Data Modeling in the Age of Big Data Eğitimi

Ön Kayıt ve Fiyat Bilgi Formu



Tarih ve lokasyonlar


Bu eğitimi özel sınıf olarak kendi kurumunuzda talep edebilirsiniz.
Lütfen bizimle iletişime geçin:


info@bilginc.com

+90 212 282 7700

Talep Formu
Eğitim Tipi ve Süresi

1 Day ILT    

Data Modeling in the Age of Big Data

Veri modellemesi hala önemli bir süreç, belki de geçmişte olmadığı kadar. Ancak veri modellemesinin amacı ve süreçleri, sürekli gelişen veri dünyasına ayak uydurabilmek için değişmek zorunda. Bu kurs, büyük veri çağında etkin modelleme için ihtiyaç duyulan prensipleri, uygulamaları ve teknikleri incelemektedir.

 

Neler Öğreneceksiniz

  • Veri deposu modelleme ve veri erişimi modelleme arasındaki farkı ve bunların ne zaman faydalı olduğunu ayırt etme
  • Tüm veri türlerine ilişkin veri modellemesi için ortak bir payda sağlayan temel veri özellikleri
  • İlişkisel, boyusal, NoSQL, NewSQL, grafik ve belge gibi çeşitli veritabanı türlerini ele almak için bu ortak paydanın nasıl kullanıldığı
  • Klasik mantıksaldan fiziksele modellemenin ne zaman çalıştığı ve süreci fizikselden mantıksala şeklinde tersine çevirmenin ne zaman mantıklı olduğu
  • Veri modellemesinde metodolojik sıkıntı ile keşif odaklı çalışma arasındaki denge

 

Kimler Katılmalı

Veri mimarları; veri modelleyiciler; veritabanı geliştiricileri; veri entegratörleri; veri analistleri; rapor geliştiriciler; yapılandırılmış kurumsal verilerle klasik olmayan veri kaynaklarını birlikte çalıştırma ihtiyacı karşısında zorluk yaşayan herkes.


 

Eğitim İçeriği

1. Big Data Fundamentals

  • What is Big Data

Big Data
NoSQL
Structured Data
Beyond Structured Data
  • Big Data Opportunities

Beyond Enterprise Data
Beyond Transactions
Understanding Cause and Effect
Business Impact
  • NoSQL Technologies

Relational Technology
Key-Value Stores
Document-Oriented Databases
Graph Databases
Summary of Database Technologies
Vendor Landscape
  • Big Data Challenges

Beyond Enterprise Data
Multiple Management Platforms
Lack of Fixed Schema
Multiple Uses for Data
Traditional Focus on Transactions
Relational Perspective
  • Exercise: Big Data Opportunities

2. Modeling and Data
  • Models

What is a Model?
What is a Data Model?
Why Model Data?
More than a Diagram
  • Modeling for Relational Storage

Relational Storage and BI
Fixed Structure and Content
Schema on Write
Requirements First
Data Modelers and Architects
  • Modeling for Non-Relational Storage

Big Data and BI
Flexible Schema
Big Data Notation
Schema on Read
Data First, Requirements Last
Business SMEs, Analytic Modelers, and Programmers

Complementary Approaches

Relational and Non-Relational Data
Incremental Value of Big Data
Rigor vs. Agility
Roles

Exercise: Modeling Purpose

3. Key-Value Stores

Key-Value Stores Defined

The Basics
NoSQL Foundation
  • Key-Value Data Representation

Representing Things
Representing Identities
Representing Properties
Representing Associations
Representing Metrics

Use Cases

Embedded Systems
High-Performance In-Process Databases
NoSQL Foundation
  • Examples

Common Key-Value Store Products
  • Exercise: Key-Value Pairs Modeling

4. Document Stores
  • Document Stores Defined

Document-Oriented Databases
Basic Terminology
Flexible Internal Structure
Document Stores and Key-Value Stores
Fields Can Have Multiple Values
Fields Can Contain Sub-Documents
Summary of Characteristics
  • Document Data Representation

Representing Things
Representing Identifiers
Representing Properties
o Representing Metrics
  • Use Cases

Choosing Document Storage
Capture: Data Arrives in Document Format
Explore Sources that Track Information Differently
Augment
Extend
  • Examples

Common Document Store Databases
  • Exercise: Document Modeling

5. Graph Databases
  • Graph Databases Defined

The Basics
Data about Relationships
The Terminology – Nodes and Edges
The Terminology – Hyperedges
The Terminology – Properties
  • Graph Data Representation

Representing Things
Representing Identities
Representing Associations
Representing Properties
Representing Metrics
  • Use Cases

Social Networks
Network Analysis and Visualization
Semantic Networks
  • Examples

Common Graph Database Products

6. Embracing Big Data
  • BI Programs and Big Data

Big Data and Information Asset Management
The Gaps
  • What Is Lost with Non-Relational
  • BI and Analytics Gap
  • Role/Skill Gaps

Organization and Planning
  • Balancing Standards with Flexibility
  • Organize Around Purpose, Not Tools
  • IAM Roadmap Including Big Data
  • Architecture Still Important

The Journey

Cataloging and Prioritizing Opportunities
Evolving Skills
Technology Decision Models
Responding to Tool Failures
  • Human Side of Big Data

Changing Role of Data Modeling
Traditional Data Modeler Role
More Roles Doing Data Modeling
When Data Modeling Occurs
Merging Data Modeling and Profiling
  • Tapping Into Big Data

Process Agility and Flexibility Over Formality
More Exploration, Iteration, and Risk
Importance of Metadata
  • Taking the Next Steps

Conversations to Gather Opportunities
Proofs of Concept
Business Case / ROI
Ongoing Value of Data Modeling
New Tools, Same Workbench

Exercise: Embracing Big Data

7. Summary and Conclusion
  • Summary of Key Points

A Quick Review

References and Resources

To Learn More



Eğitim içeriğini PDF olarak indir

Eğitim Sağlayıcı ve Kategori

TDWI  » Data Analysis and Design Eğitimler
TDWI  » Big Data Eğitimler
Master's Programs (NEW)  » Master's Programs Eğitimler
Big Data  » Popular Courses Eğitimler
TDWI  » Popular Courses Eğitimler