De student kan vlot programmeren in Python. De student is vertrouwd met hashing en grafen, en kan de complexiteit van een algoritme analyseren zoals aangeleerd in Algoritmen en Datastructuren. De student beheerst vlot de rekentechnieken aangeleerd in Lineaire Algebra zoals het vermenigvuldigen van matrices, berekenen van de hoek tussen twee vectoren, en berekenen van eigenwaarden en eigenvectoren. De student kan afleidbare functies optimaliseren in meerdere veranderlijken. De student beheerst vlot de rekenregels uit kanstheorie en is vertrouwd met de normale verdeling.

In dit opleidingsonderdeel worden een reeks concepten behandeld die aan de basis liggen van Big Data Analytics. In het bijzonder bekijken we hoe betekenisvolle patronen ontdekt kunnen worden in grote hoeveelheden data. Typisch is de data zo groot dat deze niet in het werkgeheugen past. De nadruk ligt daarom vooral op schaalbare algoritmen. Het opleidingsonderdeel gaat in op algoritmen die op data toegepast worden en onderscheidt zich van machine learning waar data gebruikt wordt om een model te trainen.

Ondermeer de volgende onderwerpen komen aan bod:

- Distributed files systems and parallel processing

- Similarity search

- Data stream mining

- Frequent-item set mining

- Clustering very large sets

- Recommendation systems

- Graph mining.

Het opleidingsonderdeel bestaat uit een reeks hoorcolleges die aangevuld worden met projectwerk waarbij de aangeleerde concepten in de praktijk worden gebracht.
Hierbij is een grondige kennis van de programmeertaal Python noodzakelijk.