BUAN 6346 / MIS 6346 - Summer 2022 Big Data - Course Syllabus

The course covers:

-    Theoretical and Practical aspects of Big Data

-    Business driver for Big Data

-    Distributed systems

-    Hadoop framework and related tools

-    Installation

-    Hadoop Architecture

-    HDFS

-    Yarn

-    MapReduce

-    Sqoop

-    Flume

-    Hive

-    Spark

Student Learning Objectives/Outcomes

-    Understanding Big Data concepts, architectures and analysis

-    Understanding Hadoop Ecosystem and its tools

-    Learning fundamentals of Spark framework for processing data

-    Developing hands-on experience with the tools to move, process and query data

-    Reach business like conclusions

Text Books

Main Books

-    Hadoop: The definitive guide by Tom White

-    Practical Data Science with Hadoop and Spark by Ofer Mendelevitch

-    Learning Spark by Jules S. Damji

-    Big Data - Principles and Best practices of scalable real-time data systems by Nathan Marz

Addition Books

-    Hadoop Application Architectures by Mark Grover

-    Hadoop in 24 Hours by Jeffrey Aven

-    Practical Hive by Scott Shaw

-    Hadoop in Practice by Alex Holmes

-    Apache Spark in 24 Hours by Jeffrey Aven

-    Programming Hive by Edward Capriolo

Required Materials

Laptop: with at least 8GB RAM.

Virtualization Environment: Virtual Box must be installed

We will go through the installation process of all the required software.

Download Ubuntu 20.04 LTS (https://ubuntu.com/download/desktop)

All software can be used/downloaded at no cost

All notes will be posted on eLearning (https://elearning.utdallas.edu/)

Tentative Course Schedule*

*The descriptions and timelines contained in this syllabus are subject to change at the discretion of the Professor

About Classes

-    Classes content will be posted weekly

-    Live time (professor available online) will be posted weekly

About Assignments

Individual Homework Assignments:

-    There will be multiple individual homework assignments during the semester.

-    Assignments must be submitted through eLearning on time (please do not wait till  last  minute,  put  at  least  one  hour  buffer  between  the  deadline  and  your planned submissions time)

-    Submissions emailed to the Instructor and/or TA will not count.

-    Delayed assignments will not be graded

Group Project:

-    Groups of 3 people, randomly selected by the instructor

Course Policies

-    Makeup Exam: There are no makeup exams. In case of a medical emergency, a medical report is required including physician information.

-    Missing  exam: Any  missing  exam without a medical report will be graded as Zero.

-    Assignments  must  be  submitted  through eLearning.  Emailed submissions are

not accepted.

-    UTD         Syllabus         Policies         and         Procedures:         Please         visit https://go.utdallas.edu/syllabus-policies

-    Cheating   will   not   be   tolerated.   When   I   find   evidence   of  cheating,  the documentation is turned over to the Office of Community Standards

Academic Integrity

In  general,  academic  dishonesty  involves  the  abuse  and  misuse  of  information  or people to gain an undeserved academic advantage or evaluation. The common forms of academic dishonesty include:

-    Cheating – using deception  in the taking of tests or the preparation of written work,  using  unauthorized  materials,  copying  another  person’s  work  with  or without consent, or assisting another in such activities.

-    Lying – falsifying, fabricating, or forging information in either written, spoken, or video presentations.

-    Plagiarism—using  the  published  writings,  data,  interpretations,  or  ideas  of another without proper documentation

Plagiarism  includes  copying and pasting  material from the internet  into assignments without properly citing the source of the material. Episodes of academic dishonesty are  reported to the Vice President for Academic Affairs. The potential penalty for academic dishonesty  includes a failing grade on a particular assignment, a failing grade for the entire course, or charges against the student with the appropriate disciplinary body.

Grading Scale

Calculated Grade Weights**

-    Assignments (20%)

-    Mid Term Exam (20%)

-    Final Exam (30%)

-    Group Project (30%)

**The calculated grade weights are subject to change at the discretion of the Professor.

Classroom citizenship

-    eLearning will be used for class content.

-    Slides and other class materials will be posted after class is held.

-    Class announcements (e.g., change in assignment dates) will be posted in the eLearning announcements. It is the students’ responsibility to regularly check the announcements (typically by having the announcement automatically forwarded to their email accounts).