Olvasói vélemények
Jelenleg nincsenek olvasói vélemények. Az értékelés 4 olvasói szavazat alapján történt.
Könyv tartalma:
Az adatok és az információ az új korszak üzemanyaga, ahol az erőteljes analitikai algoritmusok elégetik ezt az üzemanyagot, hogy olyan döntéseket hozzanak, amelyek várhatóan intelligensebb és hatékonyabb világot teremtenek mindannyiunk számára. A technológiának ezt az új területét Big Data Science és Analytics néven határozták meg, és az ipari és tudományos közösségek felismerik, hogy ez egy olyan versenyképes technológia, amely jelentős új gazdagságot és lehetőségeket teremthet.
A nagy adatmennyiséget olyan adathalmazok gyűjteményeiként határozzák meg, amelyek mennyisége, sebessége vagy változatossága olyan nagy, hogy az adatok tárolása, kezelése, feldolgozása és elemzése hagyományos adatbázisok és adatfeldolgozó eszközök segítségével nehézségekbe ütközik. A nagy adattudomány és -elemzés a hatalmas méretű adatok gyűjtésével, tárolásával, feldolgozásával és elemzésével foglalkozik. A Gartner és az e-Skills által készített iparági felmérések például azt jósolják, hogy csak az adattudomány és az analitika területén képzett mérnökök és tudósok számára több mint 2 millió nyitott álláshely lesz, és hogy a munkaerőpiac ezen a területen 150 százalékos éves növekedési ütemben növekszik.
Ezt a tankönyvet a bővülő "A Hands-On Approach"(TM) sorozatunk részeként írtuk, hogy kielégítsük ezt az igényt a főiskolákon és egyetemeken, valamint a nagy adatszolgáltatók számára, akiknek érdeke lehet, hogy szélesebb perspektívát kínáljanak erről a feltörekvő területről az ügyfél- és fejlesztői képzési programjaikhoz. A tipikus olvasó várhatóan elvégzett néhány kurzust a hagyományos magas szintű nyelveket használó programozásból főiskolai szinten, és vagy végzős, vagy kezdő végzős hallgató a természettudományok, a technológia, a mérnöki tudományok vagy a matematika (STEM) valamelyik területén. A könyvhöz tartozó weboldal további oktatási és tanulási támogatást tartalmaz (www.big-data-analytics-book.com).
A könyv három fő részre tagolódik, amelyek összesen tizenkét fejezetet tartalmaznak. Az I. rész bevezetést nyújt a nagy adatokba, a nagy adatok alkalmazásaiba, valamint a nagy adattudományi és analitikai mintákba és architektúrákba. Újszerű adattudományi és analitikai alkalmazásrendszer-tervezési módszertant javasol, és ismerteti annak megvalósítását nyílt forráskódú big data keretrendszerek felhasználásával. Ez a módszertan a nagy adatelemzési alkalmazásokat a javasolt alfa, béta, gamma és delta modellek megvalósításaként írja le, amelyek a különböző forrásokból származó adatoknak a nagy adatelemzési infrastruktúrába történő összegyűjtésére és bevitelére szolgáló eszközöket és keretrendszereket, az adatok tárolására szolgáló elosztott fájlrendszereket és nem relációs (NoSQL) adatbázisokat, valamint a kötegelt és valós idejű elemzésekre szolgáló feldolgozási keretrendszereket foglalják magukban. Ez az új módszertan képezi e könyv pedagógiai alapját.
A II. rész a nagy adatelemzés különböző eszközeivel és keretrendszereivel, valamint e keretrendszerek architektúrájával és programozási szempontjaival ismerteti meg az olvasót, Python nyelvű példákkal. Bemutatjuk a Publish-Subscribe üzenetküldő keretrendszereket (Kafka és Kinesis), a Source-Sink csatlakozókat (Flume), az adatbázis-csatlakozókat (Sqoop), az üzenetküldő sorokat (RabbitMQ, ZeroMQ, RestMQ, Amazon SQS) és az egyedi REST, WebSocket és MQTT alapú csatlakozókat. Az olvasó megismerkedik az adattárolási, kötegelt és valós idejű elemzési és interaktív lekérdezési keretrendszerekkel, köztük a HDFS, Hadoop, MapReduce, YARN, Pig, Oozie, Spark, Solr, HBase, Storm, Spark Streaming, Spark SQL, Hive, Amazon Redshift és Google BigQuery. Szintén ismertetésre kerülnek a kiszolgáló adatbázisok (MySQL, Amazon DynamoDB, Cassandra, MongoDB) és a Django Python webes keretrendszer.
A III. rész különböző gépi tanulási algoritmusokkal ismerteti meg az olvasót a Spark MLlib és a H2O keretrendszerek segítségével készült példákkal, valamint a keretrendszerek, például a Lightning, a Pygal és a Seaborn segítségével készült vizualizációkkal.
