Overview

This course focuses on methods and techniques to efficiently explore and analyse large data     collections. Where are hot spots of pedestrian accidents across a city? What are the most        popular travel locations according to user postings on a travel website? The ability to combine  and analyse data from various sources and from databases is essential for informed decision    making in both research and industry. Students will learn how to ingest, combine and                 summarise data from a variety of data models which are typically encountered in data science projects, such as relational, semi-structured, time series, geospatial, image, text. As well as      reinforcing their programming skills through experience with relevant Python libraries, this        course will also introduce students to the concept of declarative data processing with SQL,      and to analyse data in relational databases. Students will be given data sets from, eg. , social    media, transport, health and social sciences, and be taught basic explorative data analysis and mining techniques in the context of small use cases. The course will further give students an     understanding of the challenges involved with analysing large data volumes, such as the idea to partition and distribute data and computation among multiple computers for processing of      'Big Data'.

Details

Enrolment rules

Teaching staff and contact details

Assessment

Homework: Short weekly homework quizzes in Canvas. They are designed to help you

review your learning of each week’s topic.

SQL tutorials and SQL Test: Students work through weekly online tutorials introducing

increasingly sophisticated usage of SQL. The SQL tutorials provide simple feedback and  allow multiple attempts, and example solutions are available after the submission            deadline has passed. Solutions are provided for each week, and the topics are assessed in a mid-semester SQL test.

Practical Assignment: Students work in teams on a larger data integration and data

analysis task, where some supplied datasets have to be combined with additional data researched by students. The final submission consists of the source code artifacts        developed by the teams, plus a short report of their findings, and a group demo during the labs of Week 12.

Final Examination: Understanding of all of this unit’s material is reviewed. Detailed information for each assessment can be found on Canvas.

Assessment criteria

The University awards common result grades, set out in the Coursework Policy 2014 (Schedule 1).

As a general guide, a high distinction indicates work of an exceptional standard, a distinction a

very high standard, a credit a good standard, and a pass an acceptable standard.