Traitement de données massives

John Samuel
CPE Lyon

Année: 2024-2025
Courriel: john.samuel@cpe.fr

Objectifs

1. Explorer l'évolution historique du traitement de données massives (Big Data), ses origines et son impact sur la science.
2. Maîtriser les techniques de représentation, manipulation et prétraitement des données pour en optimiser l'utilisation.
3. Appliquer des méthodes avancées de traitement des données pour extraire des informations pertinentes et exploitables.
4. Construire des modèles de traitement par apprentissage machine afin d'analyser et de prédire des tendances à partir de données massives.
5. Intégrer les données ouvertes liées dans vos analyses pour enrichir vos résultats.
6. Se familiariser avec les outils essentiels tels que Hadoop, Hive et Spark pour mener des analyses approfondies sur de vastes ensembles de données.

Environnement de programmation:

• Système d'exploitation: Linux
• Ubuntu
• Machine virtuelle (VirtualBox) + Ubuntu
• Éditeur: Jupyter
• Logiciels:
  • Python: pandas, numpy, matplotlib, scikit-learn
  • Hadoop, Hive, Spark, Docker/Kubernetes

Cours:

• Interactifs
• Devoir surveillé: 60%

Travaux pratiques et projet

• Projet: 40%
• 5 travaux pratiques et projet (parties 1 et 2)
• Programmation en binôme
• Soumission en ligne

Devoir surveillé (DS): 60%

• Examen: En-ligne sur E-campus
• Durée: 2 heures
• Total: 20 points
• Documents: autorisés
• Types de documents autorisés: tous les documents autorisés
• Calculatrices : non autorisées
• Utilisation de l'internet : non autorisée
• Dépôt supplémentaire : disponible pour les fichiers personnels

Vous recevrez un courrier détaillé avant l'examen

Travaux pratiques et projet

• Les 2 deux parties du projet seront évaluées.
• L'évaluation est divisée en deux parties distinctes : Partie 1 d'un côté et Partie 2 de l'autre.
• Deux dates limites de soumission sont précisées sur e-campus, correspondant à chaque partie de projet.
• Il est fortement conseillé de travailler en binôme pour favoriser la collaboration et l'efficacité.

Travaux pratiques

• Exploration approfondie de Jupyter, une plateforme interactive prisée pour l'analyse de données. Création de notebooks interactifs, intégration de code et de visualisations pour une analyse interactive des données massives.
• Expérience pratique avec des jeux de données ouvertes, permettant une compréhension concrète des enjeux liés au traitement massif. Application de techniques avancées pour extraire des insights significatifs à partir de données volumineuses et hétérogènes.

Soumission: Travaux pratiques et projet

• Les TP, notés de 1 à 9, ne sont pas soumis à évaluation. Cependant, la participation active et l'assiduité sont fortement encouragées pour une meilleure compréhension des concepts enseignés.
• L'évaluation du projet compte pour 20 points.

Travaux pratiques

Chaque TP comporte plusieurs exercices. Chaque exercice est accompagné d'une indication de niveau de difficulté :

• ★: Facile
• ★★: Difficulté moyenne
• ★★★: Difficile

Liste de contrôle

Avant de soumettre votre travail pratique, veuillez vérifier que vous avez respecté la liste de contrôle suivante :

• ✅ Les noms complets (prénom et noms) de la binôme sont correctement inclus dans le fichier CONTRIBUTORS.md.
• ✅ Le fichier README.md est rempli de manière exhaustive et conforme aux instructions fournies.
• ✅ Vous avez respecté les noms de fichiers tels que spécifiés dans chaque exercice des travaux pratiques.
• ✅ Votre code est accompagné de commentaires appropriés pour expliquer la logique et la fonctionnalité.
• ✅ Votre code peut être exécuté sans générer d'erreurs, et dans la mesure du possible, sans générer d'avertissements.

Modèle de code

Vous pouvez consulter https://github.com/johnsamuelwrites/TDM en ligne
ou le cloner sur votre machine à l'aide du terminal en utilisant les commandes suivantes.

                	  $ git clone https://github.com/johnsamuelwrites/TDM

                	  $ cd TDM ; ls
                	 

Et pour les dernières modifications:

                	  $ git pull

                	 

Travaux pratiques: Notebooks Jupyter

• Lorsque vous créez un nouveau notebook (onglet "New"), vous aurez la possibilité de choisir parmi plusieurs kernels.
• Assurez-vous de sélectionner le kernel "Python 3" ou "Python 3+" pour ce TP.

Travaux pratiques: Notebooks Jupyter

• Découpage structuré : Divisez le code en cellules, facilitant la compréhension, la modification, et le débogage par étapes.
• Interactivité : Exécutez du code Python directement dans le notebook, permettant une exploration interactive des données.
• Avantages - Communication complète : Combine explications, visualisations, et code dans un seul document, facilitant la compréhension et le partage avec d'autres.

Travaux pratiques: notebook Jupyter

• Explorer l'utilisation de la bibliothèque scikit-learn pour la mise en œuvre de tâches d'apprentissage machine à l'aide de jeux de données intégrés.

Travaux pratiques: Visualisation et notebook Jupyter

Travaux pratiques: Visualisation et notebook Jupyter

Travaux pratiques: Wikidata (Open Data)

Système de numération

Système de numération

• Utilisation pour représenter et manipuler des quantités.
• Contribution à la collecte et à l'organisation des données.

Exemples de Systèmes Anciens

• Système Babylonien : Base 60, utilisé pour des calculs astronomiques.
• Numération Maya : Base 20, avec un système de points et de traits.
• Système Romain : Symboles alphanumériques pour représenter des quantités.

Système de numération

Applications

• Enregistrement historique : Utilisation de ces systèmes pour enregistrer des données importantes.
• Calculs astronomiques : Adaptation à des besoins spécifiques comme les calculs astronomiques.

Transition vers les systèmes modernes

• Évolution numérique : Passage aux systèmes binaires et décimaux.
• Héritage culturel : Impact persistant sur la numération moderne.

Machine à Écrire

• Invention : Développement au 19e siècle pour la saisie et la documentation.
• Traitement manuel : Limitations liées à la vitesse et à la capacité.

Machine à écrire électronique

• Transition numérique : Intégration de composants électroniques dans les machines à écrire.
• Augmentation de la vitesse et de l'efficacité : Améliorations dans le traitement de l'information.

Automatisation Partielle : Réduction des tâches manuelles dans la saisie de données.

Machine à calculer de Blaise Pascal

• Invention au 17e siècle : Calculatrice mécanique à six chiffres.
• Utilisation scientifique : Contribution à la résolution de problèmes mathématiques complexes.

Machine à Différences de Charles Babbage

• Conception au 19e siècle : Machine mécanique pour automatiser les calculs.
• Précurseur des ordinateurs : Influence sur le développement des ordinateurs modernes.

Automatisation des calculs : Réduction du temps nécessaire pour effectuer des calculs complexes.

Avancées scientifiques : Facilitation de la recherche scientifique grâce à des outils de calcul plus efficaces.

L'ENIAC (1947-1955)

• Pionnier de l'ère informatique : Premier ordinateur électronique de grande échelle.
• Calculs complexes : Utilisé pour des calculs scientifiques et militaires.

IBM PC 5150 (1983) :

• Ère des ordinateurs personnels : Lancement du premier IBM PC accessible au grand public.
• Révolution informatique : Popularisation de l'informatique domestique et des logiciels.

Démocratisation de l'informatique : Transition vers l'accessibilité et l'utilisation généralisée des ordinateurs.

Précurseurs des technologies actuelles : Fondement des systèmes informatiques modernes.

Disquettes (8 Pouces, 5,25 Pouces et 3,5 Pouces)

• Développement : Introduction des différentes tailles de disquettes dans les années 1970 et 1980.
• Stockage Amovible : Moyen de stockage pratique pour le transfert de données.

Disque Dur

• Développement : Introduction des premiers disques durs dans les années 1950.
• Stockage Permanent : Utilisation de disques magnétiques pour stocker des données de manière permanente.
• Capacité Croissante : Évolution vers des disques durs offrant une capacité de stockage de plus en plus importante.

Stockage portable et massif: Disquettes pour la portabilité des données et le stockage volumineux et permanent.

Croissance des Capacités de Stockage

• Début de l'informatique : Capacités de stockage modestes, souvent mesurées en kilooctets.
• Années 2000 : Expansion significative avec l'avènement des disques durs de plusieurs gigaoctets.
• Époque contemporaine : Térabytes et pétaoctets deviennent la norme.

Technologies de Stockage Émergentes

• Stockage Flash : Introduction de la mémoire flash pour des performances rapides.
• Stockage en nuage : Utilisation de services cloud pour une capacité virtuellement infinie.
• Innovations futures : Anticipation de nouvelles avancées dans le stockage quantique, etc.

Systèmes

Calcul distribué

Les projets suivants ont utilisé la puissance de traitement des ordinateurs personnels pour différents objectifs

• Genome@home: pour l'étude des génomes et des protéines
• Folding@home: simuler le repliement des protéines dans diverses configurations de température et de pression
• SETI@home: détecter de la vie intelligente non terrestre
• LHC@Home: simuler les collisions de particules élémentaires dans l’accélérateur de particules LHC

Le populisme de la base de données [Driscoll 2012]

• La surveillance et le contrôle
• La fonction sociale de la technologie des bases de données
  • fin du XIXe siècle: les systèmes de cartes perforées électromécaniques et le traitement de l'information à grande échelle
  • fin des années 1970: la disponibilité des micro-ordinateurs et la mise en œuvre du modèle de données relationnelles
  • début du 21ème siècle: le traçage des utilisateurs grâce à des systèmes de communication hautement centralisés

Big Data: 3V [Chen 2012, Kwon 2014, Gandomi 2015]

• Volume
  • Images et vidéos
• Variété
  • données structurées
  • données non-structurées
  • données semi-structurées
• Vélocité
  • la vitesse à laquelle les données sont générées
  • millions de transactions par heure

Big Data: 6V [Gandomi 2015]

• Volume
• Variété
• Vélocité
• Verité
  • traiter des données imprécises et incertaines
• Variabilité
  • la variation des flux de données
  • des pics et des dépressions
• Valeur
  • obtenir une valeur élevée en analysant de grands volumes de données

Big Data [Kitchin 2016]

• Exhaustif
  • capable de capturer un système entier
• Extension
  • de nouveaux éléments peuvent être facilement ajoutés

Articles de recherche

• [Chen 2014] Chen, Min, et al. “Big Data: A Survey.” Mobile Networks and Applications, vol. 19, no. 2, Apr. 2014, pp. 171–209. Springer Link
• [Driscoll 2012] Driscoll, Kevin. “From Punched Cards to ‘Big Data’: A Social History of Database Populism.” Communication 1, vol. 1, no. 1, Aug. 2012, pp. 1–33
• [Gandomi 2015] Gandomi, Amir, and Murtaza Haider. “Beyond the Hype: Big Data Concepts, Methods, and Analytics.” International Journal of Information Management, vol. 35, no. 2, Apr. 2015, pp. 137–44.
• [Kitchin 2016] Kitchin, Rob. “Big Data.” International Encyclopedia of Geography, American Cancer Society, 2016, pp. 1–3. Wiley Online Library
• [Kwon 2014] Kwon, Ohbyung, et al. “Data Quality Management, Data Usage Experience and Acquisition Intention of Big Data Analytics.” International Journal of Information Management, vol. 34, no. 3, June 2014, pp. 387–94.

• https://fr.wikipedia.org/wiki/Big_data
• https://en.wikipedia.org/wiki/Genome@home
• https://fr.wikipedia.org/wiki/Folding@home
• https://fr.wikipedia.org/wiki/SETI@home
• https://fr.wikipedia.org/wiki/LHC@home

Crédits d'images

• Wikimedia Commons
• Pixabay