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: First
نویسندگان: Bill Inmon
سری:
ISBN (شابک) : 1634621174, 9781634621175
ناشر: Technics Publications
سال نشر: 2016
تعداد صفحات: 0
زبان: English
فرمت فایل : AZW3 (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 12 مگابایت
در صورت تبدیل فایل کتاب Data Lake Architecture: Designing the Data Lake and Avoiding the Garbage Dump 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 معماری Data Lake: طراحی دریاچه داده و اجتناب از تخلیه زباله 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.
سازمان ها زمان و پول باورنکردنی را برای به دست آوردن و سپس
ذخیره داده های بزرگ در فروشگاه های داده به نام دریاچه های داده
سرمایه گذاری می کنند. اما چه تعداد از این سازمان ها واقعاً می
توانند داده ها را به شکل قابل استفاده بازگردانند؟ تعداد بسیار
کمی می توانند دریاچه داده را به معدن طلای اطلاعات تبدیل کنند.
اکثر آنها با زباله دانی می شوند.
معماری دریاچه داده نحوه ساخت یک دریاچه داده مفید را توضیح می
دهد، جایی که دانشمندان داده و تحلیلگران داده می توانند چالش های
تجاری را حل کنند و فرصت های تجاری جدید را شناسایی کنند.
بیاموزید که چگونه دریاچه های داده و همچنین حوضچه های داده
آنالوگ، کاربردی و متنی را برای ارائه حداکثر ارزش تجاری بسازید.
درک نقش حوضچه داده های خام و زمان استفاده از حوضچه داده های
آرشیوی. از چهار عنصر کلیدی برای موفقیت دریاچه داده استفاده
کنید: فراداده، نقشهبرداری یکپارچه، زمینه و فراپردازش.
بیل اینمون چشمان ما را به معماری و مزایای انبار داده باز کرد و
اکنون ما را به سطح بعدی معماری دریاچه داده می برد.
Organizations invest incredible amounts of time and money
obtaining and then storing big data in data stores called data
lakes. But how many of these organizations can actually get the
data back out in a useable form? Very few can turn the data
lake into an information gold mine. Most wind up with garbage
dumps.
Data Lake Architecture will explain how to build a useful data
lake, where data scientists and data analysts can solve
business challenges and identify new business opportunities.
Learn how to structure data lakes as well as analog,
application, and text-based data ponds to provide maximum
business value. Understand the role of the raw data pond and
when to use an archival data pond. Leverage the four key
ingredients for data lake success: metadata, integration
mapping, context, and metaprocess.
Bill Inmon opened our eyes to the architecture and benefits of
a data warehouse, and now he takes us to the next level of data
lake architecture.