ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Data warehousing in the age of big data

دانلود کتاب انبار داده در سن داده های بزرگ

Data warehousing in the age of big data

مشخصات کتاب

Data warehousing in the age of big data

دسته بندی: سیستم های اطلاعاتی
ویرایش: 1 
نویسندگان:   
سری: The Morgan Kaufmann series on business intelligence 
ISBN (شابک) : 0124058914, 9780124059207 
ناشر: Elsevier / Morgan Kaufmann 
سال نشر: 2013 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت

قیمت کتاب (تومان) : 56,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 24


در صورت تبدیل فایل کتاب Data warehousing in the age of big 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 انبار داده در سن داده های بزرگ 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.


توضیحاتی در مورد کتاب انبار داده در سن داده های بزرگ

ذخیره‌سازی داده‌ها در عصر داده‌های بزرگ به شما و سازمانتان کمک می‌کند تا از داده‌های بدون ساختار با انبار داده‌های موجود خود بیشترین استفاده را ببرید. همانطور که داده های بزرگ همچنان انقلابی در نحوه استفاده از داده ها ایجاد می کند، لازم نیست سردرگمی بیشتری ایجاد کند. کریش کریشنان، نویسنده متخصص، به شما کمک می‌کند تا درک کنید که داده‌های بزرگ چگونه در دنیای انبار داده‌ها با جزئیات واضح و مختصر قرار می‌گیرد. کتاب در سه بخش مجزا ارائه شده است. بخش 1 داده های بزرگ، فن آوری های آن و موارد استفاده از پذیرندگان اولیه را مورد بحث قرار می دهد. بخش 2 به انبار داده ها، کاستی های آن، و گزینه های معماری جدید، حجم کاری، و تکنیک های یکپارچه سازی برای داده های بزرگ و انبار داده می پردازد. بخش 3 به حاکمیت داده، تجسم داده ها، مدیریت چرخه حیات اطلاعات، دانشمندان داده و پیاده سازی انبار داده آماده برای داده های بزرگ می پردازد. ضمیمه های گسترده شامل مطالعات موردی از پیاده سازی فروشنده و بخش ویژه ای در مورد اینکه چگونه می توانیم یک کارخانه اطلاعات مراقبت های بهداشتی بسازیم. در نهایت، این کتاب به شما کمک می‌کند تا در لایه‌های پیچیده داده‌های بزرگ و انبار داده‌ها حرکت کنید و در عین حال اطلاعاتی را در مورد نحوه استفاده مؤثر از همه این فناوری‌ها و معماری‌ها برای طراحی انبار داده‌های نسل بعدی به شما ارائه می‌دهد. • بیاموزید که چگونه از Big Data با ادغام موثر آن در انبار داده خود استفاده کنید. • شامل نمونه‌های دنیای واقعی و موارد استفاده است که به وضوح Hadoop، NoSQL، HBASE، Hive و سایر فناوری‌های Big Data را نشان می‌دهد. • نحوه بهینه سازی و تنظیم زیرساخت انبار داده فعلی خود و ادغام زیرساخت های جدیدتر منطبق بر حجم کاری پردازش داده ها و الزامات را بدانید


توضیحاتی درمورد کتاب به خارجی

Data Warehousing in the Age of the Big Data will help you and your organization make the most of unstructured data with your existing data warehouse. As Big Data continues to revolutionize how we use data, it doesn't have to create more confusion. Expert author Krish Krishnan helps you make sense of how Big Data fits into the world of data warehousing in clear and concise detail. The book is presented in three distinct parts. Part 1 discusses Big Data, its technologies and use cases from early adopters. Part 2 addresses data warehousing, its shortcomings, and new architecture options, workloads, and integration techniques for Big Data and the data warehouse. Part 3 deals with data governance, data visualization, information life-cycle management, data scientists, and implementing a Big Data–ready data warehouse. Extensive appendixes include case studies from vendor implementations and a special segment on how we can build a healthcare information factory. Ultimately, this book will help you navigate through the complex layers of Big Data and data warehousing while providing you information on how to effectively think about using all these technologies and the architectures to design the next-generation data warehouse. • Learn how to leverage Big Data by effectively integrating it into your data warehouse. • Includes real-world examples and use cases that clearly demonstrate Hadoop, NoSQL, HBASE, Hive, and other Big Data technologies • Understand how to optimize and tune your current data warehouse infrastructure and integrate newer infrastructure matching data processing workloads and requirements



فهرست مطالب

Front Cover......Page 1
Data Warehousing in the Age of Big Data......Page 4
Copyright Page......Page 5
Contents......Page 8
Acknowledgments......Page 16
About the Author......Page 18
Introduction......Page 20
 Part 1: Big Data......Page 22
 Part 3: Building the Big Data – Data Warehouse......Page 23
 Companion website......Page 24
1 BIG DATA......Page 26
  Big Data......Page 28
  Why Big Data and why now?......Page 30
   Social Media posts......Page 31
   Survey data analysis......Page 32
   Survey data......Page 33
   Integration and analysis......Page 36
   Additional data types......Page 38
  Further reading......Page 39
  Data explosion......Page 40
   Machine data......Page 42
   Emails......Page 43
   Geographic information systems and geo-spatial data......Page 44
   Example: Funshots, Inc.......Page 46
  Data velocity......Page 48
   Social media......Page 49
  Data variety......Page 50
  Summary......Page 52
  Data processing revisited......Page 54
  Data processing techniques......Page 55
   Storage......Page 56
   Processing......Page 57
  Shared-everything and shared-nothing architectures......Page 58
   Shared-nothing architecture......Page 59
   OLTP versus data warehousing......Page 60
  Big Data processing......Page 61
   Infrastructure explained......Page 64
  Telco Big Data study......Page 65
   Data processing......Page 67
  Introduction......Page 70
  Distributed data processing......Page 71
  Big Data processing requirements......Page 74
  Technologies for Big Data processing......Page 75
   Google file system......Page 76
  Hadoop......Page 78
    HDFS......Page 79
      DataNodes......Page 80
     HDFS client......Page 81
     Heartbeats......Page 82
     File system snapshots......Page 83
     JobTracker and TaskTracker......Page 84
    MapReduce......Page 85
     MapReduce programming model......Page 86
     MapReduce program design......Page 87
     MapReduce job processing and management......Page 88
     MapReduce v2 (YARN)......Page 89
     YARN scalability......Page 91
     Comparison between MapReduce v1 and v2......Page 92
     SQL/MapReduce......Page 93
     Zookeeper features......Page 94
     Failure and recovery......Page 96
     Programming with pig latin......Page 97
     Common pig command......Page 98
    HBase......Page 99
     HBase architecture......Page 100
     HBase components......Page 101
     Write-ahead log......Page 102
    Hive......Page 103
     Hive architecture......Page 104
     Execution: how does hive process queries?......Page 105
    Chukwa......Page 107
    HCatalog......Page 108
     Sqoop1......Page 109
   Hadoop summary......Page 110
  NoSQL......Page 111
   CAP theorem......Page 112
   Column family store: Cassandra......Page 113
    Data model......Page 114
    Data sorting......Page 116
    Built-in consistency repair features......Page 117
    Cassandra ring architecture......Page 118
     Data partitioning......Page 119
    Gossip protocol: node management......Page 120
   Document database: Riak......Page 121
  Textual ETL processing......Page 122
  Further reading......Page 124
  Introduction......Page 126
   Producing electricity from wind......Page 127
   Tackling Big Data challenges......Page 129
   Surveillance and security: TerraEchos......Page 130
   The benefit......Page 131
   Correlating sensor data delivers a zero false-positive rate......Page 132
   Challenges......Page 133
   Solution: getting ready for Big Data analytics......Page 134
   Why aster?......Page 135
   Overview......Page 136
   Making better use of the data resource......Page 137
   Solution components......Page 138
   Merging human knowledge and technology......Page 139
   Solution spotlight......Page 140
   Solution......Page 141
    Facilitates innovation......Page 142
   Overview......Page 143
   Enabling a better cross-sell and upsell opportunity......Page 146
    Example......Page 147
  Summary......Page 148
2 THE DATA WAREHOUSING......Page 150
  Introduction......Page 152
  Traditional data warehousing, or data warehousing 1.0......Page 153
   Data architecture......Page 154
   Infrastructure......Page 155
   Pitfalls of data warehousing......Page 156
    Performance......Page 157
    Scalability......Page 160
   Architecture approaches to building a data warehouse......Page 162
    Pros and cons of datamart BUS architecture approach......Page 164
  Data warehouse 2.0......Page 165
   Overview of DSS 2.0......Page 166
  Further reading......Page 169
  Introduction......Page 172
  Enterprise data warehouse platform......Page 173
   Data warehouse......Page 174
   Issues with the data warehouse......Page 175
   Replatforming......Page 177
   Platform engineering......Page 178
   Data engineering......Page 179
  Modernizing the data warehouse......Page 180
   Current-state analysis......Page 182
   Business benefits of modernization......Page 183
     Scorecard......Page 184
    Program roadmap......Page 185
  Summary......Page 187
  Current state......Page 188
  Defining workloads......Page 189
  Understanding workloads......Page 190
    Datamarts......Page 192
    Analytical databases......Page 193
    Data warehouse processing overheads......Page 194
   Wide/Wide......Page 195
   Narrow/Wide......Page 196
  ETL and CDC workloads......Page 197
  Measurement......Page 199
  Current system design limitations......Page 200
   Big Data workloads......Page 201
  Technology choices......Page 202
  Summary......Page 203
  Data warehouse challenges revisited......Page 204
   Data volumes......Page 205
   Data transport......Page 206
  Data warehouse appliance......Page 207
   Appliance architecture......Page 208
   Data distribution in the appliance......Page 209
   Key best practices for deploying a data warehouse appliance......Page 211
  Cloud computing......Page 212
   Platform as a service......Page 213
   Cloud infrastructure......Page 214
   Issues facing cloud computing for data warehouse......Page 215
   What is data virtualization?......Page 216
   Implementing a data virtualization program......Page 218
   In-memory technologies......Page 219
  Further reading......Page 220
3 BUILDING THE BIG DATA – DATA WAREHOUSE......Page 222
  Introduction......Page 224
   Data layer......Page 225
   Algorithms......Page 227
   Technology layer......Page 228
    Data classification......Page 229
    Workload......Page 231
   Physical component integration and architecture......Page 232
    Data volumes......Page 233
   External data integration......Page 234
  Hadoop & RDBMS......Page 236
  Big Data appliances......Page 237
  Data virtualization......Page 239
  Semantic framework......Page 240
   Clustering......Page 241
  Summary......Page 242
  Metadata......Page 244
   Process design–level metadata......Page 246
   Core business metadata......Page 247
  Master data management......Page 248
  Processing data in the data warehouse......Page 250
  Processing complexity of Big Data......Page 253
   Processing Big Data......Page 254
    Analysis stage......Page 255
     Metadata, master data, and semantic linkage......Page 256
     Types of probabilistic links......Page 258
  Machine learning......Page 260
  Summary......Page 265
  Information life-cycle management......Page 266
   Goals......Page 267
    Executive governance board......Page 268
     Business teams......Page 269
     Data quality......Page 270
     Metadata......Page 271
  Information life-cycle management for Big Data......Page 272
     Data governance......Page 273
    Processing......Page 274
  Summary......Page 275
  Big Data analytics......Page 276
  Data discovery......Page 278
  Visualization......Page 279
  Summary......Page 280
  Customer-centric business transformation......Page 282
   Outcomes......Page 285
  Hadoop and MySQL drives innovation......Page 286
   Benefits......Page 288
   Empowering decision making......Page 289
  Summary......Page 290
 Case study 1: Transforming marketing landscape......Page 292
 Case study 2: Streamlining healthcare connectivity with Big Data......Page 296
 Case study 3: Improving healthcare quality and costs using Big Data......Page 299
 Case study 4: Improving customer support......Page 302
 Case study 5: Driving customer-centric transformations......Page 306
 Case study 6: Quantifying risk and compliance......Page 308
 Case study 7: Delivering a 360° view of customers......Page 309
 Executive summary......Page 314
 The healthcare information factory......Page 315
 A visionary architecture......Page 316
 A common patient identifier......Page 317
 Integrating data......Page 318
 ETL and the collective common data warehouse......Page 319
 Common elements of a data warehouse......Page 322
 DSS/business intelligence processing......Page 323
 Textual data......Page 325
 The system of record......Page 332
 Metadata......Page 333
 Local individual data warehouses......Page 334
 Data models and the healthcare information factory......Page 335
 Creating the medical data warehouse data model......Page 341
 The collective common data model......Page 342
 Developing the healthcare information factory......Page 347
 Healthcare information factory users......Page 351
 Financing the infrastructure......Page 354
 Implementing the healthcare information factory......Page 355
 Further reading......Page 357
Summary......Page 358
Index......Page 360




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی