写给大家看的大数据

第一部分　大数据入门　1

第1章　大数据基础　3

数据管理的演化过程　4

理解数据管理的几个关键　5

关键1：创建可管理的数据结构　5

关键2：Web和内容管理　7

关键3：管理大数据　7

大数据的定义　9

构建成功的大数据管理架构　10

捕捉、组织、集成分析与模拟　10

建立架构基础　11

性能问题　13

传统与高级分析　15

大数据之旅　16

第2章　研究大数据类型　17

定义结构化的数据　18

探索大结构化数据源　18

理解关系型数据库在大数据中的角色　19

定义非结构化数据　21

探索非结构化数据源　21

理解CMS在大数据管理中的角色　23

理解实时需求和非实时需求　23

聚合大数据　25

管理不同类型的数据　25

将不同类型的数据整合到大数据环境中　25

第3章　当老古董遇上新生代：分布式计算　27

分布式计算简史　27

感谢DARPA　27

可持续模型的价值　28

了解分布式计算基础　29

为什么大数据需要分布式计算　29

计算经济的改变　30

时延带来的问题　30

当需求遇上解决方案　31

获取所需的性能　31

第二部分　大数据的技术基础　33

第4章　深入大数据技术组件　35

探索大数据栈　36

第0层：带冗余的物理基础架构　37

物理冗余网络　38

管理硬件：存储与服务器　39

基础架构操作　39

第1层：安全框架　39

进/出应用程序和互联网的界面与接口　40

第2层：可操作数据库　42

第3层：组织数据服务与工具　43

第4层：可分析的数据仓库　44

大数据分析　45

大数据应用程序　46

第5章　虚拟化及其如何支持分布式计算　47

理解虚拟化的基本知识　47

在大数据中使用虚拟化的重要性　48

服务器虚拟化　50

应用程序虚拟化　50

网络虚拟化　51

处理器和内存虚拟化　51

数据和存储虚拟化　52

使用Hypervisor管理虚拟化　53

抽象化与虚拟化　54

实现在大数据中的虚拟化　54

第6章　云和大数据　56

大数据领域中的云　56

理解云部署和分发模型　57

云部署模型　57

云分发模型　59

大数据需要云　60

在大数据中使用云　61

大数据云市场的服务提供商　62

亚马逊公共弹性计算云(EC2)　63

谷歌的大数据服务　64

微软Azure　64

OpenStack　65

在使用云服务时需要注意什么　65

第三部分　大数据管理　67

第7章　操作型数据库　69

RDBMS在大数据领域的重要性　71

非关系型数据库　72

Key-Value型数据库　73

文档数据库　75

MongoDB　76

CouchDB　77

纵列数据库　78

图形数据库　79

空间数据库　81

混合持久化　83

第8章　MapReduce基础　85

MapReduce溯源　85

理解Map函数　86

添加Reduce函数　88

结合Map和Reduce　89

优化MapReduce　91

硬件/网络拓扑　92

同步　92

文件系统　92

第9章　探索Hadoop的世界　94

谈谈Hadoop　94

理解Hadoop分布式文件系统(HDFS)　95

Name节点　95

数据节点　96

理解HDFS　97

Hadoop的MapReduce　99

准备数据　100

开始Mapping　101

Reduce和融合　101

第10章　Hadoop基础和生态　103

使用Hadoop生态系统构建大数据基础　103

使用Hadoop YARN管理资源和应用程序　104

使用HBase存储大数据　105

使用Hive挖掘大数据　106

使用Hadoop生态系统　107

Pig和Pig Latin　107

Sqoop　108

Zookeeper　109

第11章　设备和大数据仓库　111

使用传统数据仓库装载大数据　111

优化数据仓库　112

区别大数据结构和数据仓库数据　112

一个混合式处理的例子　113

大数据分析和数据仓库　114

集成的关键　115

再思考提取、变换和载入　115

改变数据仓库的角色　116

改变部署模型　116

设备模型　117

云模型　117

数据仓库的未来　117

第四部分　数据分析与大数据　119

第12章　定义大数据分析　121

使用大数据获得结果　121

基本分析　122

高级分析　123

实用性分析　126

货币化分析　126

为掌握大数据修改商务智能产品　126

数据　126

分析算法　127

基础架构支持　128

大数据分析案例研究　128

Orbitz　129

Nokia　129

NASA　129

大数据分析解决方案　130

第13章　理解文本分析和大数据　131

探索非结构化数据　132

理解文本分析　133

分析和提取技术　135

理解信息抽取　136

分类学　137

将结果汇总成结构化数据　138

开始使用大数据　138

客户的声音　138

社交媒体分析　139

大数据文本分析工具　141

Attensity　141

Clarabridge　142

IBM　142

OpenText　142

SAS　143

第14章　大数据分析的定制化　144

构建新的大数据模型　145

理解大数据分析的各种方法　147

大数据分析的定制应用程序　147

大数据分析的半定制化应用程序　149

大数据分析框架的特点　151

由大到小：大数据悖论　153

第五部分　大数据实现　155

第15章　集成数据源　157

识别你需要的数据　157

勘探阶段　158

编制阶段　159

集成和整合阶段　160

理解大数据集成基础　161

定义传统ETL　163

理解ELT——提取、载入和转换　164

大数据质量优化　165

使用Hadoop实现ETL　166

大数据集成的最佳实践　166

第16章　处理实时数据流和复杂事件　168

流数据和复杂事件处理　169

使用流数据　169

数据流　169

流的元数据　171

使用复杂事件处理　172

从流中分离出CEP　173

商务领域的数据流和CEP　174

第17章　可操作的大数据　175

让大数据成为操作过程的一部分　175

集成大数据　175

疾病诊断中的大数据协作　177

理解大数据工作流　180

大数据的有效性、准确性和波动性　181

数据有效性　181

数据波动性　182

第18章　在企业中应用大数据　184

大数据经济学　184

数据类型和数据来源的识别　185

修改业务流或创建新的业务流　187

大数据工作流的技术影响　188

网罗大数据项目的人才　188

计算大数据的投入产出(ROI)　189

企业数据管理和大数据　189

创建大数据实施里程碑　190

理解业务紧迫性　191

正确地预测工作量　191

选择正确的软件开发方法学　191

平衡预算和功能　192

评估风险承受能力　192

迈出第一步　193

第19章　大数据环境的安全和管理　195

大数据下的安全　195

评估业务风险　196

大数据中潜藏的风险　196

理解数据保护　197

数据管理的挑战　198

大数据过程审计　199

定位关键利益者　200

正确运用组织架构　200

为管理风险做准备　200

制订正确的管理规则和质量保障　201

开发管理完善、安全可靠的大数据环境　201

第六部分　现实中的大数据解决方案　203

第20章　大数据对业务的重要性　205

将大数据作为业务规划的工具　205

第一步：规划中引入数据　206

第二步：执行分析　206

第三步：检查结果　207

第四步：落实计划　207

规划过程的另一个维度　207

第五步：实时监控　208

第六步：调节影响　208

第七步：适应性实验　208

正确地看待数据分析　208

在正确的基础上开始行动　209

规划大数据　210

调整业务流程　210

第21章　从现实视角看数据分析　212

理解用户对运动型数据的需求　213

流数据对环境的影响　214

使用传感器来提供实时水文信息　215

实时数据的优势　215

流数据对公共政策的影响　216

流数据在医疗行业的应用　217

流数据在能源行业的应用　218

使用流数据提升能量产率　218

使用流数据提升能源产出　218

连接数据流和历史数据与其他实时数据源　219

第22章　从现实视角看大数据分析对业务流程的优化　220

了解企业对大数据分析的需求　220

使用文本分析提升客户体验　221

使用大数据分析进行决策　222

使用大数据分析避免欺诈　224

整合新数据源的商业价值　225

第七部分　十项注意　227

第23章　十条大数据最佳实践　229

理解你的目标　229

建立里程碑　230

发现你的数据　230

清楚你缺少什么数据　230

理解可选技术方案　231

规划大数据安全　231

规划大数据管理策略　231

规划数据管家　232

持续测试　232

学习最佳实践和利用模式　232

第24章　十个大数据资源　234

Hurwitz & Associates　234

标准化组织　234

开放数据基金会　234

云安全联盟　235

美国国家标准和科技机构　235

Apache软件基金会　235

OASIS　235

供应商的网站　236

在线协作套件　236

大数据会议　237

第25章　十条“要”与“不要”　238

要将所有业务单元都涵盖在大数据战略中　238

要评估所有的大数据分发模型　238

要将传统数据源作为大数据战略的一部分　238

要计划持久化元数据　239

要分发你的数据　239

不要依赖于单一的大数据分析方法　239

不要在准备充分之前就膨胀　239

不要忽略数据集成的需求　239

不要忘记安全地管理数据　240

不要忽略数据的管理效率　240

术语表　241

大数据是当前信息科技领域最为炙手可热的话题之一。《写给大家看的大数据》简单而系统地介绍了大数据体系涉及的各方面知识，涵盖大数据的基本概念、大数据的技术基础、大数据管理、大数据分析、大数据在现实工作中如何实现和实施等关键内容，涉及大数据基础架构、大数据使用的数据库和分布式技术、对大数据进行基础分析和高级分析的特点及异同，以及企业如何应用大数据转变其商业运作模式等内容，能够对想要了解大数据全貌，或是想要使用大数据的企业和个人提供全面的知识内容和学习借鉴。
　　《写给大家看的大数据》语言生动，内容覆盖面广，理论结合实例，非常适合对大数据感兴趣的广大读者。对于从事与大数据相关工作的人员，本书也有很高的参考价值。