Big Data aplicado

El libro comienza tratando el almacenamiento y el procesamiento de datos masivos. Se presentan los sistemas de almacenamiento de datos y los métodos avanzados de almacenamiento en clusters. Se tienen en cuenta los datos estructurados y no estructurados, los problemas de compatibilidad, la calidad y seguridad de los datos y su procesamiento en clusters. Se desarrolla también la analítica de Big data, sus pasos, capacidades, fuentes de datos y casos de uso, así como el Big data en la nube a través de los servicios Cloud. A continuación se aborda la Computación Distribuida. Adicionalmente se trata la computación paralela con su evolución, tipos, ventajas, desventajas, patrones de diseño, arquitecturas de memoria, sincronización, lenguajes, modelos y usos. Se presentan ejemplos de computación paralela y distribuida con la herramienta Parallel Computing de MATLAB y con Apache Spark. También se desarrollan sistemas de almacenamiento distribuidos y se analizan sistemas gestores de bases de datos distribuidas presentando ejemplos con SQL-Server. Se aborda también la alta disponibilidad, la tolerancia a fallos y su implementación en la web y en la nube. Asimismo, se analizan herramientas de computación masiva en los ecosistemas de Big Data con especial atención a Hadoop, Mapreduce, Hadoop Distribute File System y Hadoop Common Components. Después se aborda la automatización de trabajos y se presentan ejemplos desarrollados con SQL-Server. También se presenta el ecosistema Hadoop de Apache Ambari. Adicionalmente se describen las herramientas de Big Data Analytics de SAS y además, se describen las herramientas de Big Data Analytics de Oracle, de Microsoft y de IBM. Seguidamente, se abordan la calidad e integridad de los datos en procesos de Big Data y el movimiento de datos entre clusters. Finalmente, se profundiza en las técnicas de Big Data e Inteligencia de Negocios. Se analizan las herramientas más importantes de Business Intelligence con especial atención a los cuadros de mando. Se describen las herramientas SAS Visual Analytics y herramientas de SAP para cuadros de mando. Por último, se describe la implementación del KDD (Knowledge Discovery in Data Bases) con herramientas de SAS (SAS Enterprise Miner) e IBM (IBM SPSS Modeler) a través de ejemplos.