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: Ted Dunning. Ellen Friedman
سری:
ناشر: O'Reilly Media
سال نشر: 2014
تعداد صفحات: 81
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 Time Series Databases New Ways to Store and Access Data 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 پایگاه های سری زمانی روش های جدیدی برای ذخیره و دسترسی به داده ها دارند 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.
داده های سری زمانی اهمیت فزاینده ای دارند، به ویژه با گسترش
سریع اینترنت اشیا. این راهنمای مختصر به شما روشهای موثری برای
جمعآوری، تداوم و دسترسی به دادههای سری زمانی در مقیاس بزرگ
برای تجزیه و تحلیل نشان میدهد. شما تئوری پشت پایگاه داده سری
های زمانی را بررسی خواهید کرد و روش های عملی برای پیاده سازی
آنها را یاد خواهید گرفت. نویسندگان تد دانینگ و الن فریدمن بررسی
دقیقی از ابزارهای منبع باز مانند OpenTSDB و تغییرات جدیدی ارائه
می دهند که سرعت انتقال داده ها را بسیار افزایش می دهد.
شما خواهید آموخت:
- انواع موارد استفاده از سری های زمانی
- مزایای پایگاه های داده NoSQL برای داده های سری زمانی در مقیاس
بزرگ
- طراحی جدول NoSQL برای پایگاه های داده سری زمانی با کارایی
بالا
- مزایا و محدودیت های OpenTSDB
- نحوه دسترسی به داده ها در OpenTSDB با استفاده از R, Go و
Ruby
- چگونه پایگاه های داده سری های زمانی به پروژه های یادگیری
ماشینی عملی کمک می کنند
- نحوه مدیریت پیچیدگی اضافی داده های جغرافیایی-زمانی
برای مشاوره در مورد تجزیه و تحلیل داده های سری زمانی، یادگیری
ماشین عملی را بررسی کنید: A نگاهی جدید به تشخیص ناهنجاری،
همچنین از تد دانینگ و الن فریدمن.
Time series data is of growing importance, especially with the
rapid expansion of the Internet of Things. This concise guide
shows you effective ways to collect, persist, and access
large-scale time series data for analysis. You’ll explore the
theory behind time series databases and learn practical methods
for implementing them. Authors Ted Dunning and Ellen Friedman
provide a detailed examination of open source tools such as
OpenTSDB and new modifications that greatly speed up data
ingestion.
You’ll learn:
- A variety of time series use cases
- The advantages of NoSQL databases for large-scale time series
data
- NoSQL table design for high-performance time series
databases
- The benefits and limitations of OpenTSDB
- How to access data in OpenTSDB using R, Go, and Ruby
- How time series databases contribute to practical machine
learning projects
- How to handle the added complexity of geo-temporal data
For advice on analyzing time series data, check out Practical
Machine Learning: A New Look at Anomaly Detection, also from
Ted Dunning and Ellen Friedman.