รายละเอียด

การวิเคราะห์ข้อมูลได้เข้ามาแทนที่การได้มาของข้อมูลในฐานะคอขวดของการตัดสินใจโดยใช้หลักฐาน - เราจมอยู่กับมัน การดึงความรู้จากชุดข้อมูลขนาดใหญ่ที่แตกต่างกันและมีเสียงดังไม่เพียง แต่ต้องใช้ทรัพยากรการประมวลผลที่ทรงพลังเท่านั้น นามธรรมที่เกิดขึ้นในทศวรรษที่ผ่านมาผสมผสานแนวความคิดจากฐานข้อมูลคู่ขนานระบบแบบกระจายและภาษาโปรแกรมเพื่อสร้างแพลตฟอร์มการวิเคราะห์ข้อมูลที่ปรับขนาดได้ซึ่งเป็นรากฐานสำหรับวิทยาศาสตร์ข้อมูลในระดับที่สมจริง

ในหลักสูตรนี้คุณจะได้เรียนรู้ภูมิทัศน์ของระบบที่เกี่ยวข้องหลักการที่พวกเขาพึ่งพาการแลกเปลี่ยนของพวกเขาและวิธีการประเมินอรรถประโยชน์ของพวกเขากับความต้องการของคุณ คุณจะได้เรียนรู้ว่าระบบภาคปฏิบัตินั้นมาจากแนวหน้าของการวิจัยทางวิทยาการคอมพิวเตอร์และระบบใดบ้างที่กำลังมาถึงขอบฟ้า คลาวด์คอมพิวติ้ง, ฐานข้อมูล SQL และ NoSQL, MapReduce และระบบนิเวศที่วางไข่, Spark และโคตรและระบบเฉพาะสำหรับกราฟและอาร์เรย์

นอกจากนี้คุณยังจะได้เรียนรู้ประวัติศาสตร์และบริบทของวิทยาศาสตร์ข้อมูลทักษะความท้าทายและวิธีการที่คำเหล่านี้มีความหมายและวิธีการจัดโครงสร้างโครงการวิทยาศาสตร์ข้อมูล ในตอนท้ายของหลักสูตรนี้คุณจะสามารถ:

เป้าหมายการเรียนรู้:
1. อธิบายรูปแบบทั่วไปความท้าทายและแนวทางที่เกี่ยวข้องกับโครงการวิทยาศาสตร์ข้อมูลและสิ่งที่ทำให้พวกเขาแตกต่างจากโครงการในสาขาที่เกี่ยวข้อง
2. ระบุและใช้โมเดลการเขียนโปรแกรมที่เกี่ยวข้องกับการปรับเปลี่ยนข้อมูลรวมถึงพีชคณิตเชิงสัมพันธ์, mapreduce และโมเดลการไหลของข้อมูลอื่น ๆ
3. ใช้เทคโนโลยีฐานข้อมูลที่ปรับให้เหมาะกับการวิเคราะห์ขนาดใหญ่รวมถึงแนวคิดที่ผลักดันฐานข้อมูลแบบขนานประมวลผลแบบสอบถามแบบขนาน
4. ประเมินร้านค้าคีย์ - ค่าและระบบ NoSQL อธิบายการแลกเปลี่ยนกับระบบเทียบเคียงรายละเอียดของตัวอย่างสำคัญในพื้นที่และแนวโน้มในอนาคต
5. “ คิด” ใน MapReduce เพื่อเขียนอัลกอริธึมที่มีประสิทธิภาพสำหรับระบบรวมถึง Hadoop และ Spark คุณจะเข้าใจข้อ จำกัด รายละเอียดการออกแบบความสัมพันธ์กับฐานข้อมูลและระบบนิเวศที่เกี่ยวข้องของอัลกอริทึมส่วนขยายและภาษา
เขียนโปรแกรมใน Spark
6. อธิบายภูมิทัศน์ของระบบข้อมูลขนาดใหญ่เฉพาะสำหรับกราฟอาร์เรย์และสตรีม

ราคา: ลงทะเบียนฟรี!

การจัดการข้อมูลในระดับ: ระบบและอัลกอริธึม - มหาวิทยาลัยวอชิงตัน