نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
Big Data LDN 2019 | جدا کردن ذخیره از محاسبه - قرار دادن داده ها در دست تصمیم گیرندگان | وضعیت علم داده و نظرسنجی یادگیری ماشین Matt HoughtonKaggle در برخی صنایع نشان داد که تا 92٪ از مردم می گویند بد ، غیرقابل دسترسی یا دسترسی به اطلاعات دشوار یکی از مهمترین موانع موفقیت در پروژه های داده و تحلیلی است. این یک مشکل است زیرا بدون داده هوش مصنوعی وجود ندارد. حجم و انواع داده هایی که سازمان ها برای ذخیره و پردازش نیاز دارند ، در حال افزایش است. دستگاه های بزرگ داده ای که به صورت شبانه روزی کار می کنند اغلب هنگام طراحی و اجرای معماری های مقرون به صرفه داده ها نامناسب هستند. خوشبختانه سیستم عامل های ابری دارای تعدادی خدمات هستند که می توانند به ما در توسعه و ارائه یک معماری داده مدرن ، مقرون به صرفه و انعطاف پذیر کمک کنند. این گفتار تعدادی از خدمات AWS را برای دستیابی به این مهم ترسیم و نشان می دهد. بحث با نگاهی به S3 به عنوان یک لایه ذخیره سازی که از سرویس های محاسبه ما جدا می شود ، شروع می شود. ما به کشف و طبقه بندی داده ها در S3 با استفاده از Glue و Macie و اینکه چگونه می توانیم از مدیریت و امنیت چرخه عمر مناسب استفاده کنیم ، خواهیم پرداخت. با رفتن به انواع مختلف پردازش یک پروژه داده ، ممکن است مت Houghton به Lambda و Glue برای ETL و Athena و Redshift برای پرس و جو و تجزیه و تحلیل نگاه کند. ما خدمات آماده یادگیری ماشین پخته موجود را بررسی خواهیم کرد که می تواند توانایی های AI/ML شما را شروع کند. سرانجام ما بررسی خواهیم کرد که چگونه می توانیم داده ها را مستقیماً به دست تصمیم گیرندگان با استفاده از QuickSight و Alexa بیاندازیم و قابلیت BI سلف سرویس را ارائه دهیم.
سرفصل ها و درس ها
جدا کردن فضای ذخیره سازی از Compute
Decouple Storage from Compute
-
جدا کردن فضای ذخیره سازی از Compute
Decouple Storage from Compute
نمایش نظرات