Průchod studijním plánem
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
Zahrnut v programu: FI N-UIZD_A Artificial Intelligence and Data Processing
navazující prezenční se specializací, vyučovací jazyk: angličtina
Zahrnut v programu: FI N-UIZD_A Artificial Intelligence and Data Processing
Informace o studiu
- Součásti SZZ a jejich obsahStátní 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 pracíPříklady 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 | Ukončení | Kreditů | Semestr | Profilace |
FI:MA012 | Statistics II | zk | 3+2 | 1 | P |
FI:IV126 | Fundamentals of Artificial Intelligence | zk | 3+2 | 1 | Z |
FI:PA234 | Infrastuctural and Cloud Systems | zk | 3+2 | 2 | - |
FI:PA152 | Efficient Use of Database Systems | zk | 3+2 | 2 | Z |
FI:PV021 | Neural Networks | zk | 4+2 | 3 | Z |
FI:PV056 | Machine Learning and Data Mining | zk | 3+2 | 2 | Z |
FI:PV211 | Introduction to Information Retrieval | zk | 3+2 | 2 | Z |
FI:PV251 | Visualization | zk | 3+2 | 1 | Z |
FI:SOBHA | Obhajoba závěrečné práce | SZk | - | 4 | - |
FI:SZMGR | Státní zkouška (magisterský studijní program) | SZk | - | 4 | - |
41 kreditů |
Master's Thesis / Diplomová práce
Obligation to obtain 20 credits from the SDIPR course.
Kód | Název | Ukončení | Kreditů | Semestr | Profilace |
FI:SDIPR | Diplomová práce | z | 20 | 4 | - |
20 kreditů |
Obligatory courses for specialization / Povinné předměty specializace
Kód | Název | Ukončení | Kreditů | Semestr | Profilace |
FI:MA018 | Numerical Methods | zk | 3+2 | 3 | - |
FI:PA017 | Information Systems Management | zk | 2+2 | 1 | P |
FI:PA128 | Similarity Searching in Multimedia Data | zk | 2+2 | 2 | - |
FI:PA195 | NoSQL Databases | k | 3+1 | 3 | - |
FI:PA200 | Cloud Computing | k | 2+1 | 4 | P |
FI:PA212 | Advanced Search Techniques for Large Scale Data Analytics | zk | 2+2 | 2 | P |
FI:PA220 | Database Systems for Data Analytics | zk | 2+2 | 1 | Z |
FI:PV206 | Communication and Soft Skills | zk | 4+2 | 4 | - |
34 kreditů |
Data Algorithms
Obtain at least 4 credits by passing courses of the following list
Projects and Laboratory
Obtain at least 4 credits by passing courses of the following list
Kód | Název | Ukončení | Kreditů | Semestr | Profilace |
FI:PV253 | Lab Seminar – Data Intensive Systems and Applications (DISA) | k | 2+1 | 1 | - |
FI:PV229 | Multimedia Similarity Searching in Practice | z | 2 | 2 | - |
FI:PA036 | Database System Project | z | 2 | 2 | - |
FI:PV212 | Seminar on Machine Learning, Language Representation and Information Retrieval | k | 2+1 | 1 | - |
FI:PA026 | Artificial Intelligence Project | k | 2+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.