دانلود کتاب Big Data Analytics: A Hands-On Approach (به فارسی: تجزیه و تحلیل داده های بزرگ: یک رویکرد عملی) نوشته شده توسط «Arshdeep Bahga – Vijay Madisetti»
اطلاعات کتاب تجزیه و تحلیل داده های بزرگ: یک رویکرد عملی
موضوع اصلی: کامپیوتر – سازمان و پردازش داده
نوع: کتاب الکترونیکی
ناشر: Arshdeep Bahga & Vijay Madisetti
نویسنده: Arshdeep Bahga – Vijay Madisetti
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2019
تعداد صفحه: 542
حجم فایل: 108.43 مگابایت
کد کتاب: 1949978001 , 9781949978001
توضیحات کتاب تجزیه و تحلیل داده های بزرگ: یک رویکرد عملی
این کتاب در سه بخش اصلی تنظیم شده است که در مجموع شامل دوازده فصل است. بخش اول مقدمه‌ای بر داده‌های بزرگ، کاربردهای داده‌های بزرگ، و الگوها و معماری‌های علم داده و تجزیه و تحلیل ارائه می‌دهد. یک روش جدید طراحی سیستم کاربردی علم داده و تجزیه و تحلیل پیشنهاد شده است و تحقق آن از طریق استفاده از چارچوب‌های کلان داده منبع باز توضیح داده شده است. این روش، برنامه های کاربردی تجزیه و تحلیل داده های بزرگ را به عنوان تحقق مدل های آلفا، بتا، گاما و دلتا پیشنهاد می کند، که شامل ابزارها و چارچوب هایی برای جمع آوری و جذب داده ها از منابع مختلف به زیرساخت تجزیه و تحلیل داده های بزرگ، سیستم های فایل توزیع شده و غیر رابطه ای (NoSQL) است. پایگاه‌های اطلاعاتی برای ذخیره‌سازی داده‌ها، چارچوب‌های پردازشی برای تجزیه و تحلیل دسته‌ای و بلادرنگ، پایگاه‌های داده خدمات، چارچوب‌های وب و تجسم. این روش جدید پایه و اساس آموزشی این کتاب را تشکیل می دهد.
بخش دوم خواننده را با ابزارها و چارچوب‌های مختلف برای تجزیه و تحلیل داده‌های بزرگ، و جنبه‌های معماری و برنامه‌نویسی این چارچوب‌ها که در روش‌شناسی طراحی پیشنهادی استفاده می‌شود، آشنا می‌کند. ما پایتون را به عنوان زبان برنامه نویسی اصلی برای این کتاب انتخاب کردیم. زبان های دیگر، علاوه بر پایتون، نیز ممکن است به راحتی در پشته Big Data که در این کتاب توضیح داده شده است، استفاده شوند. ما ابزارها و چارچوب‌هایی را برای اکتساب داده توصیف می‌کنیم، از جمله چارچوب‌های پیام‌رسانی Publish-subscribe مانند Apache Kafka و Amazon Kinesis، رابطهای Source-Sink مانند Apache Flume، رابطهای پایگاه داده مانند Apache Sqoop، صف‌های پیام‌رسانی مانند RabbitMQ، ZeroMQ، RestSMQ، Amazon. و کانکتورهای سفارشی مبتنی بر REST و کانکتورهای مبتنی بر WebSocket. خواننده با Hadoop Distributed File System (HDFS) و پایگاه داده غیر رابطه ای HBase آشنا می شود. فصل تجزیه و تحلیل دسته ای یک مطالعه عمیق در مورد چارچوب هایی مانند Hadoop-MapReduce، Pig، Oozie، Spark و Solr ارائه می دهد. فصل تجزیه و تحلیل بلادرنگ بر چارچوب‌های Apache Storm و Spark Streaming متمرکز است. در فصل پرس و جوی تعاملی، با کمک مثال هایی، استفاده از فریم ورک ها و سرویس هایی مانند Spark SQL، Hive، Amazon Redshift و Google BigQuery را شرح می دهیم. فصل ارائه پایگاه‌های اطلاعاتی و چارچوب‌های وب، مقدمه‌ای بر پایگاه‌های داده رابطهای و غیر رابطهای محبوب (مانند MySQL، Amazon DynamoDB، Cassandra، و MongoDB) و چارچوب وب جنگو پایتون ارائه می‌دهد.
بخش سوم موضوعات پیشرفته را روی داده های بزرگ از جمله الگوریتم های تجزیه و تحلیل و ابزارهای تجسم داده ها متمرکز می کند. فصل الگوریتم‌های تجزیه و تحلیل، خواننده را با الگوریتم‌های یادگیری ماشین برای خوشه‌بندی، طبقه‌بندی، رگرسیون و سیستم‌های توصیه همراه با مثال‌هایی با استفاده از چارچوب‌های Spark MLlib و H2O آشنا می‌کند. فصل تجسم داده ها نمونه هایی از ایجاد انواع تجسم ها با استفاده از چارچوب هایی مانند لایتنینگ، pygal و Seaborn را شرح می دهد.
Part II introduces the reader to various tools and frameworks for big data analytics, and the architectural and programming aspects of these frameworks as used in the proposed design methodology. We chose Python as the primary programming language for this book. Other languages, besides Python, may also be easily used within the Big Data stack described in this book. We describe tools and frameworks for Data Acquisition including Publish-subscribe messaging frameworks such as Apache Kafka and Amazon Kinesis, Source-Sink connectors such as Apache Flume, Database Connectors such as Apache Sqoop, Messaging Queues such as RabbitMQ, ZeroMQ, RestMQ, Amazon SQS and custom REST-based connectors and WebSocket-based connectors. The reader is introduced to Hadoop Distributed File System (HDFS) and HBase non-relational database. The batch analysis chapter provides an in-depth study of frameworks such as Hadoop-MapReduce, Pig, Oozie, Spark and Solr. The real-time analysis chapter focuses on Apache Storm and Spark Streaming frameworks. In the chapter on interactive querying, we describe with the help of examples, the use of frameworks and services such as Spark SQL, Hive, Amazon Redshift and Google BigQuery. The chapter on serving databases and web frameworks provide an introduction to popular relational and non-relational databases (such as MySQL, Amazon DynamoDB, Cassandra, and MongoDB) and the Django Python web framework.
Part III focuses advanced topics on big data including analytics algorithms and data visualization tools. The chapter on analytics algorithms introduces the reader to machine learning algorithms for clustering, classification, regression and recommendation systems, with examples using the Spark MLlib and H2O frameworks. The chapter on data visualization describes examples of creating various types of visualizations using frameworks such as Lightning, pygal and Seaborn.
دانلود کتاب «تجزیه و تحلیل داده های بزرگ: یک رویکرد عملی»
برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.