MARC

 008260202s2023        xx            o                  0  eng  d
■001EBC30783638
■003MiAaPQ
■00520260202073946.0
■006m          o    d  |            
■007cr  cnu||||||||
■020    ▼a9781098151577▼q(electronic  bk.)
■020    ▼z9781098151614
■035    ▼a(MiAaPQ)EBC30783638
■035    ▼a(Au-PeEL)EBL30783638
■035    ▼a(OCoLC)1402815286
■040    ▼aMiAaPQ▼beng▼erda▼epn▼cMiAaPQ▼dMiAaPQ
■0820  ▼a006.312
■1001  ▼aTranquillin,  Marco.
■24510▼aArchitecting  Data  and  Machine  Learning  Platforms
■250    ▼a1st  ed.
■264  1▼aSebastopol▼bO'Reilly  Media,  Incorporated▼c2023.
■264  4▼c?023.
■300    ▼a1  online  resource  (361  pages)
■336    ▼atext▼btxt▼2rdacontent
■337    ▼acomputer▼bc▼2rdamedia
■338    ▼aonline  resource▼bcr▼2rdacarrier
■5050  ▼aCover  --  Copyright  --  Table  of  Contents  --  Preface  --  Why  Do  You  Need  a  Cloud  Data  Platform?  --  Who  Is  This  Book  For?  --  Organization  of  This  Book  --  Conventions  Used  in  This  Book  --  Using  Code  Examples  --  O'Reilly  Online  Learning  --  How  to  Contact  Us  --  Acknowledgments  --  Chapter  1.  Modernizing  Your  Data  Platform:  An  Introductory  Overview  --  The  Data  Lifecycle  --  The  Journey  to  Wisdom  --  Water  Pipes  Analogy  --  Collect  --  Store  --  Process/Transform  --  Analyze/Visualize  --  Activate  --  Limitations  of  Traditional  Approaches  --  Antipattern:  Breaking  Down  Silos  Through  ETL  --  Antipattern:  Centralization  of  Control  --  Antipattern:  Data  Marts  and  Hadoop  --  Creating  a  Unified  Analytics  Platform  --  Cloud  Instead  of  On-Premises  --  Drawbacks  of  Data  Marts  and  Data  Lakes  --  Convergence  of  DWHs  and  Data  Lakes  --  Hybrid  Cloud  --  Reasons  Why  Hybrid  Is  Necessary  --  Challenges  of  Hybrid  Cloud  --  Why  Hybrid  Can  Work  --  Edge  Computing  --  Applying  AI  --  Machine  Learning  --  Uses  of  ML  --  Why  Cloud  for  AI?  --  Cloud  Infrastructure  --  Democratization  --  Real  Time  --  MLOps  --  Core  Principles  --  Summary  --  Chapter  2.  Strategic  Steps  to  Innovate  with  Data  --  Step  1:  Strategy  and  Planning  --  Strategic  Goals  --  Identify  Stakeholders  --  Change  Management  --  Step  2:  Reduce  Total  Cost  of  Ownership  by  Adopting  a  Cloud  Approach  --  Why  Cloud  Costs  Less  --  How  Much  Are  the  Savings?  --  When  Does  Cloud  Help?  --  Step  3:  Break  Down  Silos  --  Unifying  Data  Access  --  Choosing  Storage  --  Semantic  Layer  --  Step  4:  Make  Decisions  in  Context  Faster  --  Batch  to  Stream  --  Contextual  Information  --  Cost  Management  --  Step  5:  Leapfrog  with  Packaged  AI  Solutions  --  Predictive  Analytics  --  Understanding  and  Generating  Unstructured  Data  --  Personalization  --  Packaged  Solutions  --  Step  6:  Operationalize  AI-Driven  Workflows  --  Identifying  the  Right  Balance  of  Automation  and  Assistance.
■5058  ▼aBuilding  a  Data  Culture  --  Populating  Your  Data  Science  Team  --  Step  7:  Product  Management  for  Data  --  Applying  Product  Management  Principles  to  Data  --  1.  Understand  and  Maintain  a  Map  of  Data  Flows  in  the  Enterprise  --  2.  Identify  Key  Metrics  --  3.  Agreed  Criteria,  Committed  Roadmap,  and  Visionary  Backlog  --  4.  Build  for  the  Customers  You  Have  --  5.  Don't  Shift  the  Burden  of  Change  Management  --  6.  Interview  Customers  to  Discover  Their  Data  Needs  --  7.  Whiteboard  and  Prototype  Extensively  --  8.  Build  Only  What  Will  Be  Used  Immediately  --  9.  Standardize  Common  Entities  and  KPIs  --  10.  Provide  Self-Service  Capabilities  in  Your  Data  Platform  --  Summary  --  Chapter  3.  Designing  for  Your  Data  Team  --  Classifying  Data  Processing  Organizations  --  Data  Analysis-Driven  Organization  --  The  Vision  --  The  Personas  --  The  Technological  Framework  --  Data  Engineering-Driven  Organization  --  The  Vision  --  The  Personas  --  The  Technological  Framework  --  Data  Science-Driven  Organization  --  The  Vision  --  The  Personas  --  The  Technological  Framework  --  Summary  --  Chapter  4.  A  Migration  Framework  --  Modernize  Data  Workflows  --  Holistic  View  --  Modernize  Workflows  --  Transform  the  Workflow  Itself  --  A  Four-Step  Migration  Framework  --  Prepare  and  Discover  --  Assess  and  Plan  --  Execute  --  Optimize  --  Estimating  the  Overall  Cost  of  the  Solution  --  Audit  of  the  Existing  Infrastructure  --  Request  for  Information/Proposal  and  Quotation  --  Proof  of  Concept/Minimum  Viable  Product  --  Setting  Up  Security  and  Data  Governance  --  Framework  --  Artifacts  --  Governance  over  the  Life  of  the  Data  --  Schema,  Pipeline,  and  Data  Migration  --  Schema  Migration  --  Pipeline  Migration  --  Data  Migration  --  Migration  Stages  --  Summary  --  Chapter  5.  Architecting  a  Data  Lake  --  Data  Lake  and  the  Cloud-A  Perfect  Marriage  --  Challenges  with  On-Premises  Data  Lakes  --  Benefits  of  Cloud  Data  Lakes.
■5058  ▼aDesign  and  Implementation  --  Batch  and  Stream  --  Data  Catalog  --  Hadoop  Landscape  --  Cloud  Data  Lake  Reference  Architecture  --  Integrating  the  Data  Lake:  The  Real  Superpower  --  APIs  to  Extend  the  Lake  --  The  Evolution  of  Data  Lake  with  Apache  Iceberg,  Apache  Hudi,  and  Delta  Lake  --  Interactive  Analytics  with  Notebooks  --  Democratizing  Data  Processing  and  Reporting  --  Build  Trust  in  the  Data  --  Data  Ingestion  Is  Still  an  IT  Matter  --  ML  in  the  Data  Lake  --  Training  on  Raw  Data  --  Predicting  in  the  Data  Lake  --  Summary  --  Chapter  6.  Innovating  with  an  Enterprise  Data  Warehouse  --  A  Modern  Data  Platform  --  Organizational  Goals  --  Technological  Challenges  --  Technology  Trends  and  Tools  --  Hub-and-Spoke  Architecture  --  Data  Ingest  --  Business  Intelligence  --  Transformations  --  Organizational  Structure  --  DWH  to  Enable  Data  Scientists  --  Query  Interface  --  Storage  API  --  ML  Without  Moving  Your  Data  --  Summary  --  Chapter  7.  Converging  to  a  Lakehouse  --  The  Need  for  a  Unique  Architecture  --  User  Personas  --  Antipattern:  Disconnected  Systems  --  Antipattern:  Duplicated  Data  --  Converged  Architecture  --  Two  Forms  --  Lakehouse  on  Cloud  Storage  --  SQL-First  Lakehouse  --  The  Benefits  of  Convergence  --  Summary  --  Chapter  8.  Architectures  for  Streaming  --  The  Value  of  Streaming  --  Industry  Use  Cases  --  Streaming  Use  Cases  --  Streaming  Ingest  --  Streaming  ETL  --  Streaming  ELT  --  Streaming  Insert  --  Streaming  from  Edge  Devices  (IoT)  --  Streaming  Sinks  --  Real-Time  Dashboards  --  Live  Querying  --  Materialize  Some  Views  --  Stream  Analytics  --  Time-Series  Analytics  --  Clickstream  Analytics  --  Anomaly  Detection  --  Resilient  Streaming  --  Continuous  Intelligence  Through  ML  --  Training  Model  on  Streaming  Data  --  Streaming  ML  Inference  --  Automated  Actions  --  Summary  --  Chapter  9.  Extending  a  Data  Platform  Using  Hybrid  and  Edge  --  Why  Multicloud?.
■5058  ▼aA  Single  Cloud  Is  Simpler  and  Cost-Effective  --  Multicloud  Is  Inevitable  --  Multicloud  Could  Be  Strategic  --  Multicloud  Architectural  Patterns  --  Single  Pane  of  Glass  --  Write  Once,  Run  Anywhere  --  Bursting  from  On  Premises  to  Cloud  --  Pass-Through  from  On  Premises  to  Cloud  --  Data  Integration  Through  Streaming  --  Adopting  Multicloud  --  Framework  --  Time  Scale  --  Define  a  Target  Multicloud  Architecture  --  Why  Edge  Computing?  --  Bandwidth,  Latency,  and  Patchy  Connectivity  --  Use  Cases  --  Benefits  --  Challenges  --  Edge  Computing  Architectural  Patterns  --  Smart  Devices  --  Smart  Gateways  --  ML  Activation  --  Adopting  Edge  Computing  --  The  Initial  Context  --  The  Project  --  The  Final  Outcomes  and  Next  Steps  --  Summary  --  Chapter  10.  AI  Application  Architecture  --  Is  This  an  AI/ML  Problem?  --  Subfields  of  AI  --  Generative  AI  --  Problems  Fit  for  ML  --  Buy,  Adapt,  or  Build?  --  Data  Considerations  --  When  to  Buy  --  What  Can  You  Buy?  --  How  Adapting  Works  --  AI  Architectures  --  Understanding  Unstructured  Data  --  Generating  Unstructured  Data  --  Predicting  Outcomes  --  Forecasting  Values  --  Anomaly  Detection  --  Personalization  --  Automation  --  Responsible  AI  --  AI  Principles  --  ML  Fairness  --  Explainability  --  Summary  --  Chapter  11.  Architecting  an  ML  Platform  --  ML  Activities  --  Developing  ML  Models  --  Labeling  Environment  --  Development  Environment  --  User  Environment  --  Preparing  Data  --  Training  ML  Models  --  Deploying  ML  Models  --  Deploying  to  an  Endpoint  --  Evaluate  Model  --  Hybrid  and  Multicloud  --  Training-Serving  Skew  --  Automation  --  Automate  Training  and  Deployment  --  Orchestration  with  Pipelines  --  Continuous  Evaluation  and  Training  --  Choosing  the  ML  Framework  --  Team  Skills  --  Task  Considerations  --  User-Centric  --  Summary  --  Chapter  12.  Data  Platform  Modernization:  A  Model  Case  --  New  Technology  for  a  New  Era  --  The  Need  for  Change.
■5058  ▼aIt  Is  Not  Only  a  Matter  of  Technology  --  The  Beginning  of  the  Journey  --  The  Current  Environment  --  The  Target  Environment  --  The  PoC  Use  Case  --  The  RFP  Responses  Proposed  by  Cloud  Vendors  --  The  Target  Environment  --  The  Approach  on  Migration  --  The  RFP  Evaluation  Process  --  The  Scope  of  the  PoC  --  The  Execution  of  the  PoC  --  The  Final  Decision  --  Peroration  --  Summary  --  Index  --  About  the  Authors  --  Colophon.
■520    ▼aAll  cloud  architects  need  to  know  how  to  build  data  platforms  that  enable  businesses  to  make  data-driven  decisions  and  deliver  enterprise-wide  intelligence  in  a  fast  and  efficient  way.
■588    ▼aDescription  based  on  publisher  supplied  metadata  and  other  sources.
■590    ▼aElectronic  reproduction.  Ann  Arbor,  Michigan  :  ProQuest  Ebook  Central,  2026.  Available  via  World  Wide  Web.  Access  may  be  limited  to  ProQuest  Ebook  Central  affiliated  libraries.  
■655  4▼aElectronic  books.
■7001  ▼aLakshmanan,  Valliappa.
■7001  ▼aTekiner,  Firat.
■77608▼iPrint  version▼aTranquillin,  Marco▼tArchitecting  Data  and  Machine  Learning  Platforms▼dSebastopol  :  O'Reilly  Media,  Incorporated,c2023▼z9781098151614
■7972  ▼aProQuest  (Firm)
■85640▼uhttps://ebookcentral.proquest.com/lib/baekseok-ebooks/detail.action?docID=30783638▼zClick  to  View

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서