CAS Big Data Frühlingssemester 2015

Transkript

1 CAS Big Data Frühlingssemester 2015

2 Inhaltsverzeichnis 1 Abstract 3 2 Umfeld und Motivation 3 3 Zielgruppe 5 4 Ausbildungsziele 5 5 Voraussetzungen 5 6 Kursübersicht 6 7 Kompetenzprofil 7 8 Kursbeschreibungen Einführung in Big Data Apache Hadoop und das Hadoop Ecosystem InMemory und ColumnStore Datenbanken, NoSQL Hardware, Architektur, Cloud Stream- & Event-Processing, Realtime Special Analytics, Statistics, Machine Learning, Visualization Textdokumente, soziale Netze und Open Data Projektarbeit 15 9 Kompetenznachweise Lehrmittel Ergänzende Lehrmittel Dozierende Organisation Termine 19 Study Guide CAS Big Data Frühlingssemester /20

3 1 Abstract Grosse Datenmengen in Echtzeit analysieren und nutzbar machen? Big Data ist eine der wichtigsten IT- Technologien des Jahrzehnts. Im Fokus stehen möglichst präzise und rasche Vorhersagen für Geschäftsentscheide, das Auffinden kritischer Ereignisse und Muster oder das Auffinden komplexer Zusammenhänge durch Auswertung eigener und globaler Datenquellen. 2 Umfeld und Motivation Die Methoden und Werkzeuge von Big Data ermöglichen die Beschaffung und Analyse grosser Datenmengen. Die Komplexität der Analysen und die oft kurze Lebensdauer der Daten machen eine massiv parallele und stream-orientierte Verarbeitung der Quellen notwendig, beispielsweise mit einem Hadoop-Cluster. Gegenüber klassischen BI-Methoden ist vor allem die Verschiedenartigkeit und Volatilität der Datenquellen ein wichtiges Merkmal von Big Data. Erläuterung zur Abbildung: Big Data wird oft über die 3V-Metapher definiert: Volume: Hohe zu verarbeitenden Datenmenge. Velocity: Hohe Verarbeitungsgeschwindigkeit, aber auch hohe Alterungsgeschwindigkeit der Quelldaten. Realtime-Ansprüche. Variety: Unterschiedlichste Quellen, die gleichzeitig und ad hoq angezapft werden müssen, komplexe Verarbeitungslogik, z.b. Textmining Study Guide CAS Big Data Frühlingssemester /20

4 Zwischen den klassischen Business Intelligence-/Data Warehouse-Methoden und Big Data gibt es ausserdem Unterschiede, die je nach Projekt mehr oder weniger hervortreten: Data Warehouse Vordefinierte Ablagestruktur, Star- und Snowflake-Schema, Datenwürfel. Daten werden möglichst rasch nach dem Entstehen verarbeitet (ETL), gereinigt, normiert und mit Metadaten beschrieben. Daten haben einen gesicherten und hohen Informationsgehalt pro Byte. Firmeninterne Datenquellen. Quellenstruktur oft strikt, Zahlen und Werte mit klarer und einfacher Syntax und Semantik. Data at Rest Daten sind meist langlebig und als Pool vorliegend. Für die Verwertung relevante Daten werden möglichst schnell eingegrenzt. Indexbasierte Verarbeitung als Effizienz-Mittel. Zweckbestimmung der Daten im Voraus bekannt, z.b. Verkäufe, Kundendaten, Finanzkennzahlen, Produktqualitätszahlen usw. Klare Fragestellungen, z.b. Mittelwerte, Summen, Min/Max Berechnungen. Einmalige, gegenwarts-orientierte Analyse der Daten (Cockpit). Transaktionales Umfeld. Konsistenz und Integrität über Gesamtdatenbestand gewährleistet. Gültigkeitsgrenzen. Abfragen reproduzierbar. Big Data Daten werden ad hoq ab Quellen ausgewertet. Geordnete Ablage nach der Analyse ist zweitrangig. Daten werden während der Analyse aufbereitet. Informationsgehalt unsicher und pro Byte eher gering. Firmeninterne kombiniert mit globalen oder öffentliche Datenquellen (open data). Die Quellenstruktur der Daten kann lose und schwach beschrieben sein. Nicht immer klar definierte Syntax und Semantik. Textdaten sind häufig. Daten werden beim Gebrauch verarbeitet, da Art der Analyse ad hoq. Data in Motion Daten oft kurzlebig und müssen aus Streams verarbeitet werden. Realtime Anforderungen, zum Beispiel beim Bezug aus Sensornetzwerken. Gesamter Datenbestand wird für die Verwertung benötigt. Massive Parallelisierung der Verarbeitung als Effizienz-Mittel. Fragestellung manchmal kompliziert und offen ("Gibt es einen Zusammenhang zwischen X und Y"). Iterative Analyse der Daten mit stark prognostischen, zukunftsorientierten Ansprüchen. Komplexe und anspruchsvolle Visualisierung, Alarmierung, Entscheidungsunterstützung usw. Transaktionale Verarbeitung nicht gewährleistet. Daten fliessend. Zu keinem Zeitpunkt gesicherter integrer und konsistenter Zustand vorhanden. Es ist jedoch absehbar, dass sich BI und Big Data im Bereich der Auswertungen und der Analyse annähern. Study Guide CAS Big Data Frühlingssemester /20

5 Applikationsbereiche von Big Data sind beispielsweise: Ereignis-Detektion und Überwachung von grossen Sensor-Netzwerken im Bereich Energie, Transport, Gesundheitswesen, Kommunikation usw. Logfile-Analyse zur Erhebung von Benutzer- und Systemverhalten, Systemsicherheit, Intrusion Detection usw. Sentiment-Analyse von Kunden und Märkten durch Kombination von Firmendaten mit Social Media und öffentlichen Daten. 3 Zielgruppe Fach- und Führungskräfte in Unternehmen und IT-Bereichen, die für den Aufbau, die Planung und die Umsetzung von Big Data Projekten verantwortlich sind. 4 Ausbildungsziele Die Teilnehmenden: kennen die methodischen und technologischen Grundlagen von Big Data. lernen Einsatzmöglichkeiten kennen, und können im eigenen beruflichen Umfeld neue Ideen zur Nutzung von Big Data und zum Erzeugen eines Business Value entwickeln. besitzen eine fundierte Übersicht über die Architektur von Big Data Lösungen. können Big Data-Projekte in ihrem Unternehmen planen, umsetzen und betreiben. können die Einbettung von Big Data Lösungen in die eigene IT-Architektur beurteilen und konzipieren. können globale und firmeninterne Datenquellen und Datenströme in eine Big Data Appliance integrieren. kennen moderne Methoden und Werkzeuge zur Aufbereitung, Analyse und Darstellung von Realtime-Datenströmen. In einer umfassenden Fallstudie wird die Konzeption oder Realisierung eines Big Data Projektes im eigenen Betrieb erarbeitet. 5 Voraussetzungen Die Teilnehmer bringen IT-Vorkenntnisse im Rahmen einer Informatik- oder Wirtschaftsinformatik- Ausbildung mit, insbesondere über Datenbanksysteme, Abfragesprachen (SQL), Modellierung, Reporting und Analyse. Projekterfahrung im Bereich Informationssysteme ist wünschenswert. In der Semesterarbeit erarbeiten die Teilnehmer ein eigenes Thema, typischerweise aus dem beruflichen Umfeld. Kenntnisse in einer objektorientierten Programmiersprache wie Java sind nützlich. Study Guide CAS Big Data Frühlingssemester /20

6 6 Kursübersicht Kurs/Lehreinheit Lektionen Stunden Dozierende Einführung in Big Data 4 Heinz Steiner Nutzenaspekte und betriebliche Bewertung von Big Data Projekten 4 Heinz Steiner Apache Hadoop und das Hadoop Ecosystem 24 Guido Schmutz InMemory und ColumnStore Datenbanken, NoSQL 16 Guido Schmutz Hardware, Architektur, Cloud 12 Daniel Steiger Stream- & Event-Processing, Realtime 16 Guido Schmutz Special Analytics, Statistics, Machine Learning, Visualisation Textdokumente, soziale Netze und Open Data 32 Werner Dähler 24 Jürgen Vogel Projektarbeit Verschiedene Betreuer Total Das CAS umfasst insgesamt 12 ECTS Punkte. Für die einzelnen Kurse ist entsprechend Zeit für Selbststudium, Prüfungsvorbereitung etc. einzurechnen. Study Guide CAS Big Data Frühlingssemester /20

7 7 Kompetenzprofil Legende: 1. Kenntnisse von Begriffen, Definitionen und Regeln; Faktenwissen 2. Verstehen von Zusammenhängen, Erklären von Sachverhalte erklären können 3. Anwendung des Wissen in einfachen Situationen 4. Analyse der eigenen Lösung 5. Synthese neuer Lösungen und Anwendung in komplexen Situationen 6. Beurteilung der Anwendbarkeit für bestimmte Probleme und Situationen, methodische Abwägung und Evaluation von Alternativen, Beziehungen zu anderen Fachgebieten Study Guide CAS Big Data Frühlingssemester /20

8 8 Kursbeschreibungen Nachfolgend sind die einzelnen Kurse dieses Studienganges beschrieben. Der Begriff Kurs schliesst alle Veranstaltungstypen ein, es ist ein zusammenfassender Begriff für verschiedene Veranstaltungstypen wie Vorlesung, Lehrveranstaltung, Fallstudie, Living Case, Fach, Studienreise, Semesterarbeiten usw. 8.1 Einführung in Big Data Kursbeschreibung Lernziele Die Teilnehmer: wissen, wann man von einem Big Data Problem spricht kennen das Potential von Big Data Technologien für Unternehmen kennen den wirtschaftlichen Nutzen von Big Data gewinnen eine Übersicht, wann der Einsatz von Big Data sinnvoll ist Themen Block 1: Wann sprechen wir von Big Data? Methodik, Denkweise, 3V Konzept. Unterschiede gegenüber klassischen Informationssystemen Die Rolle des Data Scientists im Unternehmen Das Big Data Ökosystem Typische Use Cases und Anwendungsbeispiele Block 2: Was macht ein typisches Big Data-Projekt aus? Nutzen und Abgrenzung von Big Data Projekten beurteilen Welche Fallen gilt es zu umschiffen? Bei Big Data-Projekten stellt die Heterogenität der Teammitglieder eine besondere Herausforderungen dar: Welche Vorteile bieten Pilot-Projekte beim Thema Big Data? Projektpolitik. Was ist bei der Kommunikation der Projekte zu beachten? Lehrmittel Folien/Skript Literaturempfehlungen: [1] Study Guide CAS Big Data Frühlingssemester /20

9 8.2 Apache Hadoop und das Hadoop Ecosystem Kursbeschreibung Lernziele Die Teilnehmer: lernen die Architektur von Apache Hadoop kennen kennen die Kernkomponenten von Hadoop und dem Hadoop Ökosystem wissen wie HDFS und MapReduce funktioniert können mit MapReduce einfache Big Data Anwendungen entwickeln lernen die Mittel für die Definition von Datenworkflows kennen lernen die Grenzen von Hadoop kennen und sehen für welche Art von Problemen sich MapReduce bzw. Hadoop eignet lernen Alternativen zu MapReduce, wie z.b. Apache Spark kennen Themen Warum und wozu Hadoop verwendet wird Eigenschaften der Hadoop Architektur Kernkonzepte von Hadoop Funktionalität von MapReduce Die wichtigsten Komponenten des Hadoop Ökosystem: HDFS, MapReduce, Pig, Hive, HBase, Zookeeper, Flume, Cascading, usw. Entwicklung von MapReduce Anwendungen Daten-Import und Export Automatisierung von Datenworkflows Datenserizalisierung/Deseralisierung mit Avro Hadoop APIs Best Practices und Patterns Apache Spark als Alternative bzw. Ergänzung zu Apache Hadoop Lehrmittel Folien/Skript Literaturempfehlungen: [2], [7], [8], [9] Study Guide CAS Big Data Frühlingssemester /20

10 8.3 InMemory und ColumnStore Datenbanken, NoSQL Kursbeschreibung Lernziele Die Teilnehmer: erwerben ein grundlegendes Verständnis von alternativen Datenbankkonzepten verstehen die Konzepte hinter den neuen, modernen NoSQL und NewSQL Datenbanken kennen die Unterschiede zu den relationalen Datenbanken kennen lernen die verschiedenen Arten von NoSQL kennen können erfolgsversprechende Einsatzszenarien erkennen Themen Was ist NoSQL? Was ist NewSQL? Warum gibt es diese neuen Datenbankarten? Relevante Datenbankkonzepte wie BASE, ACID, CAP, Partitionierung, Sharding, Replikation, usw. Eigenschaften der NoSQL und NewSQL Datenbanken Klassifikation der NoSQL und NewSQL Datenbanken Anwendungsfälle für NoSQL und NewSQL Datenbanken Was geschieht mit den traditionellen, relationalen Datenbanken? Schema-Less vs. Schema bzw. Schema-on-Write vs. Schema-on-Read Ausgewählte, populäre NoSQL und NewSQL Datenbanken: MongoDB, HBase, Redis, Cassandra, Neo4J, u.a. NoSQL und NewSQL in einer BigData Architektur Lehrmittel Folien/Skript Literaturempfehlungen: [3], [11] Study Guide CAS Big Data Frühlingssemester /20

11 8.4 Hardware, Architektur, Cloud Kursbeschreibung Lernziele Die Teilnehmer: lernen Big-Data -spezifische Infrastrukturanforderungen zu formulieren kennen die wesentlichen Architekturmerkmale eines Big-Data Systems kennen die aktuellen Big-Data-Plattformen und -Appliances der Marktleader kennen die wichtigsten Integrationstechnologien kennen die betrieblichen Aspekte einer Big-Data Infrastruktur und sind in der Lage, ein Betriebskonzept zu erstellen können die Unterschiede zwischen einer cloud-basierten und einer onpremis Infrastruktur beschreiben und beurteilen lernen die infrastrukturtechnischen Voraussetzungen für die Erfüllung von Sicherheitsanforderungen kennen können den Reifegrad verschiedener Technologien beurteilen Themen Anforderungen und Architekturtreiber im Big-Data Umfeld Reliability, Availability, Scaleability und Performance Big-Data Infrastruktur-Blueprints Big-Data Plattformen Integration von Big-Data Systemen in die bestehende IT-Landschaft (Konnektoren) Lifecycle einer Big-Data Infrastruktur (Aufbau, Betrieb, Optimierung) Überlegungen und Implikationen zu Big-Data in der Cloud Secure Infrastructure Leading-Edge Technologien und Technologietrends Lehrmittel Vorlesungsunterlagen (SlideDoc) Aktuelle Whitepapers, Fachartikel und Hersteller-Unterlagen Study Guide CAS Big Data Frühlingssemester /20

12 8.5 Stream- & Event-Processing, Realtime Kursbeschreibung Lernziele Die Teilnehmer: lernen die Prinzipien des Stream- und Event-Processing kennen können die Komponenten einer Event-Driven Architecture (EDA) beschreiben lernen die Unterschiedlichen Sprachen für die Erkennung und Verarbeitung von Events kennen können Probleme mit Hilfe von Event-Processing lösen können abschätzen, wann sich der Einsatz von Event-Processing lohnt kennen die Positionierung von Event Processing interhalb einer Big Data Architektur Themen Was ist ein Event, was ist eine Message? Was ist Complex Event Processing (CEP)? Historie und Prinzipien von Stream- und Complex Event Processing Event Processing Design Patterns Erkennen von Events Aggregation von Events wie können Business Events von den Raw Events abgeleitet werden Internet of Things und Machine to Machine (M2M) was hat dies mit Event-Processing zu tun? Welche Sprachen für das Event-Processing gibt es? Plattformen und Frameworks für Event-Processing: Twitter Storm bzw. Trident, Esper, Spark Streaming usw. Lehrmittel Folien/Skript Literaturempfehlungen: [4], [10] Study Guide CAS Big Data Frühlingssemester /20

13 8.6 Special Analytics, Statistics, Machine Learning, Visualization Kursbeschreibung Lernziele Die Teilnehmer: kennen die Konsequenzen von Verteiltem Computing auf die Analyse- Algorithmen kennen die wichtigsten Clustering-Methoden kennen die wichtigsten Methoden der Dimensions-Reduktion kennen die wichtigsten Klassifikationsmethoden und wissen, wann welche wie einzusetzen sind kennen die wichtigsten Visualisierungsmöglichkeiten für Massive Datasets Themen Einführung in "konventionelle" Statistik und Data Mining Analyse-Algorithmen unter der Berücksichtigung von Verteiltem Computing Distanz und Ähnlichkeitsmasse Euklidische Distanz / Manhattan Distanz Jaccard-Index Clusteranalyse Hierarchisches Clustering k-means Clustering Dimensionsreduktion Eigenwerte und Eigenvektoren Hauptkomponentenanalyse (PCA) Feature Extraction Maschinelles Lernen div. Klassifikationsmethoden (Decision Tree, SVM, Naive Bayes, Neuronet) Validierungsverfahren Datenvisualisierung Lehrmittel Folien/Skript Literaturempfehlungen: [5] Study Guide CAS Big Data Frühlingssemester /20

14 8.7 Textdokumente, soziale Netze und Open Data Kursbeschreibung Lernziele Die Teilnehmer: lernen Algorithmen und Werkzeuge zur Analyse unstrukturierter Daten (insbesondere von Textdokumenten) und sozialer Netzwerke (Twitter, Facebook, etc.) kennen entwerfen, implementieren und evaluieren Analyseverfahren mit Hilfe gängiger Open Source-Bibliotheken in Java kennen aktuelle technologische Entwicklungen im Web (Open Data, Semantic Web) und haben einen Überblick über die verschiedenen Web- Standards für Daten (HTML/XML, RDF,...) Themen Analyse von Textdokumenten (Natural Language Processing) mit unterschiedlichen Methoden aus der (Computer-) Linguistik und dem maschinellen Lernen: Reguläre Ausdrücke, Named Entity Recognition, Syntax, Semantik Information Retrieval und Web Mining: Text Classification, PageRank Analyse von sozialen Netzwerken auf der Basis von Graphenalgorithmen und Natural Language Processing: Sentiment Analysis, Prestige Publizieren und konsumieren von frei zugänglichen Datensätzen im Web (Open Data) Lehrmittel Folien/Skript Entwicklungsumgebung (Eclipse, Maven, Java) Literaturempfehlungen: [5], [6] Study Guide CAS Big Data Frühlingssemester /20

15 8.8 Projektarbeit 1. Zielsetzung und Thema In der Semesterarbeit bearbeiten die Teilnehmer ein Projekt oder eine Fragestellung aus ihrer Firma. Mit dem gewählten Thema vertiefen die Studierende die im Studium erlernten Methoden. Das Thema der Semesterarbeit kann umfassen: Machbarkeitsstudie Umsetzung oder Implementation von Analytics-Anforderungen Evaluation und Projektierung Algorithmen- oder Software-Entwicklung IT-Architektur Konzeption Optimierung von Lösungen usw. 2. Ablauf Die Semesterarbeit beinhaltet folgende Meilensteine: In der Firma ein Thema suchen, und mit Vorteil einen Ansprechpartner/Betreuer in der Firma definieren. Erstellen einer Projektskizze (siehe unten), Eingabe an die CAS-Leitung Individuelle Kurzpräsentation ( 10' ) und Diskussion (10') des Themas an der BFH Weiterbildung in Bern vor einer Dozierendengruppe. Eventuell Überarbeitung der Projektskizze gemäss Feedback an der Präsentation. Zuordnung eines Experten durch die SWS für die Begleitung. Durchführung der Arbeit in eigener Terminplanung, 1-3 Zwischenreviews mit dem Experten. Schlusspräsentation der Arbeit (Plenum mit allen Kursteilnehmern). Dauer ca. 15 Min. Präsentation + 15 Min. Diskussion. Abgabe des Berichtes an den Experten. Beurteilung durch den Experten. Die Projektskizze umfasst eine ein- bis zweiseitige Aufgabenstellung und eine 10-minütige Power- Point Präsentation mit folgenden Teilen: Titel Umfeld Problemstellung Lösungsansatz (Vorgehen, Methoden) Name und Kontaktadressen der Gruppenmitglieder, und des Ansprechpartners/Betreuers in der Firma Gruppenarbeiten sind, wo möglich, erwünscht und je nach Rahmenbedingungen sogar von Vorteil. Study Guide CAS Big Data Frühlingssemester /20

16 3. Ergebnis und Bewertung Der Bericht ist in elektronischer Form als PDF-Dokument an den Betreuer und den CAS- Verantwortlichen zu schicken. Auf Verlangen des Betreuers ist zusätzlich eine gedruckte Version abzugeben. Bericht: ca Seiten, Source Code soweit notwendig für die Projektbeurteilung. Die Semesterarbeit wird nach folgender Richtlinie bewertet (Durch den Experten entsprechend dem Thema und dem Ablauf der Arbeit anpassbar). Nr. Kriterium Beschreibung Max. Punkte 1. Bericht 80 Punkte 2. Präsentationen 20 Punkte Genereller Eindruck Umfang, Vollständigkeit, Präsentation Komplexität, Stringenz Darstellung, Sprache verständlich, nachvollziehbar Stil, ohne Fachjargon Grammatik, Orthografie etc. Ziele, Ausgangslage, Aufgabenstellung klar und verständlich beurteilbare Ziele Methoden Aus der ersten Beschreibung wird das Problem nachvollziehbar analysiert und strukturiert. Die Methodenauswahl ist begründet und nachvollziehbar. Angemessene Literatur- und Quellenrecherche Ergebnisse Methodik korrekt und professionell angewendet Fundierter Vergleich Zielsetzung vs. Erreichtes Neue Erkenntnisse und eigene Beiträge Stringente Schlussfolgerungen Management Summary, Fazit Formal vollständig, nur Wichtiges ohne Nachschlagen verständlich Zeitmanagement Inhaltlich Roter Faden, logisches Vorgehen klare Begründungen für alle Entscheide Identifikation mit dem Thema Präsentationstechnik Eingehen auf Fragen 3. Total Study Guide CAS Big Data Frühlingssemester /20

17 9 Kompetenznachweise Für die Anrechnung der 12 ECTS-Punkte ist das erfolgreiche Bestehen der Kompetenznachweise (Prüfungen, Projektarbeiten) erforderlich, gemäss folgender Aufstellung: Kompetenznachweis Gewicht Art der Qualifikation Block 1 Nutzenaspekte, Betriebliche Bewertung. Hadoop Ecosystem, Datenbanken, NoSQL. Hardware, Architektur, Cloud. Textdokumente, sozialenetze und Open Data. Erfolgsquote Studierende 4 Schriftliche Prüfung % Block 2 Special Analytics, Statistics, Machine Learning, Visualisation 2 Schriftliche Prüfung % Semesterarbeit 4 Projektarbeit % Gesamterfolgsquote % Gesamtgewicht 10 ECTS Note A - F Jeder Studierende kann in einem Kompetenznachweis eine Erfolgsquote von 0 bis 100% erarbeiten. Die gewichtete Summe aus den Erfolgsquoten pro Thema und dem Gewicht des Themas ergibt eine Gesamterfolgsquote zwischen 0 und 100%. Die Gesamterfolgsquote wird in eine ECTS Note A bis E umgerechnet, gemäss Studienreglement. Weniger als 50% Gesamterfolgsquote ergibt eine ungenügende Note F. Study Guide CAS Big Data Frühlingssemester /20

18 10 Lehrmittel 10.1 Ergänzende Lehrmittel Ergänzende Lehrmittel sind Empfehlungen, um den Stoff zu vertiefen oder zu erweitern. Die Beschaffung liegt im Ermessen der Studierenden: Nr Titel Autoren Verlag Jahr ISBN Link zur Bestellung [1] Big Data Die Revolution, die unser Leben verändern wird Viktor Mayer- Schönberger Redline Verlag 2013 ISBN-10: [2] Hadoop: The Definitive Guide Tom White O' Reilly Press 2012 ISBN-10: [4] Event Processing in Action Peter Niblett, Opher Etzion Manning Press 2010 ISBN-10: [3] NoSQL Distilled Martin Fowler, Pramod J. Sadalage Addision Wesley 2012 ISBN-10: [5] Mining of Massive Datasets Jeffrey David Ullman, Anand Rajaraman Cambridge University Press 2011 Gratis herunterladen ISBN-10: [6] Taming Text Grant Ingersoll, Thomas Morton, Andrew Farris [7] Learning Spark Holden Karau, Andy Konwinski, Patrick Wendell, Matei Zaharia Manning Press 2013 ISBN-10: X O Reilly Media 2015 ISBN-10: [8] Hadoop Application Architecture [9] Big Data: Principles and best practices of scalable realtime data systems Mark Grover, Ted Malaska, Johnathan Seidman, Gwen Shapira Nathan Marz and James Warren O Reilly Media 2014 ISBN-10: Manning Press 2015 ISBN-10: [10] Storm Applied Sean T. Allen, Peter Pathirana, Matthew Jankowski Manning Press 2015 ISBN-10: [11] NoSQL for Mere Mortals Dan Sullivan Addison Wesley 2015 ISBN-10: Study Guide CAS Big Data Frühlingssemester /20

19 11 Dozierende Vorname Name Firma Heinz Steiner Trivadis AG Guido Schmutz Trivadis AG Daniel Steiger Trivadis AG Werner Dähler SECO Bern Jürgen Vogel BFH + Weitere Experten, Betreuer und Gastreferenten aus Unternehmen und Lehre 12 Organisation CAS-Leitung: Prof. Dr. Arno Schmidhauser Tel: CAS-Administration: Andrea Moser Tel: Termine Daten: KW bis KW Dienstag, von 08:30 Uhr bis 16:15 Uhr Study Guide CAS Big Data Frühlingssemester /20

20 Dokumenteninformation Study Guide CAS BGD FS Die Inhalte und Angaben in diesem Study Guide können sich bis zum Studienstart noch verändern. Berner Fachhochschule Technik und Informatik Weiterbildung Wankdorffeldstrasse 102 CH-3014 Bern Telefon ti.bfh.ch/weiterbildung ti.bfh.ch/cas-bgd Study Guide CAS Big Data Frühlingssemester /20