ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ
Εβδομάδα #1: Κατακερματισμός, Bloom Φίλτρα, Internet Caching Πρωτόκολλα, Πίνακες Κατανεμημένου Κατακερματισμού (DHTs).
Εβδομάδα #2: Αποκεντρωμένες Δομές Δεδομένων και P2P συστήματα, Αποκεντρωμένα Συστήματα βασισμένα στον κατανεμημένο κατακερματισμό (Chord).
Εβδομάδα #3: Δομές Δεδομένων Block-Chain και Αποκεντρωμένες Εφαρμογές (DAPPs).
Εβδομάδα #4: Hadoop, Κατανεμημένα Συστήματα Αρχείων (HDFS), Map/Reduce Προγραμματιστικό Μοντέλο και NoSQL Βάσεις Δεδομένων, Cluster Αρχιτεκτονικές, Συστήματα Ροών Δεδομένων, Spark, Δομές RDDs.
Εβδομάδα #5: Επισκόπηση της γλώσσας Python για Τεχνολογίες Αποκεντρωμένων Δεδομένων
(Πρακτικό Μέρος: Τα βασικά βήματα για data manipulation με Python και PySpark).
Εβδομάδα #6: Αποθήκευση και Επεξεργασία δεδομένων σε Αποκεντρωμένα Συστήματα.
(Πρακτικό Μέρος: Ομαδική Επεξεργασία με την PySpark).
Εβδομάδα #7: Αποθήκευση και Επεξεργασία δεδομένων σε Αποκεντρωμένα Συστήματα (Συν.).
(Πρακτικό Μέρος: Ομαδική Επεξεργασία με την PySpark).
Εβδομάδα #8: Μηχανική Μάθηση Μεγάλης Κλίμακας με την PySpark
(Πρακτικό Μέρος: Υλοποίηση απλού μοντέλου μηχανικής μάθησης χρησιμοποιώντας το scikit-learn της python)
Εβδομάδα #9: Μηχανική Μάθηση Μεγάλης Κλίμακας με την PySpark (Συν.).
(Πρακτικό Μέρος: Υλοποίηση απλού μοντέλου μηχανικής μάθησης χρησιμοποιώντας το scikit-learn της python)
Εβδομάδα #10: Μηχανική Μάθηση Μεγάλης Κλίμακας με την PySpark (Συν.).
(Πρακτικό Μέρος: Υλοποίηση απλού μοντέλου μηχανικής μάθησης χρησιμοποιώντας την MLlib της PySpark ).
Εβδομάδα #11: Μηχανική Μάθηση Μεγάλης Κλίμακας με την PySpark (Συν.).
(Πρακτικό Μέρος: Υλοποίηση απλού μοντέλου μηχανικής μάθησης χρησιμοποιώντας την MLlib της PySpark ).
Εβδομάδα #12: Προχωρημένα Θέματα και Μελέτες Περίπτωσης.
(Πρακτικό Μέρος: Υλοποίηση ενός μεγάλου Project (ή πολλών μικροτέρων) συνδυάζοντας όλα τα προηγούμενα).
Εβδομάδα #13: Προχωρημένα Θέματα και Μελέτες Περίπτωσης (Συν.).
(Πρακτικό Μέρος: Υλοποίηση ενός μεγάλου Project (ή πολλών μικροτέρων) συνδυάζοντας όλα τα προηγούμενα).
