Data Lakehouse: Podstawa sztucznej inteligencji, uczenia maszynowego i siatki danych

Opinie czytelników

Książka dostarcza podstawowej wiedzy na temat typów danych i ich zastosowań w podejmowaniu decyzji biznesowych, w szczególności w odniesieniu do przetwarzania danych w chmurze. Jednak niektórzy czytelnicy stwierdzili, że brakuje jej głębi i praktycznych przykładów.

Łatwa w czytaniu, dobrze skonstruowana, pomaga w zrozumieniu przetwarzania danych w chmurze, pozwala uniknąć kosztownych błędów w zarządzaniu danymi.

Brak praktycznych przykładów i dogłębnego omówienia koncepcji teoretycznych, może być postrzegana jako zbyt droga w stosunku do oferowanej treści.

(na podstawie 2 opinii czytelników)

Oryginalny tytuł:

The Data Lakehouse: The Bedrock for Artificial Intelligence, Machine Learning, and Data Mesh

Zawartość książki:

Data lakehouse to następna generacja hurtowni danych i jezior danych, zaprojektowana z myślą o współczesnych złożonych i stale zmieniających się nowoczesnych systemach informatycznych. Ta książka pokazuje, jak skonstruować hurtownię danych jako podstawę dla sztucznej inteligencji (AI), uczenia maszynowego (ML) i inicjatyw związanych z siatką danych. Poznaj pułapki i techniki maksymalizacji wartości biznesowej swojej data lakehouse.

Ponadto, być w stanie wyjaśnić podstawowe cechy i krytyczne czynniki sukcesu data lakehouse. Przeglądając błędy wprowadzania, kluczowe niezgodności i zapewniając dobrą dokumentację, możemy poprawić jakość danych i wiarygodność Twojej hurtowni danych. Ocena kryteriów jakości danych, w tym dokładności, kompletności, niezawodności, istotności i terminowości. Zapoznanie się z różnymi typami magazynów dla Lakehouse, w tym z niewykorzystywanymi, ale niezwykle cennymi magazynami masowymi.

Istnieją trzy typy danych w data lakehouse (ustrukturyzowane, tekstowe i analogowe / IoT) i dla każdego z nich dowiedz się, jak zbudować solidne podstawy dla sztucznej inteligencji (AI), uczenia maszynowego (ML) i siatki danych. Wykorzystaj modele danych dla danych strukturalnych, ontologie i taksonomie dla danych tekstowych oraz algorytmy destylacji dla danych analogowych/IoT. Dowiedz się, jak abstrahować te typy danych, aby dostosować je do przyszłych wymagań i uprościć linię danych. Zastosuj wyodrębnianie, przekształcanie i ładowanie (ETL), aby stworzyć strukturę, która zwraca odpowiedzi na problemy biznesowe. Efektem końcowym jest jezioro danych, które spełnia nasze potrzeby.

Mówiąc o ludzkich potrzebach, poznaj hierarchię potrzeb Maslowa. Następnie zbadaj integrację danych dostosowaną do Al, ML i siatki danych. Następnie zagłęb się z nami we wszystkie odmiany analityki w ramach Lakehouse, w tym analitykę strukturalną, tekstową i analogową. Zobacz, jak dane opisowe, katalog danych i metadane mogą zwiększyć wartość lakehouse.

Na zakończenie przedstawimy szczegółową ewolucję architektury danych, od taśmy magnetycznej do data lakehouse jako fundamentu dla sztucznej inteligencji, uczenia maszynowego i siatki danych.