in1 Našao sam spremljene reviewe još sa fer2/3 neta:
ROVKP:
Predmet se ove godine držao prvi put pa ću staviti malo opširniji komentar. Meni je osobno ovo bio najdraži predmet ovaj semestar uz Sustave baza podataka (imali su nekih problema, ali mislim da im se može oprostiti pošto se predmet održavao po prvi put). Predmet se temelji na Big Data principima te se radi Apache Hadoop. Analiza velikih skupova podataka se više temelji na algoritmima, dok je Raspodijeljena obrada velike količine podataka napravljena da bude više praktičniji predmet. Predavanja su dobra, obrađuju se mnogi dijelovi Hadoopa (osnove) te se ne ide puno u dubinu. I Pintar i Podnar-Žarko i Pripužić su dobri predavači te svatko od njih dobro predaje na svoj način. Najviše predavanja drže Podnar-Žarko i Pripužić te ćete njih više viđati na predavanjima. Meni je inače MapReduce bio puno bolje objašnjen na ROVKP-u te sam ga tu baš pošteno shvatio. Malo se dublje proučavanje gradiva ostavlja za laboratorijske vježbe koje su korektne i temelje se na domaćim zadaćama (i dobar dio zadataka se sveo na primjere zadataka s predavanja ili manje prerađivanje istih). Labosi su mogli biti malo bolje posloženi (u prvom ciklusu smo cijeli labos morali napraviti u 3 sata na terminu, ali to su kasnije promijenili jer očito nije išlo), ali poboljšavali su stvari u 2. ciklusu i mislim da će to ići na sve bolje i bolje. Ispiti su lagani te su bili napravljeni od njihovih objavljenih zadataka (tj. pitanja) za ponavljanje za ispit. Uglavnom su bili korektni s bodovima ove godine te nisu puno škrtarili ove godine.
Uglavnom, predmet je bio super i zanimljiv mislim da će bili vrhunski predmet čim poboljšaju neke stvari, ali već su nakon 1. ciklusa krenuli poboljšavati predmet pa će to sigurno ići samo na bolje. Definitivno preporučujem za upisivanje! :icon_surprised:
Težina: 2.5/5
Korisnost: ⅘
Predmet se također može zvati “Hadoop i sve što ima veze s njim”. U početku se radi HDFS, pa sam Hadoop, odnosno MapReduce. Pa malo Mahout, pa Spark itd. odnosno obrada podataka koji se nalaze na više računala tj. nekakvom grozdu.
Predavanja su solidna i imaju smisla. Za razliku od AVSP-a, ne ide se u implementacijske detalje, nego korištenje gotovih ranije navedenih frameworka. Na labosima tako npr. imate zadatak čačkati nešto s datotekama u HDFS-u, pisati razne MapReduce poslove, raditi preporuku objekata u Mahoutu i analizirati tokove podataka u Sparku. Sve bi to bilo divno i krasno da labosi nisu formatirani tako da morate doći na faks i u tri sata napraviti labos. Prije toga dobijete zadaću koju morate riješiti i rješenja donjeti na labos. U zadaći budu slični/isti zadaci koji budu i na labosu, ali je problem što na labosima uvijek nešto neće valjati ili se ponašati kako treba ili će biti užasno sporo. U početku se koristila virtualka za pokretanje Hadoop poslova, što je stvaralo dodatne probleme i bilo sporo, a kasnije su za windowse dali nove upute za korištenje hadoopa bez virtualke, pa je bilo podnošljivije. Za zadnja dva labosa su dan prije objavili zadatke labosa, jer su vidjeli da onako ne ide.
Sve u svemu dobar predmet, trebaju još malo dotjerat razvojnu okolinu (virtualku i IDE, jer treba 16 parametara i programa postaviti ko da si na bazama) te dotjerat format labosa i predmet će biti bonbon.
Predavanja: nose 10 bodova zajedno s pojavljivanjem na labosima, dobri su slajdovi pa su ona beskorisna.
Labosi: ove godine nas je bilo 120 pa su se izvještaji predavali na Moodle i pisao kolokvij. Ukupno 4 labosa, 40 bodova, za svaki 2.5 izvještaj + 7.5 kolokvij. Dan prije MI su stavili uvjet da samo oni koji predaju izvještaj mogu dobiti bodove na kolokviju. Zatim su se neke pametnice sjetile predavat prazne izvještaje pa su dan prije ZI stavili uvjet da treba imati > 0 bodova iz izvještaja da si se dobili bodovi na kolokviju. Kolokvij iz labosa je smiješno detaljan, doslovno se mora znati sve, ali dijele bodove di god mogu.
Predmet također ima i 4 DZ koje su rješavanje malo pojednostavljenih zadataka iz labosa, svaka nosi 2.5 boda. Ideja je da one budu “priprema za labos”.
Tako da se 8 od 13 tjedana predavanja nešto mora raditi, jasno da mi je na kraju bilo zlo od toga. :doh:
Ispiti: klasična ZTEL-ovska esejska pitanja, blago ocjenjuju, samo 2. ciklus na ZI.
Težina: 2.5/5 + psihički napor kontinuiranog rada
Korisnost: ⅘ - pogotovo za 1 sat predavanja tjedno, a oduzeo sam 1 zbog činjenice da neke stvari ne bi trebale biti u Javi, jednostavno ne.
Potpuna suprotnost AVSP-u, rade se konkretne stvari i u konkretnoj tehnologiji (Apacheov framework). Što ima i prednosti i mana. Bojim se da će oni kojima je ovo jedini data analysis predmet biti previše vezani za konkretne tehnologije. Ali ako znate da se neke stvari drukčije mogu lakše (prvenstveno mislim na Javu), prolazi se širok spektar koncepata koji su korisni (distribuirani datotečni sustav, pretraga teksta, recommender systems, tokovi podataka, strojno učenje, društvene mreže, graph search) i to na način da se može uzeti nešto konkretno i s tim raditi, a da se gleda i šira slika.
Predavanje o strojnom je malo cringy onima koji su prošli stvarni predmet, ali mislim da bi je bilo korisno onima koji nisu imali pojma što je to.
Upisao bih opet, iako je naporno raditi kontinuirano, vrlo je lako proći i imati > 2. Isto se ne radi sa stvarnim big data stvarima, što je i očekivano, ali su podaci bar stvarni.
Drugi Big Data predmet u semestru, rade se slični koncepti kao na AVSP-u, no predmet je drugačije koncipiran kao takav. Ne uče se algoritmi i ne ulazi se (puno) u dubinu kako neki sustavi rade, već se koriste gotovi frameworks kao Apache Hadoop,
Lucene, Mahout i Spark. Ti alati se koriste na labosima i labosi su na ovom predmetu jako (bodovno) vrijedni. Bodovi iz njih se steču pismenim putem u terminima ispita (ispit bude u dva dijela, prvi se boduje za labose, a drugi kao MI/ZI. Savjet je da ih napišete sami jer nisu preteški, a puno ćete naučiti za te pismene ispite.
Predaju Podnar-Žarko, Pripužić i par predavanja Pintar. Bio sam na par predavanja i bila su meh i onda sam odustao od njih jer su nebitna. Organiziranost predmeta bi mogla biti bolja - predavači su dan (tj. večer) prije ispita izmišljali neke pragove koji nisu bili navedeni na početku semestra niti u uvodnoj prezentaciji, a ti pragovi su bili veliki gamechanger za dio studenata. Pa pazite :lac:
Predmet je srednje težak i također bi ga preporučio svima zainteresiranim za Big Data. Možda je mrvicu lakši od AVSP-a po meni, a niti AVSP nije nešto pretežak.
Težina: ⅗
Korisnost: ⅗
p.s. Podnar-Žarko nema pojma
ASVP:
AVSP je meni bio zanimljiv predmet, rade se razni algoritmi za analizu velikih skupova podataka (pronalazak sličnih dokumenata, sustavi za preporučivanje, clustering i sl.). Profesori kvalitetno objasne gradivo. MI je bio lagan, ali je bilo premalo vremena, ZI je bio dosta težak. Labosi ovise o vještini programiranja, ali 30/35 ne bi smio biti problem. Postoji prag iz teorije i praktičnog dijela. Skoro svake godine se taj prag smanji za teoriju.
Labosi: 35
Predavanja: 5
MI + ZI: 30 + 30
labosa je ove godine bilo 5 i oni su ok, rjese se brzo, po par sati za svaki, nije nista komplicirano, ali se moze izgubiti vremena na debagiranje, za svaki labos daju testni primjer koji je dovoljno reprezentatitvan da bi uglavnom bili sigurni da radi ispravno
predavanja standardno par puta posalju potpis i ima dodatnih na aktivnosti, ne mogu suditi o kvaliteti predavanja jer sam bila samo jednom
o ispitima isto bas ne mogu suditi, za MI sam pocela ucit jutro prije, na ZI nisam izasla, napisem dojam o ispitima poslje roka 😃
navodno postoji prag od 32.5 boda iz MI + ZI + predavanja, ali ne vjerujte bas u to jer su ga obje godine ukinuli
pouka: izadite na ZI pa makar i ako vam nedostaje dosta bodova do praga, jer proci cete, ne budite glupi pa da morate na rok ko ja 😃
tezina: ⅗
korisnost: eksuali bi moglo biti korisno, taj big data je sad neki meme buzzword lol
mozda bi upisala ponovno
Predmet jako sličan PPJ-u po organizaciji što nije čudno jer ga drži ista ekipa Srbljićevih miniona, samo ovaj put bez njega. Rade se prvenstveno algoritmi nad big datom, ne konkretne tehnologije.
Predavanja: nose 5 bodova, potpuno beskorisna, koristila su mi uglavnom kao mjesto za čitanje radova iz APT-a.
Labosi: 2 inačice, grupna nosi 40, a pojedinačna 35 bodova. Grupna rješava neki konkretni problem i prezentira na zadnjem satu, više je problem analize nego big data, možda i može biti zanimljivo. Pojedinačna u kojoj sam ja bio ima tipičnu predaju na Sprut, implementacija zadanog algoritma, neki njihovi primjeri. Vidio nisam big data niti neke konkretne (as in, iz stvarnog svijeta) podatke uopće, ali malo sam unaprijedio svoj coding style i poznavanje Jave. Može se raditi u C/C++/C#/Javi/Pythonu.
Ispiti: 80% bodova su zadaci koji postoje u zbirci (može se vidjeti na FERwebu), ostalo neki dokaz ili složenost. Nisu baš široke ruke u bodovanju, ali ne zakidaju.
Trebalo bi imati teorijski prag od 50% predavanja + ispita, ali nije ga bilo niti ove niti prošle godine.
Težina: 3.5 s pragom koji nije bio proveden, 2.5 bez njega
Korisnost: ⅖
Upisao bih ponovno jer mi nije bilo teško, ali nije baš sjajan predmet, vrlo suhoparan.
Na predmetu se uče algoritmi i koncepti iz raznih područja Big Data - Recommender Systems, Clustering, MapReduce, Stream Analysis, Graph/Network Analysis, Finding Similar Item(sets)…..
Predavanja drže Klemo, Delač i Šilić i predavanja su solidna, no gradivo predmeta je STOPOSTOTNI COPY/PASTE predavanja sa Stanforda, praktički od riječi do riječi, pa bez problema možete učiti i bez odlaska na predavanja -
Labosi nisu teški, dapače nekoliko labosa je uber lagano. Predaja ista kao na UTR-u - SPRUT i možete pisat u Py/Java/C++/C#.
Postoji i službena zbirka s riješenim zadacima koja je dobra priprema za ispite.
Meni je predmet bio zanimljiv i preporučio bi ga svima koji imaju imalo interesa prema području Big Data. Predmet nije trivijalan, ali je daleko od (jako) teškog.
Težina: 3-3.5/5
Korisnost: 3.5/5