Ocena:
Obecnie brak opinii czytelników. Ocena opiera się na 4 głosach.
Big Data Science & Analytics: A Hands-On Approach
Dane i informacje są paliwem tej nowej ery, w której potężne algorytmy analityczne spalają to paliwo w celu generowania decyzji, które mają stworzyć inteligentniejszy i bardziej wydajny świat dla nas wszystkich. Ten nowy obszar technologii został zdefiniowany jako Big Data Science and Analytics, a społeczności przemysłowe i akademickie zdają sobie sprawę, że jest to konkurencyjna technologia, która może wygenerować znaczące nowe bogactwo i możliwości.
Big data definiuje się jako zbiory danych, których objętość, szybkość lub różnorodność jest tak duża, że trudno jest przechowywać, zarządzać, przetwarzać i analizować dane przy użyciu tradycyjnych baz danych i narzędzi do przetwarzania danych. Nauka o dużych zbiorach danych i analityka zajmuje się gromadzeniem, przechowywaniem, przetwarzaniem i analizą danych na masową skalę. Badania branżowe, przeprowadzone na przykład przez Gartner i e-Skills, przewidują, że będzie ponad 2 miliony wolnych miejsc pracy dla inżynierów i naukowców przeszkolonych tylko w dziedzinie nauki o danych i analityki, a rynek pracy w tym obszarze rośnie w tempie 150 procent rok do roku.
Napisaliśmy ten podręcznik, jako część naszej rozwijającej się serii "A Hands-On Approach"(TM), aby zaspokoić tę potrzebę w szkołach wyższych i na uniwersytetach, a także dla dostawców usług Big Data, którzy mogą być zainteresowani oferowaniem szerszej perspektywy tej rozwijającej się dziedziny, aby towarzyszyć swoim programom szkoleniowym dla klientów i programistów. Oczekuje się, że typowy czytelnik ukończył kilka kursów programowania przy użyciu tradycyjnych języków wysokiego poziomu na poziomie college'u i jest albo starszym, albo początkującym absolwentem jednej z dziedzin nauki, technologii, inżynierii lub matematyki (STEM). Strona internetowa towarzysząca tej książce zawiera dodatkowe wsparcie dla nauczania i uczenia się (www.big-data-analytics-book.com).
Książka podzielona jest na trzy główne części, obejmujące łącznie dwanaście rozdziałów. Część I zawiera wprowadzenie do big data, zastosowań big data oraz wzorców i architektur nauki i analityki big data. Zaproponowano nowatorską metodologię projektowania systemu aplikacji do nauki i analizy danych oraz opisano jej realizację poprzez wykorzystanie frameworków big data typu open source. Metodologia ta opisuje aplikacje do analizy dużych zbiorów danych jako realizację proponowanych modeli Alpha, Beta, Gamma i Delta, które obejmują narzędzia i ramy do gromadzenia i pozyskiwania danych z różnych źródeł do infrastruktury analizy dużych zbiorów danych, obejmujące rozproszone systemy plików i nierelacyjne (NoSQL) bazy danych do przechowywania danych oraz ramy przetwarzania dla analiz wsadowych i w czasie rzeczywistym. Ta nowa metodologia stanowi pedagogiczną podstawę tej książki.
Część II wprowadza czytelnika w różne narzędzia i frameworki do analizy dużych zbiorów danych oraz aspekty architektoniczne i programistyczne tych frameworków, z przykładami w Pythonie. Opisane zostały frameworki komunikacyjne Publish-Subscribe (Kafka i Kinesis), konektory Source-Sink (Flume), konektory bazodanowe (Sqoop), kolejki komunikacyjne (RabbitMQ, ZeroMQ, RestMQ, Amazon SQS) oraz niestandardowe konektory oparte na protokołach REST, WebSocket i MQTT. Czytelnik zapoznaje się z przechowywaniem danych, analizą wsadową i w czasie rzeczywistym oraz interaktywnymi strukturami zapytań, w tym HDFS, Hadoop, MapReduce, YARN, Pig, Oozie, Spark, Solr, HBase, Storm, Spark Streaming, Spark SQL, Hive, Amazon Redshift i Google BigQuery. Opisane zostały również bazy danych (MySQL, Amazon DynamoDB, Cassandra, MongoDB) oraz platforma internetowa Django Python.
Część III wprowadza czytelnika w różne algorytmy uczenia maszynowego z przykładami wykorzystującymi frameworki Spark MLlib i H2O oraz wizualizacje wykorzystujące frameworki takie jak Lightning, Pygal i Seaborn.
