1. prepoznati i razumjeti zašto neki problem pripada u kategoriju velikih podataka
2. primijeniti programskih model MapReduce prilikom susretanja s određenim tipovima problema
3. dizajnirati i vrednovati sustav za pronalaženje sličnih entiteta u velikim skupu podataka
4. dizajnirati i vrednovati sustav za pronalaženje čestih skupova u velikom skupu podataka
5. dizajnirati i vrednovati sustav za rangiranje čvorova vrlo velikom skupu podataka predočenom grafom
6. dizajnirati i vrednovati sustav za preporučivanje
7. primijeniti odgovarajuće algoritme s ciljem pronalaženja grupa u velikom skupu padataka
8. primijeniti odgovarajuće algoritme za obradu tokova podataka

Predavanja popraćena PowerPoint projekcijom s prikazom teorijskih načela.

Objašnjavanje popratnih primjera i rješavanje zadataka za vrijeme predavanja.

Programsko ostvarenje odabranih metoda analize velikih skupova podataka. Studenti samostalno programski ostvaruju laboratorijski zadatak i putem web-aplikacije predaju rješenja na automatizirano ocjenjivanje.

1. (en) Locality-sensitive hashing (LSH), minhash and simhash algorithms
2. (en) Locality-sensitive hashing (LSH), minhash and simhash algorithms
3. (en) Graph mining
4. (en) Web search (PageRank and HITS)
5. Dubinska analiza podataka pomoću programskog modela Map-Reduce , (en) Feature selection (filter methods, subset selection, wrapper method)
6. (en) Data stream mining
7. (en) Data stream mining
8. Međuispit
9. (en) Time series and sequences mining
10. (en) Collaborative filtering and recommender engines
11. (en) Clustering algorithms for large datasets (BFR, CURE)
12. (en) Sampling, filtering and estimating data stream moments
13. (en) Large-scale algorithms for mining frequent item sets (Apriori, PCY, SON)
14. (en) Detecting communities in large graphs (Girvan-Newman, Affiliation-Graph Model)
15. Završni ispit