کاربرد بیگ دیتا و هدوپ در حوزه سلامت
#hadoop
#healthcare
#bigData
@BigDataTechnology
Big Data and Apache Hadoop for Healthcare and Life Sciences
https://www.mapr.com/solutions/industry/big-data-and-apache-hadoop-healthcare-and-life-sciences
#hadoop
#healthcare
#bigData
@BigDataTechnology
Big Data and Apache Hadoop for Healthcare and Life Sciences
https://www.mapr.com/solutions/industry/big-data-and-apache-hadoop-healthcare-and-life-sciences
Mapr
Healthcare and Life Science Use Cases | MapR
Unstructured data forms close to 80% of information in the healthcare industry and is growing exponentially. Getting access to this unstructured data—such as output from medical devices, doctor’s notes, lab results, imaging reports, medical correspondence…
اسلاید زیر توضیحات جامعی در رابطه با کاربرد هدوپ در حوزه سلامت و پزشکی برای شما ارائه میکنه.
آشنایی با پلتفرم های نوین ، معماری و تجزیه و تحلیل
@BigDataTechnology
https://www.slideshare.net/Hadoop_Summit/hadoop-enabled-healthcare?from_m_app=android
آشنایی با پلتفرم های نوین ، معماری و تجزیه و تحلیل
@BigDataTechnology
https://www.slideshare.net/Hadoop_Summit/hadoop-enabled-healthcare?from_m_app=android
www.slideshare.net
Hadoop Enabled Healthcare
HADOOP ENABLED HEALTHCARE Charles Boicey, MS, RN-BC, CPHIMS Enterprise Analytics Architect Stony Brook Medicine Suffolk Care Collaborative
Forwarded from Hadoop.ir
مقاله جدید مرجع هدوپ ایران:
«آیا آپاچی اسپارک باعث مرگ هدوپ خواهد شد؟»
این موضوع یکی از داغ ترین موضوعات مورد بحث در حوزه کلان داده است و افراد زیادی به دنبال جواب آن هستند. بسیاری از آنها همواره اسپارک و هدوپ را با هم مقایسه میکنند و یا به دنبال برتری هرکدام هستند.
مدتها پیش این سؤال ذهن من را هم به خود مشغول کرده بود. پیش از اینکه خود به تشریح پاسخ این پرسش بپردازم میخواهم پاسخی که شاون اون(Sean Owen) مسئول تحقیقات علوم داده شرکت Cloudera به سؤال من داد را در اینجا نقل قول کنم.
ادامه در https://hadoop.ir/?p=646
مرجع هدوپ ایران
www.hadoop.ir
@hadoop
«آیا آپاچی اسپارک باعث مرگ هدوپ خواهد شد؟»
این موضوع یکی از داغ ترین موضوعات مورد بحث در حوزه کلان داده است و افراد زیادی به دنبال جواب آن هستند. بسیاری از آنها همواره اسپارک و هدوپ را با هم مقایسه میکنند و یا به دنبال برتری هرکدام هستند.
مدتها پیش این سؤال ذهن من را هم به خود مشغول کرده بود. پیش از اینکه خود به تشریح پاسخ این پرسش بپردازم میخواهم پاسخی که شاون اون(Sean Owen) مسئول تحقیقات علوم داده شرکت Cloudera به سؤال من داد را در اینجا نقل قول کنم.
ادامه در https://hadoop.ir/?p=646
مرجع هدوپ ایران
www.hadoop.ir
@hadoop
مرجع هدوپ ایران
آیا آپاچی اسپارک باعث مرگ هدوپ خواهد شد؟
این موضوع یکی از داغ ترین موضوعات مورد بحث در حوزه کلان داده است و افراد زیادی به دنبال جواب آن هستند. بسیاری از آنها همواره اسپارک و هدوپ را با هم مقایسه میکنند و یا به دنبال برتری هرکدام هستند.
Forwarded from Hadoop.ir
اگر علاقه به تبادل نظر و گفتگو پیرامون فریم ورک هدوپ دارید به گروه «هدوپ ایران» بپیوندید.
لینک عضویت: https://telegram.me/joinchat/An8qwj6CGwg0WS-2dTi-Dw
مرجع هدوپ ایران
www.hadoop.ir
@hadoop
لینک عضویت: https://telegram.me/joinchat/An8qwj6CGwg0WS-2dTi-Dw
مرجع هدوپ ایران
www.hadoop.ir
@hadoop
نگاهی مقایسه ای به پروژه های پردازش جریان آپاچی:
#BigData
#MapReduce
#Spark
@BigDataTechnology
در حوزه پردازش داده، دو نوع اصلی پردازش داریم : پردازش بلادرنگ (Real Time) یا همان پردازش جریان (Stream Processing) و پردازش انبوده (Batch Processing) که فناوریهای اصلی حوزه کلان داده ، مانند روش توزیع و تجمیع (MapReduce)، و جدیدا اسپارک برای پردازش انبوه داده ها طراحی شده اند . رهیافت اصلی پردازش بلادرنگ برای سالها، استفاده از صفهای توزیع شده و پروژه های محدودی مانند Storm بود.
در سالهای اخیر ، فناوریهای پردازش بلادرنگ و داده های جریانی مانند داده های دریافتی از حسگرها و تصاویر ترافیک و ماهواره، داده های شبکه های اجتماعی و مانند آن که یکسره در حال تولید هستند و جریان آنها به صورت پیوسته درحال تزریق به برنامه های پردازشی است، پیشرفت زیادی کرده اند و فقط در اکوسیستم آپاچی (مجموعه پروژه های بنیاد آپاچی) امروزه بیش از ده پروژه مختلف متن باز مختلف در این حوزه داریم بعضی از آنها، تفاوت بسیار کمی با یکدیگر دارند که این امر، انتخاب درست ابزار و کتابخانه های مورد نیاز برای پردازش جریان را امری زمان بر و تخصصی نموده است .
با هدف سهولت تصمیم گیری مهندسین داده، وبلاگ DataBaseLine در اقدامی تحسین برانگیز، این فناوریها را در یک جدول با هم مقایسه کرده است که آنرا در زیر می توانید مشاهده کنید .
منبع : Bigdata.ir
مطلب ادامه دارد.....
#BigData
#MapReduce
#Spark
@BigDataTechnology
در حوزه پردازش داده، دو نوع اصلی پردازش داریم : پردازش بلادرنگ (Real Time) یا همان پردازش جریان (Stream Processing) و پردازش انبوده (Batch Processing) که فناوریهای اصلی حوزه کلان داده ، مانند روش توزیع و تجمیع (MapReduce)، و جدیدا اسپارک برای پردازش انبوه داده ها طراحی شده اند . رهیافت اصلی پردازش بلادرنگ برای سالها، استفاده از صفهای توزیع شده و پروژه های محدودی مانند Storm بود.
در سالهای اخیر ، فناوریهای پردازش بلادرنگ و داده های جریانی مانند داده های دریافتی از حسگرها و تصاویر ترافیک و ماهواره، داده های شبکه های اجتماعی و مانند آن که یکسره در حال تولید هستند و جریان آنها به صورت پیوسته درحال تزریق به برنامه های پردازشی است، پیشرفت زیادی کرده اند و فقط در اکوسیستم آپاچی (مجموعه پروژه های بنیاد آپاچی) امروزه بیش از ده پروژه مختلف متن باز مختلف در این حوزه داریم بعضی از آنها، تفاوت بسیار کمی با یکدیگر دارند که این امر، انتخاب درست ابزار و کتابخانه های مورد نیاز برای پردازش جریان را امری زمان بر و تخصصی نموده است .
با هدف سهولت تصمیم گیری مهندسین داده، وبلاگ DataBaseLine در اقدامی تحسین برانگیز، این فناوریها را در یک جدول با هم مقایسه کرده است که آنرا در زیر می توانید مشاهده کنید .
منبع : Bigdata.ir
مطلب ادامه دارد.....
مهندسی داده
کلان داده (بیگ دیتا)، علم داده و هر آنچه راجع به داده است - مهندسی داده
وب سایت مهندسی داده : کلان داده (بیگ دیتا)، علم داده و هر آنچه راجع به داده است
با عرض سلام و ادب .
آخرین جمعه فروردین زیبای 95 بخیر.
دوستان عزیز چندین کتاب کابردی در حوزه بیگ دیتا در اختیارتون قرار می دهم.
امیدوارم مفید قرار بگیره.
پیروز باشید.
گلناز اردشیری
@BigDataTechnology
آخرین جمعه فروردین زیبای 95 بخیر.
دوستان عزیز چندین کتاب کابردی در حوزه بیگ دیتا در اختیارتون قرار می دهم.
امیدوارم مفید قرار بگیره.
پیروز باشید.
گلناز اردشیری
@BigDataTechnology