تبدأ تحليلات البيانات الضخمة بمحددات جوهرية، تشمل التخزين، والجدولة، وتنسيق عمليات الحوسبة، والمقايضات التي تشكّل طبيعة الأنظمة الموزعة. وتُكسب هذه الدورة الدارسين فهماً عملياً لكيفية انتقال مهام التحليل عبر العنقود الحاسوبي (cluster)، وموقع كل من Hadoop وSpark ضمن البنية التقنية، وآلية دمج أعباء العمل القائمة على المعالجة الدفعية (batch) وتلك القائمة على البث المستمر (streaming). وتُعد الدورة خياراً مثالياً للمتعلمين الراغبين في استيعاب آليات عمل أنظمة البيانات واسعة النطاق، دون الاكتفاء بالتعامل مع البنية التحتية كنظام غامض أو "صندوق أسود".
يتناول المقرر قيود أنظمة البيانات الضخمة، والتخزين الموزع، وجدولة المهام في العناقيد (clusters)، وبيئة Hadoop، إلى جانب النموذج المفاهيمي لـ MapReduce ونموذج التنفيذ في Spark. كما يغطي المقرر تحسين أداء Spark وتصحيح الأخطاء، وتصميم مسارات معالجة الدفعات (batch pipelines) المتكاملة، والمعالجة المتدفقة للبيانات المهيكلة (structured streaming)، بالإضافة إلى عرض وتوفير الرؤى المستمدة من البيانات الضخمة.