آموزش MapReduce به زبان ساده

👇👇👇👇👇👇

http://hadoop.ir/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-mapreduce-%d8%a8%d9%87-%d8%b2%d8%a8%d8%a7%d9%86-%d8%b3%d8%a7%d8%af%d9%87-%d8%a8%d8%ae%d8%b4-%d8%a7%d9%88%d9%84/

Select a use case:
Big data in the cloud
👇👇👇👇👇
http://www.ibm.com/cloud-computing/solutions/big-data-cloud/#fbid=uq3-bmJRYVH

دوستان فیلم آموزشی راهنمای انتخاب ژورنال توسط scopus تقدیم می گردد.
👇👇👇👇👇👇👇👇👇👇👇👇👇👇

دانلود نرم افزارهای موبایل موتور جستجوی Google Scholar (موتور جستجوی مطالب علمی از قبیل مقالات، پایان نامه ها، کتب، پتنت ها و ...) 👇👇

نرم افزارهای آندروید 👇👇

نرم افزارهای iOS (مخصوص آیفون و آیپد) 👇👇

دانلود اپلیکشین آندروید Scopus (بزرگترین پایگاه اطلاعاتی چکیده و استنادی جهان از متون معتبر، مجلات علمی، کتاب ها، و مجموعه مقالات کنفرانس ها) 👇

چالش های کلان داده ها:

رشد سریع داده ها در بخش کلان داده ها طوفانی به پا کرد که چالش های بزرگی در اکتساب،ذخیره سازی،مدیریت و تحلیل داده ها به وجود آوردند.
سیستم های تحلیلی و مدیریت داده ی سنتی،مبتنی بر سیستم مدیریت پایگاه داده های رابطه ای بودند.
چنین سیستم هایی فقط برای داده های ساخت یافته به کار گرفته می شوند نه داده های نیم ساخت یافته و غیر ساخت یافته.

جامعه تحقیقاتی راه کارهایی ازجنبه های مختلف پیشنهاد کرده است.
به عنوان مثال برای نیازمندی های زیر ساخت کلان داده ها مثل بهره وری هزینه،قابلیت کشسانی و کم و زیاد کردن بدون اشکال منابع از رایانش ابری استفاده شد.
سیستم فایل های توزیع شده و پایگاه داده های NoSQL برای ذخیره سازی پایدار و مدیریت مجموعه داده های بزرگ انتخاب خوبی بودند.

مقالات بسیاری راجع به موانع سر راه توسعه کاربردهای تحلیل داده ها بحث کرده اند.
به بعضی چالش های کلیدی اشاره میکنیم:
👇👇👇👇👇👇👇
نمایش داده
فشردگی و کاهش افزونگی داده ها
مدیریت چرخه زندگی داده ها
مکانیسم تحلیلی
محرمانگی داده ها
مدیریت انرژی
توسعه پذیری و مقیاس پذیری
همکاری
 ✏✏✏✏✏✏✏✏✏✏
دوستان علاقمند در ادامه چالش های ذکر شده به مختصر توضیح داده می شود.

منبع: کتاب کلان داده ها ترجمه دکتر امیر مسعود رحمانی
@BigDataTechnology