ما در آی‌تی هلو از شهریور ۱۴۰۲ کارمون رو با عشق به کتاب و یادگیری شروع کردیم. تخصص ما چاپ کتاب‌های تخصصی به زبان اصلیه و با استفاده از تکنولوژی‌های روز و مواد اولیه باکیفیت، مطمئن می‌شیم که هر کتاب از نظر ظاهر و محتوا در بهترین سطح قرار بگیره.
هدفمون اینه که دسترسی به منابع علمی و آموزشی معتبر رو برای همه ساده‌تر کنیم و در این مسیر، همراه و همکار خوبی برای شما باشیم.
Plan and Build Robust Data Systems
در سال های اخیر، علم داده، یادگیری ماشین و تحلیل داده به بخش مهمی از فعالیت بسیاری از شرکت ها تبدیل شده‌اند. سازمان ها برای استخراج ارزش از داده های خود، روی استخدام دانشمندان داده، تحلیلگران و مهندسان یادگیری ماشین سرمایه گذاری زیادی کرده‌اند. اما در بسیاری از پروژه ها یک مشکل اساسی خیلی زود خودش را نشان می‌دهد: حتی بهترین مدل ها و تحلیل ها بدون زیرساخت داده مناسب نمی‌توانند به نتیجه قابل استفاده‌ای برسند.
داده باید جمع آوری شود، پاک سازی شود، در جای مناسبی ذخیره شود، به شکل مناسب در اختیار سیستم ها قرار بگیرد، تغییر شکل پیدا کند و در نهایت به دست افرادی برسد که قرار است از آن استفاده کنند. اگر هر کدام از این مراحل به شکل نامناسب طراحی شوند، مشکلاتی مانند داده های ناقص، داده های ناسازگار، فرایندهای کند، هزینه های بالا و سیستم های غیرقابل اعتماد ایجاد خواهند شد.
کتاب Data Engineering با تمرکز بر همین مسئله نوشته شده است. نویسندگان که خودشان تجربه فعالیت در حوزه علم داده و سپس مهندسی داده را داشته‌اند، از تجربه های واقعی خود برای توضیح این موضوع استفاده می‌کنند که چگونه می‌توان زیرساختی ساخت که داده را از مرحله تولید تا مرحله مصرف به شکل قابل اعتماد و مقیاس پذیر مدیریت کند.
این کتاب قرار نیست فقط چند ابزار و فناوری داده را معرفی کند؛ هدف اصلی آن آموزش طرز فکر و اصولی است که بتوان با استفاده از آن‌ها معماری های داده را در دنیای واقعی طراحی و ارزیابی کرد.
یکی از مشکلات رایج در پروژه های داده این است که توجه زیادی به مرحله تحلیل، ساخت مدل یا استخراج بینش از داده می‌شود، در حالی که بخش بزرگی از مشکلات واقعی پیش از رسیدن داده به این مراحل اتفاق می‌افتد.
داده ممکن است از منابع مختلف تولید شود و کیفیت یکسانی نداشته باشد. ممکن است قالب داده‌ها متفاوت باشد، اطلاعات تکراری وجود داشته باشد یا داده‌ها در سیستم های مختلف پراکنده باشند. حتی ممکن است داده مورد نیاز تحلیلگر یا دانشمند داده اصلاً در قالبی قرار نداشته باشد که بتوان به سادگی از آن استفاده کرد.
اینجاست که مهندسی داده اهمیت پیدا می‌کند.
مهندسی داده مجموعه‌ای از اصول و روش ها برای ساخت سیستم هایی است که داده را از مرحله تولید تا مصرف، به شکل قابل اعتماد، قابل دسترس و قابل مدیریت منتقل می‌کنند.
نویسندگان کتاب مسیر ورود خود به مهندسی داده را از علم داده آغاز کرده‌اند. تجربه آن‌ها نشان داده است که بسیاری از پروژه های علم داده نه به دلیل ضعف مدل یا الگوریتم، بلکه به دلیل نبود زیرساخت مناسب با مشکل مواجه می‌شوند.
یک دانشمند داده ممکن است مدل بسیار خوبی طراحی کند، اما اگر داده کافی در اختیارش نباشد، داده ها کیفیت مناسبی نداشته باشند یا دسترسی به داده‌ها دشوار باشد، مدل مورد نظر عملاً نمی‌تواند ارزش مورد انتظار را ایجاد کند.
مهندسی داده به دنبال حل همین مشکلات زیرساختی است.
علم داده بدون داده مناسب محدود می‌شود و داده مناسب بدون زیرساخت درست نیز به سادگی قابل استفاده نیست.
کلمات کلیدی:این کتاب تلاش می‌کند ارتباط میان این دو حوزه را روشن کند و نشان دهد که چرا مهندسی داده برای موفقیت پروژه های تحلیلی و یادگیری ماشین ضروری است.
یکی از ویژگی های اصلی کتاب این است که به یک فناوری، ابزار یا سکوی مشخص وابسته نیست.
دنیای فناوری داده دائماً در حال تغییر است. ابزارهایی که امروز محبوب هستند ممکن است چند سال بعد جای خود را به فناوری های جدید بدهند. اگر یک کتاب فقط روی دستورها و قابلیت های یک ابزار خاص تمرکز کند، بخش زیادی از محتوای آن ممکن است با تغییر فناوری ارزش خود را از دست بدهد.
در مقابل، این کتاب تلاش می‌کند اصول بنیادی مهندسی داده را توضیح دهد.
هدف این است که حتی با تغییر ابزارها، چارچوب ذهنی شما برای طراحی سیستم های داده همچنان قابل استفاده باشد.
به همین دلیل، کتاب بیشتر روی مفاهیمی مانند چرخه حیات داده، معماری، انتخاب فناوری، ذخیره سازی، دریافت داده، تبدیل داده، ارائه داده، امنیت و حاکمیت داده تمرکز می‌کند.
ایده اصلی کتاب، مفهوم چرخه حیات مهندسی داده است.
این چرخه داده را از زمانی که تولید می‌شود تا زمانی که در اختیار مصرف کننده نهایی قرار می‌گیرد دنبال می‌کند.
مراحل اصلی این چرخه شامل تولید داده، ذخیره سازی، دریافت داده، تبدیل داده و ارائه داده هستند.
این چارچوب به مهندس داده کمک می‌کند سیستم را به صورت یک مجموعه یکپارچه ببیند، نه مجموعه‌ای از ابزارهای جداگانه.
داده می‌تواند از منابع مختلفی تولید شود. نرم افزارها، کاربران، دستگاه ها، سامانه های سازمانی و سرویس های مختلف می‌توانند داده تولید کنند.
درک نحوه تولید داده اهمیت زیادی دارد، زیرا ویژگی های منبع داده روی مراحل بعدی چرخه تأثیر می‌گذارد.
پس از تولید، داده باید در محیطی مناسب ذخیره شود.
نوع داده، حجم داده، سرعت دسترسی مورد نیاز، مدت نگهداری و نوع استفاده از داده همگی می‌توانند روی انتخاب روش ذخیره سازی تأثیر بگذارند.
ذخیره سازی فقط به معنای نگه داشتن داده نیست؛ بلکه باید به گونه‌ای طراحی شود که نیازهای مصرف کنندگان داده را نیز پشتیبانی کند.
داده تولیدشده باید از منابع مختلف به سیستم داده منتقل شود.
این مرحله می‌تواند شامل دریافت داده به صورت دوره‌ای یا دریافت پیوسته داده باشد.
طراحی صحیح این مرحله روی سرعت، قابلیت اطمینان و کیفیت کل سیستم تأثیر می‌گذارد.
داده خام معمولاً مستقیماً برای تحلیل یا یادگیری ماشین آماده نیست.
ممکن است لازم باشد داده‌ها پاک سازی شوند، ساختارشان تغییر کند، مقادیر نامعتبر اصلاح شوند یا چند منبع داده با یکدیگر ترکیب شوند.
فرایند تبدیل داده باعث می‌شود اطلاعات خام به داده‌ای قابل استفاده برای مصرف کنندگان مختلف تبدیل شود.
آخرین مرحله چرخه، رساندن داده آماده‌شده به مصرف کنندگان است.
تحلیلگران، دانشمندان داده، مهندسان یادگیری ماشین و سایر کاربران ممکن است نیازهای متفاوتی داشته باشند.
سیستم مهندسی داده باید داده را در قالب و شکلی ارائه کند که برای مصرف کننده نهایی قابل استفاده باشد.
یکی از موضوعات مهم کتاب، طراحی معماری مناسب برای سیستم های داده است.
یک معماری خوب باید بتواند نیازهای فعلی و آینده سازمان را پاسخ دهد و در عین حال از نظر هزینه، عملکرد، قابلیت اطمینان و نگهداری منطقی باشد.
گاهی معماری داده با انتخاب چند ابزار اشتباه گرفته می‌شود.
اما انتخاب فناوری تنها بخشی از مسئله است.
قبل از انتخاب ابزار باید مشخص شود چه مشکلی قرار است حل شود، داده چگونه در سیستم حرکت می‌کند، چه کسانی از آن استفاده می‌کنند و چه محدودیت هایی وجود دارد.
معماری خوب از نیاز و مسئله شروع می‌شود، نه از نام یک فناوری محبوب.
دنیای مهندسی داده پر از ابزارها و فناوری های مختلف است. انتخاب گزینه مناسب می‌تواند دشوار باشد، به ویژه زمانی که هر فناوری با مجموعه‌ای از ویژگی ها و مزایای تبلیغاتی معرفی می‌شود.
کتاب چارچوبی برای فکر کردن درباره انتخاب فناوری ارائه می‌دهد.
هدف این نیست که یک ابزار به عنوان پاسخ همیشگی معرفی شود، بلکه باید بتوانید با توجه به شرایط پروژه، گزینه های مختلف را ارزیابی کنید.
یکی از مهارت هایی که کتاب روی آن تأکید دارد، توانایی عبور از فضای تبلیغاتی فناوری است.
ممکن است یک فناوری در یک پروژه بسیار مناسب باشد اما برای پروژه‌ای دیگر انتخاب خوبی نباشد.
مهندس داده باید بتواند فناوری را بر اساس نیاز واقعی سیستم ارزیابی کند، نه صرفاً بر اساس محبوبیت یا تبلیغات آن.
کتاب یک رویکرد ابر محور دارد.
نویسندگان معتقدند رایانش ابری تحول مهمی در نحوه ساخت و مدیریت زیرساخت های داده ایجاد کرده است و بسیاری از سیستم های سنتی سازمانی به مرور به محیط های ابری منتقل خواهند شد.
در این رویکرد، زیرساخت و سیستم ها تا حد زیادی پویا و مقیاس پذیر در نظر گرفته می‌شوند و استفاده از سرویس های مدیریت شده ابری اهمیت بیشتری پیدا می‌کند.
با این حال، بسیاری از مفاهیم مطرح شده در کتاب محدود به محیط ابری نیستند.
اصول بنیادی مهندسی داده را می‌توان در محیط های غیرابری نیز به کار گرفت.
سیستم های داده ممکن است با افزایش حجم داده یا تعداد کاربران با فشار بیشتری مواجه شوند.
یک معماری مناسب باید بتواند با این تغییرات سازگار شود.
محیط های ابری امکان استفاده از منابع مقیاس پذیر و سرویس های مدیریت شده را فراهم می‌کنند و به همین دلیل در معماری های جدید داده نقش مهمی دارند.
اما استفاده از ابر به تنهایی تضمین کننده یک معماری خوب نیست.
مقیاس پذیری باید بخشی از طراحی سیستم باشد، نه چیزی که پس از ایجاد مشکل به آن اضافه شود.
امنیت و حریم خصوصی از موضوعات مهم بخش سوم کتاب هستند.
با افزایش حجم داده و گسترش سیستم های داده، اهمیت محافظت از اطلاعات نیز بیشتر شده است.
داده های سازمانی ممکن است شامل اطلاعات حساس یا شخصی باشند و استفاده نادرست از آن‌ها می‌تواند پیامدهای فنی، مالی و قانونی داشته باشد.
امنیت نباید فقط در یک مرحله خاص از سیستم اجرا شود.
از زمان تولید داده تا ذخیره سازی، انتقال، تبدیل و ارائه آن، باید ملاحظات امنیتی در نظر گرفته شوند.
امنیت داده بخشی از کل چرخه حیات داده است، نه یک قابلیت جداگانه که در پایان پروژه اضافه شود.
حریم خصوصی نیز اهمیت زیادی دارد، به ویژه زمانی که سیستم با اطلاعات شخصی کاربران سروکار دارد.
قوانینی مانند مقررات عمومی حفاظت از داده‌ها و قوانین مشابه، سازمان ها را ملزم می‌کنند در نحوه جمع آوری، ذخیره و استفاده از داده های شخصی دقت بیشتری داشته باشند.
کتاب حریم خصوصی را به عنوان یکی از اجزای اساسی مهندسی داده بررسی می‌کند.
حاکمیت داده یکی دیگر از موضوعات مهم کتاب است.
سازمان ها باید بدانند چه داده‌ای دارند، این داده از کجا آمده است، چه کسی می‌تواند به آن دسترسی داشته باشد و چگونه باید مدیریت شود.
حاکمیت داده کمک می‌کند فرایند استفاده از اطلاعات ساختارمندتر و قابل کنترل‌تر شود.
سیستم داده حرفه‌ای فقط داده را جابه‌جا نمی‌کند؛ باید بتواند کیفیت، امنیت، دسترسی و نحوه استفاده از داده را نیز مدیریت کند.
یکی از اهداف اصلی مهندسی داده، فراهم کردن زیرساخت مناسب برای مصرف کنندگان داده است.
تحلیلگران به داده های آماده و قابل اعتماد نیاز دارند. دانشمندان داده برای ساخت مدل های خود به داده های مناسب نیاز دارند و مهندسان یادگیری ماشین نیز برای آموزش و اجرای مدل ها به جریان های داده قابل اعتماد وابسته هستند.
به همین دلیل، مهندسی داده باید نیازهای این گروه ها را در نظر بگیرد.
یک سیستم داده زمانی ارزشمند است که بتواند داده مناسب را در زمان مناسب و با کیفیت مناسب در اختیار مصرف کننده قرار دهد.
یکی از مشکلات رایج در یادگیری مهندسی داده این است که افراد فناوری های مختلف را جداگانه یاد می‌گیرند.
ممکن است فردی با یک ابزار دریافت داده، یک سامانه ذخیره سازی یا یک فناوری پردازش آشنا باشد، اما نداند این اجزا چگونه باید در کنار یکدیگر قرار بگیرند.
این کتاب تلاش می‌کند همین فاصله را پر کند.
هدف کتاب ایجاد یک تصویر کامل از جریان داده، از تولید اولیه تا مصرف نهایی است.
این دیدگاه سراسری به مهندس داده کمک می‌کند هنگام طراحی سیستم، اثر تصمیم های خود را روی تمام مراحل چرخه در نظر بگیرد.
بخش اول کتاب با تعریف مهندسی داده آغاز می‌شود و سپس مفهوم چرخه حیات داده را معرفی می‌کند.
پس از آن، اصول معماری مناسب بررسی می‌شوند و در نهایت چارچوبی برای انتخاب فناوری ارائه می‌شود.
این بخش پایه فکری لازم برای ورود به مباحث عمیق‌تر کتاب را فراهم می‌کند.
در فصل نخست، مفهوم مهندسی داده و نقش آن در سازمان بررسی می‌شود.
این بخش کمک می‌کند مرز میان مهندسی داده و حوزه هایی مانند علم داده، تحلیل داده و مهندسی نرم افزار بهتر درک شود.
فصل دوم چارچوب اصلی کتاب را معرفی می‌کند و مراحل مختلف چرخه حیات مهندسی داده را توضیح می‌دهد.
فصل سوم به طراحی معماری می‌پردازد و اصولی را بررسی می‌کند که می‌توانند به ایجاد سیستم های داده قابل اعتماد و قابل توسعه کمک کنند.
فصل چهارم به انتخاب فناوری اختصاص دارد.
در این بخش، تفاوت میان معماری و فناوری مورد توجه قرار می‌گیرد و چارچوبی برای انتخاب فناوری متناسب با نیاز پروژه ارائه می‌شود.
بخش دوم هسته اصلی کتاب است.
در این قسمت، هر مرحله از چرخه حیات داده به صورت جداگانه بررسی می‌شود و خواننده با مسائل و ملاحظات مربوط به تولید، ذخیره سازی، دریافت، تبدیل و ارائه داده آشنا می‌شود.
در این مرحله، منابع تولید داده و ویژگی های مختلف داده تولیدشده بررسی می‌شوند.
این بخش به روش ها و ملاحظات مربوط به نگهداری داده می‌پردازد و نشان می‌دهد چگونه نوع و نحوه استفاده از داده می‌تواند روی معماری ذخیره سازی تأثیر بگذارد.
در این مرحله، داده از منابع مختلف وارد سیستم مهندسی داده می‌شود و مسائل مرتبط با انتقال و دریافت داده بررسی می‌شوند.
داده خام باید برای مصرف کننده آماده شود. این مرحله به پاک سازی، تغییر شکل و آماده سازی داده اختصاص دارد.
در نهایت داده باید در اختیار مصرف کننده قرار بگیرد. این فصل نیازهای مختلف تحلیلگران، دانشمندان داده و مهندسان یادگیری ماشین را در نظر می‌گیرد.
این پنج مرحله در کنار یکدیگر هسته چرخه حیات مهندسی داده را تشکیل می‌دهند.
بخش سوم به موضوعاتی می‌پردازد که فراتر از مراحل اصلی چرخه حیات داده هستند اما برای سیستم های واقعی اهمیت بسیار زیادی دارند.
امنیت داده از موضوعات اساسی مهندسی داده است و باید در تمام مراحل چرخه حیات مورد توجه قرار گیرد.
مدیریت صحیح داده های شخصی و رعایت قوانین مربوط به حریم خصوصی، بخش مهمی از مسئولیت سازمان ها در قبال داده است.
کتاب در فصل پایانی این بخش به آینده مهندسی داده نیز می‌پردازد.
نویسندگان بر اساس تجربه کاری، تحقیق و گفتگو با متخصصان، دیدگاه هایی درباره مسیر آینده این حوزه ارائه می‌کنند.
از آنجا که آینده فناوری ذاتاً قطعی نیست، این بخش به عنوان مجموعه‌ای از دیدگاه ها و پیش بینی های نویسندگان ارائه شده است و نتیجه قطعی درباره آینده مهندسی داده محسوب نمی‌شود.
پیوست اول به موضوعاتی می‌پردازد که ممکن است در بخش اصلی کتاب جای نگیرند، اما برای فعالیت روزمره مهندسان داده اهمیت زیادی دارند.
سریال سازی در کار با داده و انتقال آن میان سیستم ها اهمیت دارد و درک آن می‌تواند به مهندس داده کمک کند نحوه نمایش و انتقال اطلاعات را بهتر درک کند.
فشرده سازی نیز برای مدیریت حجم داده و بهبود عملکرد سیستم های داده اهمیت دارد.
مهندس داده برای طراحی سیستم های کارآمد باید علاوه بر معماری سطح بالا، با جزئیات فنی مؤثر بر عملکرد داده نیز آشنا باشد.
با انتقال بخش قابل توجهی از زیرساخت های داده به محیط های ابری، آشنایی با مفاهیم شبکه سازی ابری اهمیت بیشتری پیدا کرده است.
مهندس داده باید بتواند ارتباط میان سرویس ها و اجزای مختلف سیستم را در محیط ابری درک کند.
این موضوع به ویژه در معماری هایی که از چند سرویس مدیریت شده و منابع مختلف استفاده می‌کنند اهمیت دارد.
کتاب برای افرادی نوشته شده است که با برخی مفاهیم سیستم های داده در محیط های سازمانی آشنایی دارند.
آشنایی با SQL و Python یا یکی دیگر از زبان های برنامه نویسی نیز توصیه می‌شود.
همچنین تجربه کار با سرویس های ابری می‌تواند به درک بهتر مطالب کمک کند.
با این حال، هدف کتاب آموزش یک ابزار خاص نیست و برای افرادی که در ابتدای مسیر مهندسی داده هستند نیز می‌تواند به عنوان یک چارچوب مفهومی مورد استفاده قرار گیرد.
نویسندگان پیشنهاد می‌کنند افرادی که قصد ورود به مهندسی داده دارند، با سرویس های ابری مختلف کار عملی انجام دهند.
سرویس هایی مانند AWS، Azure، Google Cloud Platform، Snowflake و Databricks می‌توانند محیط مناسبی برای تمرین مفاهیم مختلف فراهم کنند.
البته استفاده از سرویس های ابری می‌تواند هزینه داشته باشد و به همین دلیل هنگام تمرین باید میزان مصرف منابع و هزینه ها به دقت کنترل شود.
برای یادگیری مهندسی داده، تجربه عملی اهمیت زیادی دارد؛ اما این تجربه باید با کنترل منابع و هزینه انجام شود.
اگر مهندس نرم افزار هستید و می‌خواهید وارد حوزه مهندسی داده شوید، این کتاب می‌تواند دیدگاه شما را از توسعه نرم افزار به سمت معماری و جریان کامل داده گسترش دهد.
برای دانشمندان داده، یکی از مهم‌ترین کاربردهای کتاب درک زیرساخت هایی است که داده مورد نیاز پروژه های تحلیلی و یادگیری ماشین را فراهم می‌کنند.
اگر تاکنون با مشکل دسترسی به داده، کیفیت داده یا آماده سازی داده مواجه شده‌اید، مفاهیم این کتاب می‌توانند تصویر کامل‌تری از علت این مشکلات ارائه دهند.
تحلیلگران می‌توانند با مطالعه کتاب بهتر درک کنند داده مورد استفاده آن‌ها چگونه تولید، ذخیره، دریافت و آماده می‌شود.
اگر در حال حاضر به صورت تخصصی با یک فناوری خاص کار می‌کنید، کتاب می‌تواند دیدگاه گسترده‌تری نسبت به کل چرخه حیات داده ایجاد کند.
هدف آن این است که مهندس داده فقط متخصص یک ابزار نباشد، بلکه بتواند جایگاه آن ابزار را در معماری کلی سیستم درک کند.
افرادی که در نقش های مدیریتی یا راهبری تیم های داده فعالیت می‌کنند نیز می‌توانند از چارچوب کتاب برای درک بهتر معماری، فناوری و فرایندهای مهندسی داده استفاده کنند.
پس از مطالعه این کتاب، تصویر روشن‌تری از نقش مهندسی داده در سازمان خواهید داشت و می‌توانید ارتباط آن را با علم داده، تحلیل داده، مهندسی نرم افزار و یادگیری ماشین بهتر درک کنید.
همچنین با چرخه حیات مهندسی داده آشنا می‌شوید و می‌آموزید چگونه داده از مرحله تولید و ذخیره سازی به سمت دریافت، تبدیل و در نهایت ارائه به مصرف کنندگان حرکت می‌کند.
کتاب به شما کمک می‌کند هنگام انتخاب فناوری، به جای تمرکز صرف بر ویژگی های تبلیغاتی ابزارها، نیازهای واقعی پروژه، معماری سیستم و محدودیت های موجود را در نظر بگیرید.
در کنار این موارد، با اصول طراحی معماری داده، زیرساخت های ابری، امنیت، حریم خصوصی و حاکمیت داده نیز آشنا خواهید شد.
مهم‌تر از همه، یاد می‌گیرید چگونه اجزای مختلف یک سیستم داده را در کنار یکدیگر قرار دهید تا یک معماری منسجم و قابل استفاده در دنیای واقعی ایجاد شود.
یکی از پیام های مهم کتاب این است که شناخت ابزارها به تنهایی برای تبدیل شدن به یک مهندس داده حرفه‌ای کافی نیست.
فناوری ها دائماً تغییر می‌کنند. ابزار جدیدی معرفی می‌شود، معماری جدیدی محبوب می‌شود و سرویس های ابری امکانات تازه‌ای ارائه می‌کنند.
اما مسائل بنیادی داده تا حد زیادی ثابت می‌مانند.
داده باید تولید شود، ذخیره شود، دریافت شود، تبدیل شود و در اختیار مصرف کننده قرار بگیرد.
اگر اصول این چرخه را به خوبی درک کنید، تغییر ابزارها لزوماً به معنای شروع دوباره یادگیری نیست.
این دیدگاه به مهندس داده اجازه می‌دهد فناوری های جدید را بر اساس اصولی که قبلاً یاد گرفته است ارزیابی کند.
کتاب Data Engineering یک راهنمای مفهومی و کاربردی برای درک مهندسی داده در دنیای واقعی است.
این کتاب به جای اینکه خواننده را به یک ابزار یا فناوری خاص وابسته کند، تلاش می‌کند اصولی را آموزش دهد که در طول زمان و با تغییر فناوری ها همچنان قابل استفاده باشند.
هسته اصلی کتاب، مفهوم چرخه حیات مهندسی داده است؛ چرخه‌ای که از تولید داده شروع می‌شود و از مسیر ذخیره سازی، دریافت، تبدیل و ارائه داده ادامه پیدا می‌کند.
در کنار این چرخه، موضوعاتی مانند معماری داده، انتخاب فناوری، زیرساخت های ابری، امنیت، حریم خصوصی، حاکمیت داده، سریال سازی، فشرده سازی و شبکه سازی ابری نیز بررسی می‌شوند.
یکی از مهم‌ترین ویژگی های کتاب این است که تلاش می‌کند ارتباط میان بخش های مختلف اکوسیستم داده را نشان دهد. به جای اینکه هر فناوری را یک جزیره جدا در نظر بگیرد، توضیح می‌دهد این اجزا چگونه باید در کنار یکدیگر قرار بگیرند تا نیازهای تحلیلگران، دانشمندان داده، مهندسان یادگیری ماشین و سایر مصرف کنندگان داده را برآورده کنند.
این کتاب برای کسی مناسب است که می‌خواهد مهندسی داده را فراتر از یادگیری چند ابزار و دستور ببیند و به درک معماری، اصول و چرخه کامل داده برسد.
برای دانشمندان داده و مهندسان نرم افزار که قصد ورود به حوزه مهندسی داده را دارند، این کتاب می‌تواند چارچوبی برای ساختن دانش پایه فراهم کند. برای مهندسان داده باتجربه نیز می‌تواند دیدگاه گسترده‌تری نسبت به ارتباط فناوری های مختلف و طراحی سیستم های داده ایجاد کند.
در نهایت، ارزش اصلی کتاب در ارائه یک چارچوب ذهنی منسجم برای حل مسائل واقعی مهندسی داده است؛ چارچوبی که می‌تواند با تغییر ابزارها و فناوری ها همچنان کاربرد خود را حفظ کند.
نمونه چاپ کتاب موجود نیست.
نظرات کاربران (0)