Назад к ""

Анализ больших данных

Анализ больших данных

Авторы:
Тесленко И. Б., Крылов В. Е., Губернаторов А. М., Дигилина О. Б., Виноградов Д. В.
Вид издания:Учебное пособие
Уровень образования:Бакалавриат
Год издания:
2023
Объем:295 стр.
Издательство:КноРус
Язык:Русский
ISBN:978-5-406-10550-4
Темы:
Кибернетика,
Общие основы экономики предприятия (фирмы)
ОКСО:
38.00.00 Экономика и управление
EAN:9785406105504
Ключевые слова:Big Data, Технологии работы с большими данными, Хранилища данных, СУБД, Python — библиотека, Scikit — learn

Библиографическое описание

Анализ больших данных : учебное пособие / И. Б. Тесленко, В. Е. Крылов, А. М. Губернаторов [и др.]. — Москва : КноРус, 2023. — 295 с. — ISBN 978-5-406-10550-4. — URL: https://book.ru/book/950469 (дата обращения: 21.09.2023). — Текст : электронный.

Скопировать

Аннотация:

Призвано сформировать у студентов систему знаний в области информации: об особенностях ее хранения и обработки; о сущности понятия Big Data и его значениях; о принципах и подходах к управлению Big Data; о современных технологиях хранения данных и инструментариях для их анализа.
Соответствует ФГОС ВО последнего поколения.
Для студентов бакалавриата, обучающихся по направлениям «Бизнес-информатика» и «Экономика».

Вся аннотация

Содержание

Введение

Глава 1. ОСНОВНЫЕ ТЕОРЕТИЧЕСКИЕ ПОЛОЖЕНИЯ АНАЛИЗА БОЛЬШИХ ДАННЫХ

1.1. Информация, большие данные, Big Data

1.1.1. Информация, особенности ее хранения и обработки

1.1.2. Сущность понятия «Big Data»

1.1.3. Значение Big Data

Вопросы для обсуждения

Практические задания

1.2. Основы управления большими данными

1.2.1. Принципы и подходы к управлению Big Data

1.2.2. Содержание и задачи процесса управления большими данными

1.2.3. Проблемы использования Big Data

Вопросы для обсуждения

Практические задания

1.3. Технология работы с большими данными

1.3.1. Становление технологии работы с большими данными

1.3.2. Современные технологии управления большими данными

1.3.3. Общие черты различия платформ Hadoop и Spark

Вопросы и задания для обсуждения

Практические задания

1.4. Хранилища данных: эволюция и общие основы

1.4.1. Большие данные и хранилища данных

1.4.2. Подходы к архитектуре и принципам проектирования хранилищ данных

1.4.3. Системы хранения данных

Вопросы для обсуждения

Практические задания

1.5. Современные технологии хранения данных

1.5.1. Архитектура корпоративной системы хранилища — DWH

1.5.2. Хранилище данных и озеро данных

Вопросы для обсуждения

Практические задания

1.6. Аналитика больших данных и ее инструментарий

1.6.1. От традиционного анализа к операционному

1.6.2. Инструментарий для анализа больших данных (реляционные и нереляционные СУБД)

1.6.3. Технологии аналитики в памяти (in-memory)

Вопросы для обсуждения

Практические задания

1.7. Аналитика больших данных: техники обработки и анализа

1.7.1. Методы анализа и обработки больших данных

1.7.2. Анализ больших данных в облаках

Вопросы для обсуждения

Практические задания

1.8. Практическое применение технологий Big Data

1.8.1. Big Data в промышленном производстве

1.8.2. Big Data на транспорте

1.8.3. Big Data в страховании

1.8.4. Big Data в HR-менеджменте

Вопросы для обсуждения

Практические задания

1.9. Использование Big Data в социальной сфере

1.9.1. Технологии Big Data в здравоохранении

1.9.2. Технологии Big Data в сфере образования (на примере Российской Федерации)

Вопросы для обсуждения

Практические задания

1.10. Методы многомерного статистического анализа и анализа нечисловой информации

1.10.1. Методы многомерного статистического анализа

1.10.2. Дискриминантный анализ

1.10.3. Кластерный анализ

1.10.4. Многомерное шкалирование

1.10.5. Дисперсионный анализ

1.10.6. Анализ нечисловой информации

Вопросы и задания для обсуждения

Практические задания

Глава 2. ПРИМЕНЕНИЕ АНАЛИЗА БОЛЬШИХ ДАННЫХ НА ПРАКТИКЕ

2.1. Программный инструментарий операционной аналитики

2.1.1. Основные стадии операционной аналитики. Понятие машинного обучения

2.1.2. Обзор программных решений для машинного обучения как элемент экосистемы Big Data

2.1.3. Python-библиотека Scikit-learn как инструмент машинного моделирования

Вопросы для обсуждения

Практические задания

2.2. Scikit-learn: модели регрессии

2.2.1. Регрессионный анализ как задача машинного обучения

2.2.2. Линейные модели регрессии

2.2.3. Нелинейные модели регрессии

Вопросы для обсуждения

Практические задания

2.3. Scikit-learn: модели классификации

2.3.1. Классификация как задача машинного обучения

2.3.2. Линейные модели классификации

2.3.3. Модели классификации с нелинейными разделяющими поверхностями

Вопросы и задания для обсуждения

Практические задания

2.4. Scikit-learn: модели кластеризации

2.4.1. Кластерный анализ как задача машинного обучения

2.4.2. Методы итеративной кластеризации

2.4.3. Методы иерархической кластеризации

2.4.4. Методы плотностной кластеризации

Вопросы и задания для обсуждения

Практические задания

Закючение

Тест для проверки знаний, умений, навыков

Темы для подготовки к промежуточной аттестации

Глоссарий

Библиографический список