Avis des lecteurs
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 4 votes.
Titre original :
Big Data Science & Analytics: A Hands-On Approach
Contenu du livre :
Les données et les informations sont le carburant de cette nouvelle ère où de puissants algorithmes analytiques brûlent ce carburant pour générer des décisions qui devraient créer un monde plus intelligent et plus efficace pour nous tous. Ce nouveau domaine technologique a été défini comme la science et l'analyse des Big Data, et les communautés industrielles et universitaires se rendent compte qu'il s'agit d'une technologie compétitive qui peut générer de nouvelles richesses et opportunités significatives.
Les big data sont définies comme des ensembles de données dont le volume, la vitesse ou la variété sont si importants qu'il est difficile de les stocker, de les gérer, de les traiter et de les analyser à l'aide de bases de données et d'outils de traitement de données traditionnels. La science et l'analyse des big data traitent de la collecte, du stockage, du traitement et de l'analyse des données à grande échelle. Des études sectorielles, menées par Gartner et e-Skills, par exemple, prévoient qu'il y aura plus de 2 millions d'offres d'emploi pour des ingénieurs et des scientifiques formés dans le seul domaine de la science des données et de l'analyse, et que le marché de l'emploi dans ce domaine connaît un taux de croissance de 150 % d'une année sur l'autre.
Nous avons rédigé ce manuel, qui fait partie de notre série en expansion "A Hands-On Approach"(TM), pour répondre à ce besoin dans les collèges et les universités, ainsi que pour les fournisseurs de services de big data qui pourraient être intéressés par une perspective plus large de ce domaine émergent pour accompagner leurs programmes de formation des clients et des développeurs. Le lecteur type est censé avoir suivi quelques cours de programmation utilisant des langages de haut niveau traditionnels au niveau universitaire, et est soit un senior, soit un étudiant débutant dans l'un des domaines de la science, de la technologie, de l'ingénierie ou des mathématiques (STEM). Un site web accompagnant ce livre contient un soutien supplémentaire pour l'enseignement et l'apprentissage (www.big-data-analytics-book.com).
Le livre est organisé en trois parties principales, comprenant un total de douze chapitres. La première partie présente une introduction aux big data, aux applications des big data, ainsi qu'aux modèles et architectures de science des données et d'analyse des big data. Une nouvelle méthodologie de conception de systèmes d'application de science des données et d'analyse est proposée et sa réalisation par l'utilisation de cadres de big data à source ouverte est décrite. Cette méthodologie décrit les applications d'analyse des grandes données comme la réalisation des modèles Alpha, Beta, Gamma et Delta proposés, qui comprennent des outils et des cadres pour la collecte et l'ingestion de données provenant de diverses sources dans l'infrastructure d'analyse des grandes données, incorporant des systèmes de fichiers distribués et des bases de données non relationnelles (NoSQL) pour le stockage des données, et des cadres de traitement pour l'analyse par lots et en temps réel. Cette nouvelle méthodologie constitue le fondement pédagogique de cet ouvrage.
La partie II présente au lecteur divers outils et cadres pour l'analyse des big data, ainsi que les aspects architecturaux et de programmation de ces cadres, avec des exemples en Python. Nous décrivons les cadres de messagerie Publish-Subscribe (Kafka & Kinesis), les connecteurs Source-Sink (Flume), les connecteurs de base de données (Sqoop), les files d'attente de messagerie (RabbitMQ, ZeroMQ, RestMQ, Amazon SQS) et les connecteurs personnalisés basés sur REST, WebSocket et MQTT. Le lecteur est initié au stockage de données, à l'analyse par lots et en temps réel, et aux cadres d'interrogation interactifs, notamment HDFS, Hadoop, MapReduce, YARN, Pig, Oozie, Spark, Solr, HBase, Storm, Spark Streaming, Spark SQL, Hive, Amazon Redshift et Google BigQuery. Les bases de données de service (MySQL, Amazon DynamoDB, Cassandra, MongoDB) et le cadre web Django Python sont également décrits.
La partie III présente au lecteur divers algorithmes d'apprentissage automatique avec des exemples utilisant les cadres Spark MLlib et H2O, et des visualisations utilisant des cadres tels que Lightning, Pygal et Seaborn.
Autres informations sur le livre :
| ISBN : | 9780996025546 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Relié |
Achat:
Actuellement disponible, en stock.
