دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Thomas Erl. Wajid Khattak
سری:
ناشر: Prentice Hall
سال نشر: 2016
تعداد صفحات: 235
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 10 مگابایت
در صورت تبدیل فایل کتاب Big Data Fundamentals Concepts, Drivers & Techniques به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب مفاهیم ، درایورها و تکنیک های Big Data Fundamentals نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
Big Data Fundamentals مقدمهای عملگرایانه و بیمعنی برای
دادههای بزرگ است. نویسنده محبوب فناوری اطلاعات توماس ارل و
تیمش به وضوح مفاهیم کلیدی کلان داده، تئوری و اصطلاحات، و فن
آوری ها و تکنیک های زیربنایی را توضیح می دهند.
مبانی داده های بزرگ مقدمه ای عملی و بی معنی برای داده های بزرگ
ارائه می دهد. نویسنده پرفروش IT توماس ارل و تیمش به وضوح مفاهیم
کلیدی داده های بزرگ، نظریه و اصطلاحات و همچنین فن آوری ها و
تکنیک های اساسی را توضیح می دهند. همه پوشش ها با نمونه های
مطالعه موردی و نمودارهای ساده متعدد پشتیبانی می شوند.
نویسندگان با توضیح اینکه چگونه دادههای بزرگ میتوانند یک
سازمان را با حل طیفی از مشکلات تجاری که قبلاً غیرقابل حل بودند،
به جلو سوق دهند، شروع میکنند. سپس، آنها تکنیکها و
فنآوریهای تحلیل کلیدی را ابهام زدایی میکنند و نشان میدهند
که چگونه میتوان یک محیط راهحل Big Data را برای ارائه مزیتهای
رقابتی ساخت و یکپارچه کرد.
کشف مفاهیم بنیادی Big Data و آنچه آن را از اشکال قبلی تجزیه و
تحلیل دادهها و علم داده متفاوت میکند< br>درک انگیزه های
کسب و کار و محرک های پشت پذیرش کلان داده، از بهبودهای عملیاتی
تا نوآوری
برنامه ریزی استراتژیک، ابتکارات کلان داده مبتنی بر کسب و
کار
توجه به ملاحظاتی مانند مدیریت داده، حاکمیت و امنیت
شناخت 5 ویژگیهای «V» مجموعههای داده در محیطهای کلان داده:
حجم، سرعت، تنوع، صحت و ارزش
روشن کردن روابط کلان داده با OLTP، OLAP، ETL، انبارهای داده و
بازارهای داده
کار با دادههای بزرگ در ساختار فرمتهای بیساختار، نیمهساختار
یافته و فراداده
افزایش ارزش با یکپارچهسازی منابع کلان داده با نظارت بر عملکرد
شرکتها
درک اینکه چگونه دادههای بزرگ مقادیر توزیع شده و پردازش
موازی
استفاده از NoSQL و سایر فناوریها برای برآوردن الزامات پردازش
دادههای متمایز Big Data
استفاده از روشهای آماری تحلیل کمی و کیفی
استفاده از روشهای تحلیل محاسباتی، از جمله یادگیری ماشین
Книга «Big Data Fundamentals» представляет собой прагматичное,
без излишеств, введение в «большие данные». Популярный ИТ
писатель Томас Эрл и его команда четко объясняют ключевые
концепции больших данных, теорию и терминологию, а также
основные технологии и методы.
Big Data Fundamentals provides a pragmatic, no-nonsense
introduction to Big Data. Best-selling IT author Thomas Erl and
his team clearly explain key Big Data concepts, theory and
terminology, as well as fundamental technologies and
techniques. All coverage is supported with case study examples
and numerous simple diagrams.
The authors begin by explaining how Big Data can propel an
organization forward by solving a spectrum of previously
intractable business problems. Next, they demystify key
analysis techniques and technologies and show how a Big Data
solution environment can be built and integrated to offer
competitive advantages.
Discovering Big Data’s fundamental concepts and what makes it
different from previous forms of data analysis and data
science
Understanding the business motivations and drivers behind Big
Data adoption, from operational improvements through
innovation
Planning strategic, business-driven Big Data initiatives
Addressing considerations such as data management, governance,
and security
Recognizing the 5 “V” characteristics of datasets in Big Data
environments: volume, velocity, variety, veracity, and
value
Clarifying Big Data’s relationships with OLTP, OLAP, ETL, data
warehouses, and data marts
Working with Big Data in structured, unstructured,
semi-structured, and metadata formats
Increasing value by integrating Big Data resources with
corporate performance monitoring
Understanding how Big Data leverages distributed and parallel
processing
Using NoSQL and other technologies to meet Big Data’s distinct
data processing requirements
Leveraging statistical approaches of quantitative and
qualitative analysis
Applying computational analysis methods, including machine
learning