幫助中心 | 我的帳號 | 關於我們

高性能計算系統與大數據分析/數據科學與工程技術叢書

  • 作者:(印)佩瑟魯·拉吉//阿諾帕馬·拉曼//德維亞·納加拉傑//悉達多·杜格拉拉|譯者:齊寧//龐建民//張錚//韓林
  • 出版社:機械工業
  • ISBN:9787111611752
  • 出版日期:2019/01/01
  • 裝幀:平裝
  • 頁數:274
人民幣:RMB 79 元      售價:
放入購物車
加入收藏夾

內容大鋼
    佩瑟魯·拉吉、阿諾帕馬·拉曼、德維亞·納加拉傑、悉達多·杜格拉拉著的《高性能計算系統與大數據分析/數據科學與工程技術叢書》介紹了大數據分析所需的高性能基礎設施以及高性能大數據分析領域的新技術和工具。在新興分析類型方面,涵蓋了感測器分析、機器分析、運營分析、實時分析、高性能分析、社交媒體和網路分析、客戶情緒分析、品牌優化分析、金融交易及趨勢分析、零售分析、能量分析、藥物分析以及效用分析等。在IT基礎設施方面,則包含了大型機、並行和超級計算系統、P2P、集群和網格計算系統設備、專業集成和按需定製的系統、實時系統、雲基礎設施等。
    本書適合作為高校大數據、高性能計算相關課程的教材,也適合業務主管、技術專家、軟體工程師、大數據科學家、解決方案架構師等專業人士閱讀。

作者介紹
(印)佩瑟魯·拉吉//阿諾帕馬·拉曼//德維亞·納加拉傑//悉達多·杜格拉拉|譯者:齊寧//龐建民//張錚//韓林

目錄
譯者序

前言
第1章  IT領域的變革以及未來趨勢
  1.1  引言
  1.2  新興的IT趨勢
  1.3  數字化實體的實現與發展
  1.4  物聯網/萬物互聯
  1.5  對社交媒體網站的廣泛採用
  1.6  預測性、規範性、個性化分析時代
  1.7  用於大數據及分析的Apache Hadoop
  1.8  大數據、大洞見、大動作
  1.9  結論
  1.10  習題
第2章  大數據/快速數據分析中的高性能技術
  2.1  引言
  2.2  大數據分析學科的出現
  2.3  大數據的戰略意義
  2.4  大數據分析的挑戰
  2.5  高性能計算范型
  2.6  通過並行實現高性能的方法
  2.7  集群計算
  2.8  網格計算
  2.9  雲計算
  2.10  異構計算
  2.11  用於高性能計算的大型機
  2.12  用於大數據分析的超級計算
  2.13  用於大數據分析的設備
    2.13.1  用於大規模數據分析的數據倉庫設備
    2.13.2  in-memory大數據分析
    2.13.3  大數據的in-database處理
    2.13.4  基於Hadoop的大數據設備
    2.13.5  高性能大數據存儲設備
  2.14  結論
  2.15  習題
  參考文獻
第3章  大數據與快速數據分析對高性能計算的渴望
  3.1  引言
  3.2  重新審視大數據分析范型
  3.3  大數據和快速數據的含義
  3.4  用於精確、預測性、規範性洞見的新興數據源
  3.5  大數據分析為何不俗
  3.6  傳統的和新一代的數據分析案例研究
  3.7  為何採用基於雲的大數據分析
  3.8  大數據分析:主要處理步驟
  3.9  實時分析
  3.10  流分析
  3.11  感測器分析
    3.11.1  大數據分析與高性能計算的同步:附加價值
  3.12  結論

  3.13  習題
第4章  高性能大數據分析的網路基礎設施
  4.1  引言
  4.2  當前網路基礎設施的局限
  4.3  高性能大數據分析網路基礎設施的設計方法
    4.3.1  網路虛擬化
    4.3.2  軟體定義網路
    4.3.3  網路功能虛擬化
  4.4  用於傳輸大數據的廣域網優化
  4.5  結論
  4.6  習題
  參考文獻
第5章  高性能大數據分析的存儲基礎設施
  5.1  引言
  5.2  直連式存儲
    5.2.1  DAS的缺點
  5.3  存儲區域網路
    5.3.1  塊級訪問
    5.3.2  文件級訪問
    5.3.3  對象級訪問
  5.4  保存大數據的存儲基礎設施需求
  5.5  光纖通道存儲區域網路
  5.6  互聯網協議存儲區域網路
    5.6.1  乙太網光纖通道
  5.7  網路附屬存儲
  5.8  用於高性能大數據分析的流行文件系統
    5.8.1  Google文件系統
    5.8.2  Hadoop分散式文件系統
    5.8.3  Panasas
    5.8.4  Luster文件系統
  5.9  雲存儲簡介
    5.9.1  雲存儲系統的架構模型
    5.9.2  存儲虛擬化
    5.9.3  雲存儲中使用的存儲優化技術
    5.9.4  雲存儲的優點
  5.10  結論
  5.11  習題
  參考文獻
  進一步閱讀
第6章  使用高性能計算進行實時分析
  6.1  引言
  6.2  支持實時分析的技術
    6.2.1  in-memory處理
    6.2.2  in-database分析
  6.3  大規模在線分析
  6.4  通用並行文件系統
    6.4.1  GPFS用例
  6.5  GPFS客戶案例研究
    6.5.1  廣播公司:VRT
    6.5.2  石油公司從Lustre遷移到GPFS

  6.6  GPFS:關鍵的區別
    6.6.1  基於GPFS的解決方案
  6.7  機器數據分析
    6.7.1  Splunk
  6.8  運營分析
    6.8.1  運營分析中的技術
    6.8.2  用例以及運營分析產品
    6.8.3  其他IBM運營分析產品
  6.9  結論
  6.10  習題
第7章  高性能計算范型
  7.1  引言
  7.2  為何還需要大型機
  7.3  大型機中HPC是如何演化的
    7.3.1  成本:HPC的一個重要因素
    7.3.2  雲計算中的集中式HPC
    7.3.3  集中式HPC的要求
  7.4  HPC遠程模擬
  7.5  使用HPC的大型機解決方案
    7.5.1  智能大型機網格
    7.5.2  IMG的工作原理
    7.5.3  IMG架構
  7.6  架構模型
    7.6.1  具有共享磁碟的存儲伺服器
    7.6.2  沒有共享磁碟的存儲伺服器
    7.6.3  無存儲伺服器的通信網路
  7.7  對稱多處理
    7.7.1  什麼是SMP
    7.7.2  SMP與集群方法
    7.7.3  SMP是否真的重要
    7.7.4  線程模型
    7.7.5  NumaConnect技術
  7.8  用於HPC的虛擬化
  7.9  大型機方面的創新
  7.10  FICON大型機介面
  7.11  大型機對手機的支持
  7.12  Windows高性能計算
  7.13  結論
  7.14  習題
第8章  in-database處理與in-memory分析
  8.1  引言
    8.1.1  分析工作負載與事務工作負載的對比
    8.1.2  分析工作負載的演化
    8.1.3  傳統分析平台
  8.2  in-database分析
    8.2.1  架構
    8.2.2  優點和局限
    8.2.3  代表性的系統
  8.3  in-memory分析
    8.3.1  架構

    8.3.2  優點和局限
    8.3.3  代表性的系統
  8.4  分析設備
    8.4.1  Oracle Exalytics
    8.4.2  IBM Netezza
  8.5  結論
  8.6  習題
  參考文獻
  進一步閱讀
第9章  大數據/快速數據分析中的高性能集成系統、資料庫和數據倉庫
  9.1  引言
  9.2  下一代IT基礎設施和平台的關鍵特徵
  9.3  用於大數據/快速數據分析的集成系統
    9.3.1  用於大數據分析的Urika-GD設備
    9.3.2  IBM PureData System for Analytics
    9.3.3  Oracle Exadata Database Machine
    9.3.4  Teradata數據倉庫和大數據設備
  9.4  大數據分析的融合式基礎設施
  9.5  高性能分析:大型機+Hadoop
  9.6  快速數據分析的in-memory平台
  9.7  大數據分析的in-database平台
  9.8  用於高性能大數據/快速數據分析的雲基礎設施
  9.9  用於大數據的大文件系統
  9.10  用於大數據/快速數據分析的資料庫和數據倉庫
    9.10.1  用於大數據分析的NoSQL資料庫
    9.10.2  用於大數據/快速數據分析的NewSQL資料庫
    9.10.3  用於大數據分析的高性能數據倉庫
  9.11  流分析
  9.12  結論
  9.13  習題
第10章  高性能網格和集群
  10.1  引言
  10.2  集群計算
    10.2.1  集群計算的動機
    10.2.2  集群計算架構
    10.2.3  軟體庫和編程模型
    10.2.4  先進集群計算系統
    10.2.5  網格與集群間的差異
  10.3  網格計算
    10.3.1  網格計算的動機
    10.3.2  網格計算的演進
    10.3.3  網格系統的設計原則和目標
    10.3.4  網格系統架構
    10.3.5  網格計算系統的優點和局限
    10.3.6  網格系統和應用
    10.3.7  網格計算的未來
  10.4  結論
  10.5  習題
  參考文獻
  進一步閱讀

第11章  高性能P2P系統
  11.1  引言
  11.2  設計原則與特點
  11.3  P2P系統架構
    11.3.1  集中式P2P系統
    11.3.2  分散式P2P系統
    11.3.3  混合P2P系統210和框架
  11.4  高性能P2P應用
    11.4.1  Cassandra
    11.4.2  SETI @ Home
    11.4.3  比特幣:基於P2P的數字貨幣
  11.5  結論
  11.6  習題
  參考文獻
  進一步閱讀
第12章  高性能大數據分析的可視化維度
  12.1  引言
  12.2  常用技術
    12.2.1  圖表
    12.2.2  散點圖
    12.2.3  樹狀圖
    12.2.4  箱形圖
    12.2.5  信息圖
    12.2.6  熱圖
    12.2.7  網路和圖的可視化
    12.2.8  詞雲與標籤雲
  12.3  數據可視化工具與系統
    12.3.1  Tableau
    12.3.2  Birst
    12.3.3  Roambi
    12.3.4  Qlikview
    12.3.5  IBM Cognos
    12.3.6  Google Charts和融合表
    12.3.7  Data-Driven Documents(D3.js)
    12.3.8  Sisense
  12.4  結論
  12.5  習題
  參考文獻
  進一步閱讀
第13章  用於組織增權的社交媒體分析
  13.1  引言
    13.1.1  社交數據收集
    13.1.2  社交數據分析
    13.1.3  移動設備的發展
    13.1.4  強大的可視化機制
    13.1.5  數據本身的快速變化
  13.2  社交媒體分析入門
  13.3  建立一個用於企業社交媒體分析的框架
  13.4  社交媒體內容指標
  13.5  社交媒體分析的預測分析技術

  13.6  使用文本挖掘的情感分析架構
  13.7  社交媒體數據的網路分析
    13.7.1  社交媒體數據的網路分析入門
    13.7.2  使用Twitter的網路分析
    13.7.3  極化網路圖
    13.7.4  In-Group圖
    13.7.5  Twitter品牌圖
    13.7.6  Bazaar網路
    13.7.7  廣播圖
    13.7.8  支持網路圖
  13.8  組織的社交媒體分析的不同方面
    13.8.1  收入及銷售的潛在客戶開發
    13.8.2  客戶關係和客戶體驗管理
    13.8.3  創新
  13.9  社交媒體工具
    13.9.1  社交媒體監控工具
    13.9.2  社交媒體分析工具
  13.10  結論
  13.11  習題
  參考文獻
第14章  醫療保健的大數據分析
  14.1  引言
  14.2  影響醫療保健的市場因素
  14.3  不同的相關方設想不同的目標
  14.4  大數據對醫療保健的好處
    14.4.1  醫療保健效率和質量
    14.4.2  早期疾病檢測
    14.4.3  欺詐檢測
    14.4.4  人口健康管理
  14.5  大數據技術採納:一個新的改進
    14.5.1  IBM Watson
    14.5.2  IBM Watson架構
  14.6  醫療保健領域中的Watson
    14.6.1  WellPoint和IBM
  14.7  EHR技術
    14.7.1  EHR數據流
    14.7.2  EHR的優點
  14.8  遠程監控和感測
    14.8.1  技術組件
    14.8.2  應用遠程監控的醫療保健領域
    14.8.3  遠程監控的局限
  14.9  面向醫療保健的高性能計算
  14.10  人腦網路的實時分析
  14.11  癌症檢測
  14.12  3D醫學圖像分割
  14.13  新興醫療方法
  14.14  BDA在醫療保健方面的用例
  14.15  人口健康控制
  14.16  護理流程管理
    14.16.1  核心IT功能

  14.17  Hadoop用例
  14.18  大數據分析:成功案例
  14.19  BDA在醫療保健方面的機會
  14.20  Member
  14.21  基因組學
  14.22  臨床監測
  14.23  BDA在醫療保健中的經濟價值
  14.24  醫療保健的大數據挑戰
  14.25  醫療保健大數據的未來
  14.26  結論
  14.27  習題

  • 商品搜索:
  • | 高級搜索
首頁新手上路客服中心關於我們聯絡我們Top↑
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話:02-2381-2033 02-2381-1863 時間:週一-週五 10:00-17:00
 服務信箱:bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證:浙B2-20060032