{"product_id":"139507","title":"Technologie qui prend en charge le big data ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jXPBvfsZhfROTM72HQV3L7S7pu7Tr.png?v=1765075179\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\n\n\u003cdiv style=\"width:95%\"\u003e\n\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e Technologie qui prend en charge le big data \u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/66277191\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e Description \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eIntroduction au livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e\u003cdiv\u003e \u003cb\u003eLe succès des entreprises modernes repose sur la manière dont les données sont collectées, intégrées et traitées !\u003cbr\u003e Tout ce que vous devez savoir sur le big data et les technologies associées, par un expert en traitement des données !\u003cbr\u003e « Comment systématiser le traitement des données ? »\u003c\/b\u003e\u003cbr\u003e \u003cbr\u003e« Technologies de soutien au Big Data » organise les éléments et les technologies nécessaires à une série de traitements de données, en mettant l'accent sur les aspects techniques, établit une base pour un traitement efficace des données et couvre diverses technologies qui prennent en charge l'automatisation du système.\u003cbr\u003e À mesure que les performances des ordinateurs s'améliorent, les attentes concernant le développement de systèmes axés sur les données, et notamment sur l'apprentissage automatique, augmentent.\u003cbr\u003e Par conséquent, à l'avenir, quelle que soit la taille du système, la demande de « technologies qui intègrent le traitement des données au sein même du système » augmentera progressivement.\u003cbr\u003e La diversité des supports visuels et l'introduction systématique aux technologies connexes présentées dans cet ouvrage seront d'une grande aide aux lecteurs qui découvrent le monde du big data.\u003cbr\u003e\n\n\u003c\/div\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cul\u003e\u003cli\u003e Vous pouvez consulter un aperçu du contenu du livre.\u003cbr\u003e \u003cspan\u003eAperçu\u003c\/span\u003e\n\n\u003c\/li\u003e\u003c\/ul\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e CHAPITRE 1 Connaissances de base du Big Data _ 1\u003cbr\u003e 1-1 [Contexte] Établissement du Big Data 3 \u003cbr\u003eTraitement accéléré des données grâce aux systèmes distribués : deux technologies représentatives qui permettent de surmonter la difficulté de gérer les mégadonnées.\u003cbr\u003e Utilisation novatrice des systèmes distribués en entreprise - Coexistence avec les entrepôts de données 7\u003cbr\u003e Élargir le champ de l'analyse de données que vous pouvez réaliser vous-même - Accélérer l'utilisation du Big Data grâce aux services cloud et à la découverte de données 8\u003cbr\u003e 1-2 Fondements de l'analyse des données à l'ère du Big Data 11\u003cbr\u003e [Réintroduction] Technologie du Big Data - Structure de traitement des données utilisant des systèmes distribués 11\u003cbr\u003e Entrepôts de données et data marts - Principes de base du pipeline de données 16\u003cbr\u003e Lacs de données - Accumulation des données telles quelles 17\u003cbr\u003e Élaboration d'une base solide en analyse de données, étape par étape : équipes et rôles, débuter modestement et s'étendre progressivement (19)\u003cbr\u003e Objectif de la collecte de données – Trois exemples : « Extraction », « Traitement » et « Visualisation » 22\u003cbr\u003e Analyse des données confirmatoire et exploratoire 25 \u003cbr\u003e1-3 [Apprentissage d'attributs] Analyses spéciales et cadres de données utilisant des langages de script 26\u003cbr\u003e Langages de traitement des données et de script - Langages Python populaires et DataFrames 26\u003cbr\u003e Data Frames, les bases des bases - Construction à partir de « tableaux imbriqués » 27\u003cbr\u003e Exemple de journal d'accès d'un serveur web - facilement traitable avec les data frames pandas 28\u003cbr\u003e Agrégation interactive de données de séries temporelles - Agrégation de données à l'aide de DataFrames 30\u003cbr\u003e Utilisation des résultats SQL sous forme de DataFrame 31\u003cbr\u003e 1-4 Outils et surveillance de la BI 33\u003cbr\u003e Suivi avec des tableurs - Comprendre l'état actuel de votre projet 33\u003cbr\u003e Prise de décision fondée sur les données - Suivi des indicateurs clés de performance (KPI) 35\u003cbr\u003e Identifier les changements et comprendre les détails - Utilisation des outils de BI 37\u003cbr\u003e Déterminer la frontière entre travail manuel et travail automatisé 39\u003cbr\u003e 1-5 Résumé 42\u003cbr\u003e\u003cbr\u003e CHAPITRE 2 Exploration des mégadonnées _ 43\u003cbr\u003e 45 points de base du décompte croisé 2-1 \u003cbr\u003eTableaux de transactions, tableaux croisés et tableaux dynamiques — Le concept d’« agrégation croisée » 45\u003cbr\u003e Tables de consultation - Ajout d'attributs par combinaison de tables 47\u003cbr\u003e Agrégation de tables avec SQL - Préparation à l'agrégation croisée de données en masse 50\u003cbr\u003e Agrégation des données ? Entrepôt de données ? Visualisation — Configuration du système déterminée par la taille de l’entrepôt de données 55\u003cbr\u003e 2-2 Stockage à grande vitesse par colonnes 56\u003cbr\u003e Réduction de la latence de la base de données 56\u003cbr\u003e Accès aux bases de données orienté colonnes - Compression des colonnes pour réduire les E\/S disque 58\u003cbr\u003e Une approche de base de données MPP - Exploiter la puissance multicœur grâce au parallélisme 61\u003cbr\u003e 2-3 Outils d'analyse et de visualisation ad hoc 64\u003cbr\u003e Analyse ad hoc avec les notebooks Jupyter - Enregistrement des processus d'analyse dans un notebook 64\u003cbr\u003e Outils du tableau de bord - Visualisez régulièrement les résultats agrégés 68\u003cbr\u003e Outils de BI - Tableaux de bord interactifs 75\u003cbr\u003e 2-4 Structure de base d'un entrepôt de données 77 \u003cbr\u003eCréation de data marts parfaits pour la visualisation - OLAP 77\u003cbr\u003e Dénormalisation d'un tableau 79\u003cbr\u003e Extraction de tableaux en vue de la visualisation de modèles multidimensionnels 82\u003cbr\u003e 2-5 Résumé 86\u003cbr\u003e\u003cbr\u003e CHAPITRE 3 Traitement distribué des mégadonnées _ 87\u003cbr\u003e 3-1 Cadre pour le traitement distribué à grande échelle 89\u003cbr\u003e Données structurées et non structurées 89\u003cbr\u003e Hadoop : une plateforme commune pour le traitement distribué des données 92\u003cbr\u003e Spark - Traitement de données en mémoire à haute vitesse 99\u003cbr\u003e 3-2 Moteur de requêtes 101\u003cbr\u003e Pipeline 101 : Création d’un data mart\u003cbr\u003e Création de données structurées avec Hive 102\u003cbr\u003e Structure de Presto, le moteur de requêtes interactif - Agrégation de données structurées avec Presto 109\u003cbr\u003e Choisir un framework d'analyse de données : bases de données MPP, Hive, Presto et Spark 115\u003cbr\u003e 3-3 Création d'un entrepôt de données 119\u003cbr\u003e Tableaux de faits - Accumulation de données de séries chronologiques 119\u003cbr\u003e Tableaux agrégés - Réduction du nombre d'enregistrements 122\u003cbr\u003e Tableau instantané - Enregistrement de l'état du maître 123\u003cbr\u003e Tableau historique - Modifications de la matrice d'enregistrement 127 \u003cbr\u003e[Dernière étape] Complétez le tableau dénormalisé en ajoutant les dimensions 127\u003cbr\u003e 3-4 Résumé 130\u003cbr\u003e\u003cbr\u003e CHAPITRE 4 Accumulation de données massives _ 131\u003cbr\u003e 4-1 Collecte de données en masse et en continu 133\u003cbr\u003e Stockage d'objets et ingestion de données - Chargement des données dans un stockage distribué 133\u003cbr\u003e Transfert de données en masse - Nécessité d'un serveur ETL 135\u003cbr\u003e Transfert de données en flux continu - Transfert de données pour la gestion de petits volumes de données transmises en continu 137\u003cbr\u003e 4-2 Compromis [Performance × Fiabilité] dans la transmission des messages 143\u003cbr\u003e Courtier de messages - Installation d'une couche intermédiaire pour résoudre les problèmes de performance du stockage 143\u003cbr\u003e Garantir la transmission des messages est difficile - Problèmes de fiabilité et trois approches de conception 146\u003cbr\u003e La déduplication est une opération coûteuse 149\u003cbr\u003e Pipelines de collecte de données - Stockage adapté à l'analyse de données à long terme 152\u003cbr\u003e 4-3 Optimisation des données de séries temporelles 154 \u003cbr\u003eTemps de traitement et temps de l'événement - L'objectif principal de l'analyse des données est le temps de l'événement 154\u003cbr\u003e Partitionnement et problèmes liés au temps de traitement - Analyses complètes à éviter autant que possible 154\u003cbr\u003e Index de séries temporelles - Agrégation efficace par date d'événement ① 156\u003cbr\u003e Agrégation conditionnelle par heure d'événement ② 157\u003cbr\u003e Partitionnement par date d'événement - Partitionnement de tables, Tables de séries chronologiques 158\u003cbr\u003e 4-4 Stockage distribué des données non structurées 161\u003cbr\u003e [Stratégie de base] Utilisation des données avec les bases de données NoSQL 161\u003cbr\u003e KVS distribué - Amélioration des performances d'écriture sur disque 162\u003cbr\u003e Stockage en colonnes larges - Analyse et stockage de données structurées 166\u003cbr\u003e Magasin de documents - Gestion des données sans schéma 169\u003cbr\u003e Moteurs de recherche - Trouver des données avec la recherche par mots-clés 171\u003cbr\u003e 4-5 Résumé 175\u003cbr\u003e\u003cbr\u003e CHAPITRE 5 Pipeline de données massives _ 177\u003cbr\u003e 5-1 Gestion des flux de travail 179\u003cbr\u003e [Connaissances de base] Gestion des flux de travail - Gestion du flux de données 179 \u003cbr\u003eRéfléchir d'abord à la manière de se remettre des erreurs 183\u003cbr\u003e Décrire les tâches comme des opérations idempotentes — l'exécution multiple d'une même tâche produit le même résultat 188\u003cbr\u003e Rendre l'ensemble du flux de travail idempotent 194\u003cbr\u003e Files d'attente de tâches - Contrôle de la consommation des ressources 195\u003cbr\u003e 5-2 Flux de données par lots 199\u003cbr\u003e L'ère de MapReduce est révolue - Flux de données et flux de travail 199\u003cbr\u003e Un nouveau cadre pour remplacer MapReduce - Représentation interne via des DAG 201\u003cbr\u003e Combinaison des flux de données et des flux de travail 204\u003cbr\u003e Séparation des flux de données et du SQL - Pipelines d'entrepôt de données et pipelines de data marts 207\u003cbr\u003e 5-3 Flux de données en continu 209\u003cbr\u003e Répartition du traitement entre traitement par lots et traitement en flux continu 209\u003cbr\u003e Intégration du traitement par lots et du traitement en flux continu 211\u003cbr\u003e Remplacement des résultats du traitement en flux continu par le traitement par lots – Résolution de deux problèmes du traitement en flux continu 214\u003cbr\u003e Traitement des données hors séquence 217 \u003cbr\u003e5-4 Résumé 220\u003cbr\u003e\u003cbr\u003e CHAPITRE 6 Établir les bases de l'analyse des mégadonnées _ 223\u003cbr\u003e 6-1 Analyse ad hoc de données sans schéma 225\u003cbr\u003e Collecte de données sans schéma 225\u003cbr\u003e Préparation de l'environnement d'exécution interactif 228\u003cbr\u003e Environnements distribués avec Spark - Favoriser la croissance des données 232\u003cbr\u003e Agrégation des données pour la construction d'un data mart 237\u003cbr\u003e Visualisation des données avec les outils de BI 241\u003cbr\u003e 6-2 Pipelines de données avec Hadoop 245\u003cbr\u003e Traitement quotidien par lots 245\u003cbr\u003e [Tâche 1] Extraction de données avec Embulk 246\u003cbr\u003e [Tâche 2] Structuration des données avec Hive 248\u003cbr\u003e [Tâche 3] Agrégation de données avec Presto 250\u003cbr\u003e 6-3 Automatisation par les outils de gestion des flux de travail 253\u003cbr\u003e Airflow - Gestion des flux de travail par scripts 253\u003cbr\u003e Exécution d'un flux de travail depuis le terminal 257\u003cbr\u003e Démarrez le planificateur pour exécuter régulièrement le DAG 260\u003cbr\u003e Contrôle des ressources consommées par les tâches 265\u003cbr\u003e Exécution de pipelines de données dans Hadoop 266 \u003cbr\u003e6-4 Pipeline de données par services cloud 268\u003cbr\u003e La relation entre l'analyse des données et les services cloud 268\u003cbr\u003e Amazon Web Services 270\u003cbr\u003e Google Cloud Platform 272\u003cbr\u003e Données du trésor 274\u003cbr\u003e Résumé 6-5 279\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate2060\/MidCate004\/205935141.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eDans le livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e Le terme « big data » a commencé à apparaître fréquemment dans les médias vers la fin de 2011 et 2012, à peu près au moment où de nombreuses entreprises ont commencé à adopter des systèmes distribués pour le traitement des données.\u003cbr\u003e Bien que le traitement des données par ordinateur existât déjà, le terme « big data » a commencé à être utilisé ici et là, et le mouvement visant à utiliser les données à des fins commerciales s'est dynamisé.\u003cbr\u003e --- p.3\u003cbr\u003e\u003cbr\u003e La différence entre les outils de tableau de bord et les outils de BI n'est pas si stricte.\u003cbr\u003e Alors que la première met l'accent sur la facilité d'ajout de nouveaux graphiques, la seconde privilégie une exploration plus interactive des données. \u003cbr\u003ePar exemple, si vous souhaitez prendre votre temps et examiner vos données lentement, en cliquant par exemple sur un graphique pour passer à une vue détaillée ou en affichant les données brutes qui constituent la base d'une agrégation, un outil de BI est un bon choix.\u003cbr\u003e --- p.68\u003cbr\u003e\u003cbr\u003e Hadoop est actuellement connu comme un système représentant le big data, mais historiquement, son développement a commencé vers 2003 en tant que système de fichiers distribué pour 'Nutch', un robot d'exploration Web open source.\u003cbr\u003e Par la suite, en 2006, il est devenu un projet indépendant et a été distribué sous le nom d'Apache Hadoop.\u003cbr\u003e --- p.92\u003cbr\u003e\u003cbr\u003e Premièrement, les fichiers stockés sur un support de stockage objet sont difficiles à remplacer.\u003cbr\u003e Une fois un fichier créé, la seule solution est de le remplacer intégralement.\u003cbr\u003e Cela convient parfaitement aux fichiers journaux qui ne seront plus modifiés, mais ce n'est pas adapté aux éléments fréquemment modifiés, comme les bases de données. \u003cbr\u003eLes données fréquemment écrites doivent être stockées dans une base de données relationnelle distincte et faire l'objet d'instantanés réguliers, ou stockées dans une autre base de données distribuée.\u003cbr\u003e --- p.161\u003cbr\u003e\u003cbr\u003e Par ailleurs, les données événementielles analysées dans cet ouvrage, telles que les messages envoyés depuis des millions de smartphones, ne peuvent être utilisées directement.\u003cbr\u003e Dans le chapitre précédent, nous avons abordé le flux de données centré sur le flux de messages en tant que méthode de livraison de messages en temps réel.\u003cbr\u003e Si le traitement par lots commence par le stockage des données reçues de cette manière dans un stockage distribué, le traitement en flux continu poursuit le traitement sans passer par un stockage distribué.\u003cbr\u003e\n\u003c\/div\u003e\n\u003cdiv\u003e --- p.210 \u003c\/div\u003e\n\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e SPÉCIFICATIONS DES PRODUITS \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eDate de publication :\u003c\/strong\u003e 5 novembre 2018\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eNombre de pages, poids, dimensions :\u003c\/strong\u003e 312 pages | 170 × 225 × 21 mm\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN13 :\u003c\/strong\u003e 9791188621439\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN10 :\u003c\/strong\u003e 1188621432 \u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cspan\u003e\u003c\/span\u003e\n\n\u003c\/center\u003e\n\n\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43893362098218,"sku":"139507","price":37.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/dfed5421a9513b3bf2df3efee0bbbd8a.jpg?v=1765398407","url":"https:\/\/librairie.coreenne.fr\/products\/139507","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}