Data Architecture: A Primer for the Data Scientist: Big Data, Data Warehouse and Data Vault

امروزه دنیا به دلیل پدیده کلان داده سعی در ایجاد و آموزش دانشمندان داده دارد. و همه عمیقاً به این فناوری نگاه می کنند. اما هیچ کس به تصویر معماری بزرگتر از اینکه چگونه Big Data باید در سیستم های موجود (سیستم های انبار داده) جا بیفتد، نگاه نمی کند. نگاهی به تصویر بزرگ‌تری که Big Data در آن قرار می‌گیرد، زمینه لازم را برای اینکه چگونه قطعات پازل باید در کنار هم قرار گیرند، به دانشمند داده می‌دهد. اکثر مراجع در Big Data تنها به یک بخش کوچک از یک کل بسیار بزرگتر نگاه می کنند. تا زمانی که داده های جمع آوری شده در یک چارچوب یا معماری موجود قرار نگیرد، نمی توان از پتانسیل کامل خود استفاده کرد. معماری داده یک آغازگر برای دانشمند دادهبه تصویر معماری بزرگتر از نحوه تطابق داده های بزرگ با زیرساخت های اطلاعاتی موجود می پردازد، موضوعی ضروری برای دانشمند داده.

با توجه به سال ها فعالیت تجربه عملی و استفاده از مثال های متعدد و چارچوبی آسان برای درک. W.H. اینمون و دانیل لینستد اهمیت معماری داده و نحوه استفاده موثر از آن برای مهار داده های بزرگ در سیستم های موجود را تعریف می کنند. شما قادر خواهید بود:

• اطلاعات متنی را به فرمی تبدیل کنید که با ابزارهای استاندارد قابل تجزیه و تحلیل باشد.
• ارتباط بین تجزیه و تحلیل و داده های بزرگ را ایجاد کنید
• درک نحوه تطبیق داده های بزرگ در محیط سیستم های موجود
• انجام تجزیه و تحلیل داده های تکراری و غیر تکراری

• درباره ارزش در داده های بزرگ بحث می کند که اغلب نادیده گرفته می شود، داده های تکراری نیستند، و چرا ارزش تجاری قابل توجهی در استفاده از آن وجود دارد
• نشان می دهد که چگونه می توان اطلاعات متنی را به شکلی تبدیل کرد که با ابزارهای استاندارد قابل تجزیه و تحلیل باشد.
• توضیح می‌دهد که چگونه داده‌های بزرگ در یک محیط سیستم‌های موجود جا می‌شوند
• فرصت‌های جدیدی را ارائه می‌دهد که با ظهور داده‌های بزرگ فراهم می‌شود
• آب تیره داده‌های تکراری و غیر تکراری را در Big Data ابهام می‌کند.

Today, the world is trying to create and educate data scientists because of the phenomenon of Big Data. And everyone is looking deeply into this technology. But no one is looking at the larger architectural picture of how Big Data needs to fit within the existing systems (data warehousing systems). Taking a look at the larger picture into which Big Data fits gives the data scientist the necessary context for how pieces of the puzzle should fit together. Most references on Big Data look at only one tiny part of a much larger whole. Until data gathered can be put into an existing framework or architecture it can’t be used to its full potential. Data Architecture a Primer for the Data Scientist addresses the larger architectural picture of how Big Data fits with the existing information infrastructure, an essential topic for the data scientist.

Drawing upon years of practical experience and using numerous examples and an easy to understand framework. W.H. Inmon, and Daniel Linstedt define the importance of data architecture and how it can be used effectively to harness big data within existing systems. You’ll be able to:

• Turn textual information into a form that can be analyzed by standard tools.
• Make the connection between analytics and Big Data
• Understand how Big Data fits within an existing systems environment
• Conduct analytics on repetitive and non-repetitive data

• Discusses the value in Big Data that is often overlooked, non-repetitive data, and why there is significant business value in using it
• Shows how to turn textual information into a form that can be analyzed by standard tools.
• Explains how Big Data fits within an existing systems environment
• Presents new opportunities that are afforded by the advent of Big Data
• Demystifies the murky waters of repetitive and non-repetitive data in Big Data