Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Big Data. Методы и средства анализа. Учебное пособие
.pdf
Вызовем в консоли две команды, первая - для запуска операции, вторая
var op = db.comments.mapReduce(map, reduce);
db[op.result].find();
{ "_id" : "hwaet", "value" : { "votes" : 21 } }
{ "_id" : "kbanker", "value" : { "votes" : 13 } }
- для получения результатов:
На выходе получаем необходимые сгруппированные данные и можем
использовать их в нашем приложении. Пример вывода для данной БД:
Отметим что Map/Reduce работает довольно медленно. В функции map
рекомендуется писать наиболее оптимизированный JavaScript-код, т.е.
минимизировать кол-во операций присваивания и циклов. Ускорить эту
операцию можно масштабированием. Если распределить базу по кластеру, то
маппинг будет производиться одновременно на всех машинах, обрабатывая
разные данные. В итоге скорость маппинга будет прямо пропорциональна
количеству серверов в разделенной базе. Это один из основных минусов этой
БД при использовании на одном сервере.
Для MongoDB есть несколько визуальных инструментов для
администрирования, среди которых есть клиенты для OS X и .NET, а также
веб-интерфейсы на PHP, Python, Ruby.
31
СПИСОК ЛИТЕРАТУРЫ
1. Fayyad, Piatetsky-Shapiro, Smyth, and Uthurusamy. Advances in Knowledge
Discovery and Data Mining, (Chapter 1). AAAI/MIT Press 1996.
2. Parsaye K. A Characterization of Data Mining Technologies and Processes The
Journal of Data Warehousing. - 1998. № 1.
3. Newquist H. P. Data Mining: The AI Metamorphosis. Database Programming
and Design. - 1996. № 9.
4. Parsaye K. A Characterization of Data Mining Technologies and Processes. The
Journal of Data Warehousing. - 1998. № 1.
5. Дюк В.А., Самойленко А.П. Data Mining: учебный курс. - СПб.: Питер,
2001.
6. Joerg Reinschmidt, Helena Gottschalk, Hosung Kim, Damiaan Zwietering.
Intelligent Miner for Data: Enhance Your Business Intelligence J.
7. Метод Опорных Векторов http://library.graphicon.ru/pubbin/view_prop.pl26
8. K. Muller, S. Mika, G. Ratsch, K. Tsuda, B. Scholkopf. An Introduction to
Kernel-Based Learning Algorithms. IEEE Neural Networks, 12(2):181-201,
May 2001.
9. Heckerman D. Bayesian Networks for Data Mining. Data Mining and
Knowledge Discovery. 1997. № 1. P. 79-119.
10. Friedman N., Geiger D., Goldszmidt M., etc. Bayesian Network Classifiers.
Machine Learning. 1997. 29. P. 131-165.
11. Brand E., Gerritsen R. Naive-Bayes and Nearest Neighbor. DBMS. 1998. № 7
12. A. Savasere, E. Omiecinski, and S. Navathe. An Efficient Algorithm for Mining
Association Rules in Large Databases Proc. 21st Int'l Conf. Very Large Data
Bases, Morgan Kaufmann, San Francisco, 1995, pp. 432-444.
13. The MongoDB 2.4 Manual http://www.mongodb.org/
14. MongoDB Quick Reference Cards. http://www.10gen.com/reference
15. Кристина Чодороу, Майкл Дирольф = MongoDB: The Definitive Guide. —
O’Reilly Media, 2010. — С. 216.
16. Тим Хоукинс, Илько Пладж, Питер Мембри = The Definitive Guide to
MongoDB: The NoSQL Database for Cloud and Desktop Computing. —
Apress, 2010. — С. 350.
32
СОДЕРЖАНИЕ
ВВЕДЕНИЕ ................................................................................................................... 3
Глава 1. ХРАНИЛИЩА ДАННЫХ .......................................................................... 4
Глава 2. DATA MINING .............................................................................................. 8
2.1. Классификация аналитических систем............................................................. 9
2.2. Методы и стадии Data Mining ......................................................................... 10
2.3. Классификация методов Data Mining ............................................................. 12
2.4. Задачи Data Mining ........................................................................................... 15
Глава 3. МЕТОДЫ АНАЛИЗА ДАННЫХ ............................................................ 17
3.1. Методы классификации и прогнозирования .................................................. 17
3.2. Методы кластерного анализа ........................................................................... 20
3.3. Методы визуализации. ..................................................................................... 22
Глава 4. ВНЕДРЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ БАЗ ДАННЫХ.
РЫНОК ИНСТРУМЕНТОВ ............................................................................... 23
4.1. Обзор NOSQL систем ....................................................................................... 23
4.2. БД MongoDB ..................................................................................................... 26
СПИСОК ЛИТЕРАТУРЫ ....................................................................................... 32
33
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]