуралне мреже. Практични аспекти Дубоког учења, иницијализација, регуларизација и провера градијената. Алгоритми оптимизације. Подешавање хиперпараметара, нормализација. Конволуционе неуралне мреже. Моделовање секвенци преко рекурентних неуралних мрежа. Long short-term memory рекурентне мреже. Примене у препознавању говора, компјутерској визији, системима за препоруку, процесирању природног језика и биоинформатици.

Практична настава: Пројектовање и примена алгоритама који су разматрани на часовима предавања и њихова евалуација на одговарајућим базама података за тестирање и поређење метода дубоког учења.

Простор и облик

Просторно обликовање и примена знања из теорије форме. Анализа добијеног задатка и развој форме упрошћавањем, од разрађених елемената до стилизације облика. Значај инсталације као уметничке дисциплине и њена интервенција у простору. Просторне структуралне целине и односи у ентеријеру и екстеријеру. Повезивање и динамика елемената, ритам и хармонија. Светлост, правац и положај у простору. Симболика боја и облика, естетски и емоционални доживљај. Анализа материјала и поступци за израду елемената применом нових технологија; припрема цртежа за машинско сечење. Израда тродимензионалног модела као опипљиви приказ волумена у материјалима погодним за моделарство (арт пена, картон, балза, жица, фолије, глина...).

Велики подаци

На првом делу предавања приказују се конкретни примери аналитике података. Кроз примере студенти се упознају са отвореним платформама Најм (Knime) и Гефи (Gephi) и 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 коришћења науке о подацима. Задатак студената је да, користећи алате и технике са којима су се упознали, самостално изврше аналитичку обраду података по избору.

На другом делу предавања предочава се разноврсност могућих очекивања од великих података и приказује се шта је то „испод хаубе“, што омогућава брз одговор на та очекивања. Студенти се упућују у основе инфраструктуре која се користи у раду са великим подацима. Приказује се покрет Не само Ес-Ку-Ел (NoSQL), те основни концепти, технике и обрасци потребни за дистрибуирани рад база података. Кроз анализу решења попут Амазон Дајнама (Amazon Dynamo) уводи се концепт база података кључ-вредност. Представљају се документ-оријентисане базе података, са фокусом на Монгу (MongoDB). Кроз осврт на имплементацију Гугл Бигтејбла и кратак преглед технологије GFS/HDFS објашњава се функсионисање колонских база података.

На вежбама се доминантно користе технологије Дел И-Ем-Сија (Dell EMC). Одговара се на питање када у обради великих података користити релационе, а када нерелационе базе података. Дефинише се шта подразумева решење на платформи Хадуп (Hadoop) и разрађује се архитектура Ха-Де-Еф-Ес (HDFS). Пореде се софтверски базирана решења и наменска решења. Студенти на примерима у брижљиво осмишљеној лабораторијској вежби уче како да концепт архитектуре Dell EMC Isilon OneFS искористе за обраду великих података. При томе се упућују како да поставе и скалирају решење, како да управљају сториџима, те како да обезбеде поузданост. На још једној лабораторијској вежби студенти уче како да изврше интеграцију Хадупа и решења у претходно уведеној архитектури, при чему се, поред осталог, ради конфигурисање решења за Ха-Де-Еф-Ес, припрема се сервер Амбари и примењује се платформа Хортонворкс Дејта.

 

Машинско учење

Кратак преглед теорије вероварноће за потребе машинског учења. Евалуација система машинског учења. Линеарна регресија. Технике естимације. Технике оптимиyације. Логистичка регресија. Бајесовско одлучивање. Дискриминационе функције. СВМ алгоритам support vector machines. кНН алгоритам (k-nearest neighbors). Стабла одлучивања, random decision forests. Кластеризација. Увод у дубоко учење.

 

Развој мобилних апликација

Карактеристике мобилних уређаја . Android OS. Android SDK. Android Studio. Основне компоненте (Activity, Service, Content Provider, Broadcast Receiver). Рад са ресурсима. Android Intent. XML и JSON. Развој графичког корисничког интерфејса. Рад са сензорима. Рад са фајловима. Рад са базама података. Повезивање на Internet. Позадинске нити и UI синхронизација. Оптимизација ресурса. Развој iOS апликација.