Insegnamento - Università Roma Tre

Algoritmi per big data (obiettivi)

Codice

20810211

Lingua

ITA

Tipo di attestato

Attestato di profitto

Crediti

6

Settore scientifico disciplinare

ING-INF/05

Ore Aula

54

Attività formativa

Attività formative caratterizzanti

Canale Unico

Docente	DI BATTISTA GIUSEPPE (programma) Elaborazione dei dati in modalità streaming: approximate counting, sampling e reservoir sampling, bloom filters, frequent itemsets, number of distinct elements Multidimensional queries: parallelizzazione, spatial/non-spatial partitioning, orthogonal range searching/counting, closest pair, kD-trees, range trees, layered trees, fractional cascading. Community detection in grafi sociali: componenti (bi)connesse, maximal clique, k-cores, k-plexes; algoritmi per il loro calcolo in ambiente distribuito. DB-Trees: efficient aggregate range queries on any DBMS Scalability and Big Data: P2P systems, Distributed Hash Tables and Chord, chord-like design in NoSQL DBMSes. Big data integrity: threat model for the cloud, non-scalability of traditional authenticated data structures, scaling with a pipelining approach. Blockchain and Big Data: the scalability trilemma. (testi) Slides più: Mining of Massive Datasets Jure Leskovec, Anand Rajaraman, Jeff Ullman Cambridge University Press http://www.mmds.org/
Date di inizio e termine delle attività didattiche	Dal 02/10/2023 al 19/01/2024
Modalità di erogazione	Tradizionale
Modalità di frequenza	Non obbligatoria
Metodi di valutazione	Prova scritta Valutazione di un progetto

Docente	PATRIGNANI MAURIZIO (programma) 1) Algoritmi per data streams - Approximate counting - Majority problems - Sampling e reservoir sampling - Bloom filters - Frequent itemsets 2) Algoritmi sublineari - Diameter approximation - Property testing 3) Clustering 4) Algoritmi e strutture dati per analisi di features quantitative - 1d-,2d-,3d-range queries - Skyline (pareto frontier), near-neighbor search, voronoi diagram 5) Dimensionality reduction 6) Algoritmi per la decomposizione di reti complesse - Decomposizione di una rete in componenti k-connesse - Decomposizione in k-cores, maximal cliques, maximal k-plexes 7) Distributed Hash Tables, Consistent Hashing 8) Integrità di grandi quantità di dati, consistenza nei sistemi distribuiti, CAP/PACELC theorems e impatto sui database NoSQL (testi) Mining of Massive Datasets Jure Leskovec, Anand Rajaraman, Jeff Ullman Cambridge University Press http://www.mmds.org/
Date di inizio e termine delle attività didattiche	Dal 02/10/2023 al 19/01/2024
Modalità di erogazione	Tradizionale
Modalità di frequenza	Non obbligatoria
Metodi di valutazione	Valutazione di un progetto

Docente	FRATI FABRIZIO (programma) 1) Algorithms for data streams - Approximate counting - Majority problems - Sampling and reservoir sampling - Bloom filters - Frequent itemsets - Number of distinct elements 2) Dimensionality reduction - Johnson–Lindenstrauss lemma - Embedding metric spaces with low distortion 3) Algorithms and data structures for quantitative features analysis - orthogonal range searching (kd-trees and range trees) - nearest neighbour search, k-nearest neighbour search - fractional cascading and simplex range search 4) Algorithms for the decomposition of complex networks - Decomposition into k-connected components - Decomposition into k-cores, maximal cliques, maximal k-plexes 5) NoSQL internals: Distributed Hash Tables, chord, consistent hashing 6) Scalable security: integrity of big data sets in the cloud, consistency and scalability issues with authenticated data structures, pipelining, blockchain scalability trilemma. (testi) Mining of Massive Datasets Jure Leskovec, Anand Rajaraman, Jeff Ullman Cambridge University Press http://www.mmds.org/
Date di inizio e termine delle attività didattiche	Dal 02/10/2023 al 19/01/2024
Modalità di erogazione	Tradizionale
Modalità di frequenza	Non obbligatoria
Metodi di valutazione	Prova scritta Valutazione di un progetto

Docente	DA LOZZO GIORDANO (programma) 1) Algorithms for data streams - Approximate counting - Majority problems - Sampling and reservoir sampling - Bloom filters - Frequent itemsets - Number of distinct elements 2) Dimensionality reduction -Johnson–Lindenstrauss lemma Embedding metric spaces with low distortion 3) Algorithms and data structures for quantitative features analysis - orthogonal range searching (kd-trees and range trees) - nearest neighbour search, k-nearest neighbour search - fractional cascading and simplex range search 4) Algorithms for the decomposition of complex networks - Decomposition into k-connected components - Decomposition into k-cores, maximal cliques, maximal k-plexes 5) NoSQL internals: Distributed Hash Tables, chord, consistent hashing 6) Scalable security: integrity of big data sets in the cloud, consistency and scalability issues with authenticated data structures, pipelining, blockchain scalability trilemma. (testi) Mining of Massive Datasets Jure Leskovec, Anand Rajaraman, Jeff Ullman Cambridge University Press http://www.mmds.org/
Date di inizio e termine delle attività didattiche	Dal 02/10/2023 al 19/01/2024
Modalità di erogazione	Tradizionale
Modalità di frequenza	Non obbligatoria
Metodi di valutazione	Prova scritta Valutazione di un progetto