دانلود کتاب Scalable Big Data Architecture: A PractitionerÖs Guide to Choosing Relevant Big Data Architecture – معماری کلان داده مقیاس پذیر: راهنمای یک پزشک برای انتخاب معماری کلان داده مرتبط

دسته بندی :
اطلاعات کتاب
  • جلد
  • سری
  • ویرایش 1
  • سال 2016
  • نویسنده (گان) Bahaaldine Azarmi (auth.)
  • ناشر Apress
  • زبان English
  • تعداد صفحات 147
  • حجم فایل 3.75MB
  • فرمت فایل pdf
  • شابک 9781484213278, 9781484213261
قیمت محصول :

۴۵,۰۰۰ تومان

با خرید این محصول، ۲,۲۵۰ تومان به کیف پول شما بازگشت داده می‌شود

روند خرید و دریافت کتاب‌ها بدون هیچ اختلالی انجام می‌شود.
تمامی فایل‌ها بر روی سرورهای داخلی میزبانی می‌شوند تا بتوانید به راحتی و در لحظه آن‌ها را دانلود کنید. در صورت بروز هرگونه مشکل یا نیاز به راهنمایی، لطفاً از طریق « صفحه تماس باما» با تیم پشتیبانی در ارتباط باشید.

تمامی کتاب های موجود در وبسایت سای وان به زبان انگلیسی میباشد

توضیحات

This book highlights the different types of data architecture and illustrates the many possibilities hidden behind the term ‘Big Data’, from the usage of No-SQL databases to the deployment of stream analytics architecture, machine learning, and governance.

Scalable Big Data Architecture covers real-world, concrete industry use cases that leverage complex distributed applications , which involve web applications, RESTful API, and high throughput of large amount of data stored in highly scalable No-SQL data stores such as Couchbase and Elasticsearch. This book demonstrates how data processing can be done at scale from the usage of NoSQL datastores to the combination of Big Data distribution.

When the data processing is too complex and involves different processing topology like long running jobs, stream processing, multiple data sources correlation, and machine learning, its often necessary to delegate the load to Hadoop or Spark and use the No-SQL to serve processed data in real time.

This book shows you how to choose a relevant combination of big data technologies available within the Hadoop ecosystem. It focuses on processing long jobs, architecture, stream data patterns, log analysis, and real time analytics. Every pattern is illustrated with practical examples, which use the different open sourceprojects such as Logstash, Spark, Kafka, and so on.

Traditional data infrastructures are built for digesting and rendering data synthesis and analytics from large amount of data. This book helps you to understand why you should consider using machine learning algorithms early on in the project, before being overwhelmed by constraints imposed by dealing with the high throughput of Big data.

Scalable Big Data Architecture is for developers, data architects, and data scientists looking for a better understanding of how to choose the most relevant pattern for a Big Data project and which tools to integrate into that pattern.

————————————————————–

ترجمه ماشینی :

این کتاب انواع مختلف معماری داده‌ها را برجسته می‌کند و بسیاری از احتمالات نهفته در پشت اصطلاح Big Data را نشان می‌دهد، از استفاده از پایگاه‌های داده No-SQL تا استقرار معماری تجزیه و تحلیل جریان، یادگیری ماشین، و حاکمیت. .

معماری داده‌های بزرگ مقیاس‌پذیر موارد استفاده در صنعت واقعی و ملموس را پوشش می‌دهد که از برنامه‌های پیچیده توزیع‌شده، که شامل برنامه‌های کاربردی وب، RESTful API و توان عملیاتی بالای حجم زیادی از داده‌ها هستند، استفاده می‌کند. ذخیره شده در فروشگاه های داده بدون SQL بسیار مقیاس پذیر مانند Couchbase و Elasticsearch. این کتاب نشان می‌دهد که چگونه پردازش داده‌ها را می‌توان در مقیاسی از استفاده از داده‌های NoSQL تا ترکیبی از توزیع داده‌های بزرگ انجام داد.

زمانی که پردازش داده‌ها بسیار پیچیده است و شامل توپولوژی پردازش متفاوتی مانند کارهای طولانی، پردازش جریانی، چندگانه است. همبستگی منابع داده، و یادگیری ماشین، اغلب برای واگذاری بار به Hadoop یا Spark و استفاده از No-SQL برای ارائه داده های پردازش شده در زمان واقعی ضروری است.

این کتاب به شما نشان می دهد که چگونه یک ترکیب مرتبط را انتخاب کنید. فناوری‌های کلان داده موجود در اکوسیستم هادوپ این بر روی پردازش کارهای طولانی، معماری، الگوهای داده جریان، تجزیه و تحلیل گزارش و تجزیه و تحلیل زمان واقعی تمرکز دارد. هر الگوی با مثال‌های عملی نشان داده می‌شود که از پروژه‌های منبع باز مختلف مانند Logstash، Spark، Kafka و غیره استفاده می‌کنند.

زیرساخت‌های داده سنتی برای هضم و ارائه ترکیب و تجزیه و تحلیل داده‌ها از حجم زیادی از داده‌ها ساخته شده‌اند. این کتاب به شما کمک می‌کند تا بفهمید چرا باید از الگوریتم‌های یادگیری ماشینی در اوایل پروژه استفاده کنید، قبل از اینکه تحت تأثیر محدودیت‌های تحمیل‌شده با توان عملیاتی بالای داده‌های بزرگ قرار بگیرید.

معماری داده‌های بزرگ مقیاس‌پذیر. برای توسعه دهندگان، معماران داده و دانشمندان داده است که به دنبال درک بهتری از نحوه انتخاب مرتبط ترین الگو برای پروژه Big Data و ابزارهایی برای ادغام در آن الگو هستند.


 

tag : دانلود کتاب معماری کلان داده مقیاس پذیر: راهنمای یک پزشک برای انتخاب معماری کلان داده مرتبط , Download معماری کلان داده مقیاس پذیر: راهنمای یک پزشک برای انتخاب معماری کلان داده مرتبط , دانلود معماری کلان داده مقیاس پذیر: راهنمای یک پزشک برای انتخاب معماری کلان داده مرتبط , Download Scalable Big Data Architecture: A PractitionerÖs Guide to Choosing Relevant Big Data Architecture Book , معماری کلان داده مقیاس پذیر: راهنمای یک پزشک برای انتخاب معماری کلان داده مرتبط دانلود , buy معماری کلان داده مقیاس پذیر: راهنمای یک پزشک برای انتخاب معماری کلان داده مرتبط , خرید کتاب معماری کلان داده مقیاس پذیر: راهنمای یک پزشک برای انتخاب معماری کلان داده مرتبط , دانلود کتاب Scalable Big Data Architecture: A PractitionerÖs Guide to Choosing Relevant Big Data Architecture , کتاب Scalable Big Data Architecture: A PractitionerÖs Guide to Choosing Relevant Big Data Architecture , دانلود Scalable Big Data Architecture: A PractitionerÖs Guide to Choosing Relevant Big Data Architecture , خرید Scalable Big Data Architecture: A PractitionerÖs Guide to Choosing Relevant Big Data Architecture , خرید کتاب Scalable Big Data Architecture: A PractitionerÖs Guide to Choosing Relevant Big Data Architecture ,

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “دانلود کتاب Scalable Big Data Architecture: A PractitionerÖs Guide to Choosing Relevant Big Data Architecture – معماری کلان داده مقیاس پذیر: راهنمای یک پزشک برای انتخاب معماری کلان داده مرتبط”