数据湖仓

第 1章 让数据可信 1
1.1 做一个成熟的终端用户 2
1.2 不断攀升的可信目标 5
1.3 可信数据的要素 7
1.4 小结 8
第 2章 基础数据 9
2.1 构建应用程序 9
2.2 以人工智能医疗为例 10
2.3 基础数据的组成要素 12
2.4 小结 14
第3章 如何避免不良数据 15
3.1 输入错误 16
3.2 键的问题 18
3.3 重复记录 18
3.4 拼写错误 19
3.5 兼容性 19
3.6 编制文档 21
3.7 小结 22
第4章 不同类型的数据 24
4.1 数据量 24
4.2 数据的业务价值 25
4.3 数据的访问概率 27
4.4 数据降级 29
4.5 基于大容量存储器的数据归档机制 30
4.6 小结 30
第5章 数据抽象 31
5.1 结构化数据模型 32
5.2 本体和分类标准 34
5.3 模拟/物联网数据的蒸馏算法 36
5.4 小结 37
第6章 结构化数据 39
6.1 业务交易生成的数据 40
6.2 结构化记录 40
6.3 键 42
6.4 联机事务处理 43
6.5 组织数据 45
6.6 小结 46
第7章 文本数据 48
7.1 文本数据的类型 48
7.2 使用文本数据时的语言障碍 50
7.3 多义词 51
7.4 提取业务的含义 51
7.5 小结 54
第8章 模拟/物联网数据 56
8.1 数据有用性的差异 57
8.2 摄像头 58
8.3 人工审视 59
8.4 日期分隔 60
8.5 数据筛选 61
8.6 阈值方法 61
8.7 时间排序方法 62
8.8 小结 63
第9章 大容量存储器与数据湖仓 65
9.1 大容量存储器的优缺点 66
9.2 访问概率 67
9.3 索引 70
9.4 元数据和大容量存储器 71
9.5 小结 71
第 10章 数据架构与数据工程 73
10.1 两个角色如何通力配合 74
10.2 角色与数据类型 75
10.3 小结 79
第 11章 业务价值 81
11.1 业务价值才是驱动力 81
11.2 一切都离不开钱 82
11.3 基础数据 83
11.4 难以协调 84
11.5 领域 85
11.6 小结 86
第 12章 数据需要的层次 87
12.1 数据获取 89
12.2 数据传输与存储 90
12.3 数据转换 91
12.4 数据标签、整合与汇聚 92
12.5 数据分析与机器学习 93
12.6 小结 95
第 13章 数据湖仓中的数据集成 97
13.1 不同种类数据的集成 98
13.2 自动集成 98
13.3 ETL 99
13.4 文本ETL 101
13.5 数据蒸馏算法 103
13.6 小结 104
第 14章 分析 105
14.1 结构化数据分析 105
14.2 文本数据分析 107
14.3 模拟/物联网数据分析 108
14.4 结构化数据和文本数据的结合 109
14.5 连接3个环境 111
14.6 执行分析 112
14.7 小结 113
第 15章 软数据 114
15.1 电子表格数据 115
15.2 互联网数据 116
15.3 政府数据 117
15.4 小结 117
第 16章 描述性数据 119
16.1 数据模型 121
16.2 元数据 122
16.3 结构化数据转换 123
16.4 结构化数据源 124
16.5 数据选择标准 125
16.6 数据定义语言 125
16.7 数据编码 126
16.8 数据关系 127
16.9 文本数据 128
16.10 本体 129
16.11 分类标准 131
16.12 关联 132
16.13 上下文情境 133
16.14 文本数据源 134
16.15 模拟/物联网数据 135
16.16 算法 136
16.17 阈值 136
16.18 时间排序 137
16.19 模拟/物联网数据源 138
16.20 数据血缘 138
16.21 小结 139
第 17章 数据目录 140
17.1 永久维护 141
17.2 开放 141
17.3 不同数据类型的内部结构 142
17.4 小结 143
第 18章 数据架构的演化 144
18.1 伊始 144
18.2 应用程序 145
18.3 磁带文件 146
18.4 硬盘存储 147
18.5 OLTP 148
18.6 个人计算机 149
18.7 4GL处理技术和数据抽取应用程序 150
18.8 数据仓库 152
18.9 数据集市 153
18.10 互联网和物联网数据 154
18.11 数据湖 155
18.12 数据湖仓 157
18.13 小结 158