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
دسته بندی: سازمان و پردازش داده ها ویرایش: 1 نویسندگان: Charles Givre. Paul Rogers سری: ISBN (شابک) : 1492032794, 9781492032793 ناشر: O’Reilly Media سال نشر: 2018 تعداد صفحات: 331 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری مته Apache: پرس و جو و تجزیه و تحلیل منابع داده توزیع شده با SQL: تجزیه و تحلیل داده، پایتون، جاوا، SQL، پایگاههای داده رابطهای، NoSQL، MongoDB، Apache Hive، Apache HBase، Apache Kafka، Apache Hadoop، خوشهها، Docker، HDFS، Apache Parket، Deployment، Excel، Data Cleaning، Apache Kudu Process، Dis مته آپاچی
در صورت تبدیل فایل کتاب Learning Apache Drill: Query and Analyze Distributed Data Sources with SQL 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 یادگیری مته Apache: پرس و جو و تجزیه و تحلیل منابع داده توزیع شده با SQL 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.
با Apache Drill، یک موتور جستجوی SQL توزیعشده توسعهیافته که مجموعههای داده عظیم را در بسیاری از فرمتهای فایل محبوب مانند Parquet، JSON و CSV میخواند، به سرعت برسید. Drill داده ها را در HDFS یا در فضای ذخیره سازی ابری مانند S3 می خواند و با متاستورهای Hive همراه با پایگاه های داده توزیع شده مانند HBase، MongoDB و پایگاه های داده رابطه ای کار می کند. Drill در همه جا کار می کند: روی لپ تاپ یا در بزرگترین خوشه شما. در این کتاب عملی، چارلز گیور و پل راجرز متعهدهای Drill به تحلیلگران و دانشمندان داده نشان میدهند که چگونه دادههای خام را با استفاده از این ابزار قدرتمند پرس و جو و تجزیه و تحلیل کنند. امروزه دانشمندان داده حدود 80 درصد از زمان خود را صرف جمع آوری و تمیز کردن داده ها می کنند. با این کتاب، یاد خواهید گرفت که چگونه Drill به شما کمک می کند تا داده ها را به طور مؤثرتری تجزیه و تحلیل کنید تا زمان را به بینش کاهش دهید. • از Drill برای تمیز کردن، آماده سازی و خلاصه کردن داده های محدود شده برای تجزیه و تحلیل بیشتر استفاده کنید • انواع فایل پرس و جو از جمله logfiles، Parquet، JSON، و سایر فرمت های پیچیده • پرس و جو Hadoop، پایگاه های داده رابطه ای، MongoDB، و Kafka با استاندارد SQL • با استفاده از زبان های مختلف، به Drill متصل شوید • از Drill حتی با فرمت های فایل چالش برانگیز یا مبهم استفاده کنید • با گسترش عملکرد Drill با عملکردهای تعریف شده توسط کاربر، تجزیه و تحلیل پیچیده را انجام دهید • تسهیل تجزیه و تحلیل داده ها برای امنیت شبکه، ابرداده تصویر، و یادگیری ماشین
Get up to speed with Apache Drill, an extensible distributed SQL query engine that reads massive datasets in many popular file formats such as Parquet, JSON, and CSV. Drill reads data in HDFS or in cloud-native storage such as S3 and works with Hive metastores along with distributed databases such as HBase, MongoDB, and relational databases. Drill works everywhere: on your laptop or in your largest cluster. In this practical book, Drill committers Charles Givre and Paul Rogers show analysts and data scientists how to query and analyze raw data using this powerful tool. Data scientists today spend about 80% of their time just gathering and cleaning data. With this book, you’ll learn how Drill helps you analyze data more effectively to drive down time to insight. • Use Drill to clean, prepare, and summarize delimited data for further analysis • Query file types including logfiles, Parquet, JSON, and other complex formats • Query Hadoop, relational databases, MongoDB, and Kafka with standard SQL • Connect to Drill programmatically using a variety of languages • Use Drill even with challenging or ambiguous file formats • Perform sophisticated analysis by extending Drill’s functionality with user-defined functions • Facilitate data analysis for network security, image metadata, and machine learning