Údaje předmětů z období:podzim 2025jaro 2026
FI ZARDA Processing and analysis of large-scale data
Název anglicky: Processing and analysis of large-scale data
navazující prezenční se specializací, vyučovací jazyk: angličtina angličtina
Zahrnut v programu: FI N-UIZD_A Artificial Intelligence and Data Processing

Informace o studiu

  • Součásti SZZ a jejich obsah
    Státní magisterská zkouška se skládá z obhajoby diplomové práce a z ústní zkoušky. Celá státní zkouška trvá 1 hodinu (přibližně 30 minut obhajoba, 30 minut zkoušení). Na prezentaci diplomové práce má student 15 minut, dalších 15 minut je věnováno rozboru posudků a diskuzi. Při zkoušení student odpovídá bez přípravy na položené otázky, typicky jde o rozpravu v rozsahu dvou až tří otázek.

    V případě negativních posudků na diplomovou práci se student může vzdát obhajoby, akceptovat hodnocení „neprospěl“ a přejít rovnou ke zkoušení. V případě neúspěšné obhajoby není možné odstoupit od zkoušení.

    Důvodem k neúspěšnému absolvování magisterských státních zkoušek je:

    Student nedokáže vysvětlit (ani intuitivně) některý z pojmů explicitně uvedených ve znění otázky.
    Student dokáže formulovat definice pojmů, ale není schopen je prakticky použít ani na elementárním příkladě.
    Student zná pojmy explicitně uvedené ve znění otázky, ale všechny pouze na povrchní úrovni, není schopen reagovat na doplňující otázky.
    Neznalost z jedné otázky (tj. znalost na stupeň F) nemůže být vyvážena brilantní znalostí z otázek dalších.

    Jazyk, ve kterém probíhá zkouška, záleží na programu. Anglické programy jsou zkoušeny anglicky, v ostatních je primárním jazykem čeština (nebo slovenština), po vzájemné dohodě lze však zkoušet i anglicky. Obhajoba diplomové práce se očekává v jazyce, ve kterém je práce psána.
  • Návrh témat kvalifikačních prací a témata obhájených prací
    Příklady obhájených závěrečných prací:
    1) Tvorba softwarového nástroje prezentující historii předávání informace: https://is.muni.cz/auth/th/325018/fi_m/
    2) Implement WS-Transfer specification for Apache CXF framework: https://is.muni.cz/auth/th/374054/fi_m/
    3) Automatic content migration from Kentico Draft to Kentico CMS:
    https://is.muni.cz/auth/th/396080/fi_m/
    4) Škálovatelný systém pro monitoring rádií s mobilní aplikací: https://is.muni.cz/auth/th/373947/fi_m/
    5) Ochrana elektronických dokumentů:
    https://is.muni.cz/auth/th/396204/fi_m/

Doporučený průchod studijním plánem

Obligatory courses of the programme / Povinné předměty studijního programu

Kód Název Garant Ukončení Rozsah Kreditů Semestr Profilace
FI:MA012Statistics II O. Pokorazk 2/2/03+2 1P
FI:IV126Fundamentals of Artificial Intelligence H. Rudovázk 2/0/13+2 1Z
FI:PA234Infrastuctural and Cloud Systems T. Rebokzk 2/2/03+2 2-
FI:PA152Efficient Use of Database Systems V. Dohnalzk 2/0/13+2 2Z
FI:PV021Neural Networks T. Brázdilzk 2/0/24+2 3Z
FI:PV056Machine Learning and Data Mining J. Sedmidubskýzk 2/0/13+2 2Z
FI:PV211Introduction to Information Retrieval P. Sojkazk 2/1/03+2 2Z
FI:PV251Visualization B. Kozlíkovázk 2/1/03+2 1Z
FI:SOBHAObhajoba závěrečné práce D. SvobodaSZk 0/0/0- 4-
FI:SZMGRStátní zkouška (magisterský studijní program) D. SvobodaSZk 0/0/0- 4-
41 kreditů

Master's Thesis / Diplomová práce

Obligation to obtain 20 credits from the SDIPR course.

Kód Název Garant Ukončení Rozsah Kreditů Semestr Profilace
FI:SDIPRDiplomová práce D. Svobodaz 0/0/020 4-
20 kreditů

Obligatory courses for specialization / Povinné předměty specializace

Kód Název Garant Ukončení Rozsah Kreditů Semestr Profilace
FI:MA018Numerical Methods J. Zelinkazk 2/2/03+2 3-
FI:PA017Information Systems Management J. Ráčekzk 2/0/02+2 1P
FI:PA128Similarity Searching in Multimedia Data P. Zezulazk 2/0/02+2 2-
FI:PA195NoSQL Databases V. Dohnalk 2/1/03+1 3-
FI:PA200Cloud Computing D. Gešvindrk 2/0/02+1 4P
FI:PA212Advanced Search Techniques for Large Scale Data Analytics J. Sedmidubskýzk 2/0/02+2 2P
FI:PA220Database Systems for Data Analytics V. Dohnalzk 2/0/02+2 1Z
FI:PV206Communication and Soft Skills V. Dohnalzk 3/2/0 Three blocks of 1.5 days each.4+2 4-
34 kreditů

Data Algorithms

Obtain at least 4 credits by passing courses of the following list

Kód Název Garant Ukončení Rozsah Kreditů Semestr Profilace
FI:PA228Machine Learning in Image Processing P. Matulazk 2/2/14+2 1-
FI:PV079Applied Cryptography V. Matyášzk 1/1/24+2 1-
FI:IA267Scheduling H. Rudovázk 2/02+2 1-
FI:PV254Recommender Systems R. Pelánekk 1/1/02+1 1-
FI:MA015Graph Algorithms J. Obdržálekzk 2/1/03+2 1-
24 kreditů

Projects and Laboratory

Obtain at least 4 credits by passing courses of the following list

Kód Název Garant Ukončení Rozsah Kreditů Semestr Profilace
FI:PV253Lab Seminar – Data Intensive Systems and Applications (DISA) P. Zezulak 0/2/02+1 1-
FI:PV229Multimedia Similarity Searching in Practice M. Batkoz 0/2/02 2-
FI:PA036Database System Project V. Dohnalz 0/2/02 2-
FI:PV212Seminar on Machine Learning, Language Representation and Information Retrieval P. Sojkak 0/2/02+1 1-
FI:PA026Artificial Intelligence Project A. Horákk 0/2/02+1 2-
13 kreditů

Free credits / Volné kredity

Complete additional courses so that the total credit gain is at least 120 credits for the entire study of this degree programme.