sialala1

Big data to duże dane do analizowania, których liczbę należy maksymalizować w celu wydobycia określonych wartości informacyjnych.

P

Big data to duże dane do analizowania, których liczbę należy minimalizować w celu wydobycia określonych wartości informacyjnych.

F

Big data bazuje na koncepcji 3 atrybutów (3V)

P

Big data bazuje na koncepcji 4 atrybutów

P

Koncepcja 3V dotyczy:

objętość (volume), różnorodność (variety) oraz szybkość przetwarzania (vielocity)

Koncepcja 4V dotyczy:

objętość (volume), różnorodność (variety) oraz szybkość przetwarzania (vielocity), wiarygodność(veracity)

Dane w big data są różnorodne

P

Dane w big data są z różnych źródeł z dużą prędkością?

P

Dane w big data są generowane z jednego źródła?

F

Dane w big data są z różnych źródeł z małą prędkością?

F

Wymień 6 atrybutów big data

objętość, złożoność, szybkość, wartość, różnorodność, zmienność

W big data dane traktowane są jako strumienie a nie zbiory

P

W big data dane traktowane są jako zbiory a nie strumienie

F

Data scientist musi posiadać wiedzę zarówno z zakresu analiz danych jak również z zakresu technologii informatycznych

P

Data scientist musi posiadać wiedzę dotyczącą technologii informatycznych

P

Objętość danych to ich pojemność, słuzy do wprowadzania nowych idei i pomysłów, wymaga odpowiedniej infrastruktury programistycznej

P

Objętość danych to ich pojemność, słuzy do wprowadzania nowych idei i pomysłów, nie posiada dużych wymagań

F

Różnorodność danych mówi że dane pochodzą z różnorodnych źródeł, często w różnych formatach oraz w różnej formie

P

Zmienność mówi że dane pochodzą z różnorodnych źródeł, często w różnych formatach oraz w różnej formie

F

Różnorodność danych to inaczej heterogeniczność

P

Złożoność danych to inaczej heterogeniczność

F

Złożoność danych powiązana z hetefogenicznością danych, różnym źródłem ich pochodzenia, różnym sposobem uporządkowania danych

P

Zmienność danych powiązana z hetefogenicznością danych, różnym źródłem ich pochodzenia, różnym sposobem uporządkowania danych

F

Szybkość napływu danych posiada strumieniowy charakter. Dane przesyłane są z ogromną prędkością, wymagające często analizy w czasie rzeczywistym

P

Szybkość napływu danych posiada strumieniowy charakter. Dane przesyłane są z niską prędkością, wymagające często analizy w czasie rzeczywistym

F

Wartość danych Szybkość napływu danych posiada strumieniowy charakter. Dane przesyłane są z ogromną prędkością, wymagające często analizy w czasie rzeczywistym

F

Wysoki poziom zmienności danych związana jest z prędkością przepływu danych oraz ich różnorodnym charakterem

P

Wartość danych jest to cecha wynikająca z pozostałych atrybutów.

P

Szybkość napływu jest to cecha wynikająca z pozostałych atrybutów.

F

Wartość danych jest zwiazana bezpośrednio z wartością dodaną, jaką można wygenerować na podstawie danych

P

Wartość danych jest zwiazana pośrednio z wartością dodaną, jaką można wygenerować na podstawie danych

F

Big data - uporządkowanie danych możemy podzielić na: dane o określonej strukturze, o mieszanej strukturze oraz o określonej strukturze

P

Big data - uporządkowanie danych możemy podzielić na: dane o określonej strukturze, o mieszanej strukturze oraz o zgodnej strukturze

F

Big data - uporządkowanie danych możemy podzielić na: dane o zmiennej strukturze, o mieszanej strukturze oraz o określonej strukturze

F

Wyzwania badawcze Big Data związane są bezpośrednio z atrybutami big data

P

Wyzwania badawcze Big Data związane są bezpośrednio z metodami big data

F

Wyzwania badawcze Big Data można podzielić na dotyczące technologii oraz dotyczące danych.

P

Wyzwania badawcze Big Data można podzielić na dotyczące technologii oraz dotyczące problemów

F

Wyzwania technologiczne związane są z opracowanie odpowiedniej architektury informatycznej

P

Wyzwania technologiczne związane są z ich charakterem i różnorodnością

F

Wyzwania badawcze Big Data związane są z opracowanie odpowiedniej architektury informatycznej

F

Wyzwania dotyczące danych Big Data związane są z opracowanie odpowiedniej architektury informatycznej

F

Wyzwania dotyczące danych Big Data związane sa z ich charakterem i różnorodnością

P

Wyzwania technologiczne- architektura informatyczna: źródła danych -> pobór danych -> gromadzenie danych -> wstępne przetwarzanie danych -> rozdzielanie danych -> Analiza danych -> modelowanie danych -> wnioskowanie na podstawie wyników analiz

P

Wyzwania technologiczne- architektura informatyczna:

źródła danych -> pobór danych -> gromadzenie danych -> wstępne przetwarzanie danych -> rozdzielanie danych -> Analiza danych -> modelowanie danych -> wnioskowanie na podstawie wyników analiz

Charakter danych możemy podzielić na: różnorodnosć źródeł, różnorodność formatów, jakość, wielowymiarowość, pojemność informacyjna, wartość biznesowa

P

Charakter danych możemy podzielić na: jakość źródeł, różnorodność formatów, wartość, wielowymiarowość, pojemność informacyjna, wartość biznesowa

F

Charakter danych możemy podzielić na: różnorodnosć źródeł, różnorodność formatów, jakość, wielowymiarowość, pojemność informacyjna, wartość wynikowa

F

Cloud computing to tzw przetwarzanie w chmurze

P

Cloud computing to tzw przetwarzanie na serwerze

F

Cloud computing możemy podzielić na Private Cloud, Hybrid Cloud oraz Public Cloud

T

Cloud computing możemy podzielić na Private Cloud, Hybrid Cloud oraz Protected Cloud

F

Architektura informatyczna to połaczenie sprzetu i odpowiedniego oprogramowania wspierającego proces przetwarzania danych Big Data

P

Apache Hadoop jest to projekt którego celem jest rozwój oprogramowania typu "open-source" do przetwarzania rozproszonych dużych zasobów danych w klastrach serwerów przy uzyciu prostych metod programistycznych

P

Zalety Hadoop: Skalowalność, elastyczność, opłacalność, bezawaryjność

P

Zalety Hadoop w opszarze Big Data: Skalowalność, elastyczność, niska cena, bezawaryjność

F

Do Zalet Hadoop w obszarze Big Data należy umożliwirnir dodania nowych węzłów bez konieczności zmiany formatów danych, jakie są ładowane (skalowalność)

P

Do Zalet Hadoop w obszarze Big Data należy umożliwirnir dodania nowych węzłów z koniecznością zmiany formatów danych, jakie są ładowane (skalowalność)

F

Do Zalet Hadoop w obszarze Big Data należy dodanie możliwości poboru wszelkich rodzajów danych, o dowolnych formatach, z różnych źródeł (elastyczność)

P

Do Zalet Hadoop w obszarze Big Data należy dodanie możliwości poboru wszelkich rodzajów danych, o określonych formatach, z różnych źródeł (elastyczność)

F

Do Zalet Hadoop w obszarze Big Data należy umożliwienie prowadzenie równolegle obliczeń na wielu serwerach (cost-reduced) (opłacalność)

P

Do Zalet Hadoop w obszarze Big Data należy umożliwienie prowadzenie równolegle obliczeń na dwóch serwerach (cost-reduced) (opłacalność)

F

Do Zalet Hadoop w obszarze Big Data należy w razie problemów z jednym węzłem jego zadania zostają przekierowane do innych jednostek (bezawaryjność)

P

Do Zalet Hadoop w obszarze Big Data należy w razie problemów z jednym węzłem jego zadania zostają przekierowane do innych danych (bezawaryjność)

F

Cecha NoSQL: jest to system nie posiadajacy relacji oraz zdefiniowanego jezyka

P

Cecha NoSQL jest to system posiadajacy relacje oraz zdefiniowany język

F

Cecha NoSQL wykorzystywany dla danych nie posiadających określonej struktury lub semi-strukturalnych

P

Cecha NoSQL wykorzystywany dla danych posiadających określoną struktury lub semi-strukturalnych

F

Cecha NoSQL Skalowalność i elastyczność bazy – możliwość zwiększania wydajności systemu wraz z rosnącym zapotrzebowaniem

P

Cecha NoSQL Skalowalność i elastyczność bazy – możliwość zwiększania wydajności systemu wraz z malejącym zapotrzebowaniem

F

NoSQL może być stosowany ze zwykłym SQLem

P

NoSQL nie może być stosowany ze zwykłym SQLem

F

Klasyczne narzędzia analizy danych Big Data:

Przetwarzanie sieciowe (Grid-computing), przetwarzanie w bazie danych (in-database-processing), analityka w pamięci (in-memory analytics)

Klasyczne narzędzia analizy danych Big Data: Przetwarzanie sieciowe (Grid-computing), przetwarzanie w bazie danych (in-database-processing), analityka w pamięci (in-memory analytics)

P

NoSQL – (non SQL) nierelacyjna baza danych, umożliwiająca przechowywanie i pobieranie danych w różnych formatach w nieograniczony sposób

P

Cykl analizy Big Data: użytkownik biznesowy -> Administrator hurtowni danych ->Data scientist->Analityk Business Intelligence->Końcowy uzytkownik biznesowy

P

Cykl analizy Big Data - użytkownik biznesowy jest odpowiedzialny za określenie i analizę wskaźników wydajności KPI oraz za formuowanie wymagań analitycznych odnośnie danych

P

Cykl analizy Big Data - Uzytkownik biznesowy jest to osoba odpowiedzialna za zidentyfikowanie podstawowych procesów biznesowych

P

Cykl analizy Big Data - Administrator hurtowni Danych odpowiedzialny za definiowanie, rozwój oraz obsługę hurtowni danych oraz zarządzanie narzędziami wspomagającymi Big Data

P

Cykl analizy Big Data - Uzytkownik biznesowy odpowiedzialny za definiowanie, rozwój oraz obsługę hurtowni danych oraz zarządzanie narzędziami wspomagającymi Big Data

F

Cykl analizy Big Data - Data Scientist - osoba odpowiedzialna za budowę modeli analitycznych oraz ich implementację w środowisko informatyczne wspomagające Big Data

P

Cykl analizy Big Data - Końcowy użytkownik biznesowy – (final business user, end-user) osoba wykorzystująca w swojej pracy wszelkie informacje wygenerowane przez pozostałych uczestników cyklu analizy Big Data

P

Cykl analizy Big Data - analityk BI - Końcowy użytkownik biznesowy – (final business user, end-user) osoba wykorzystująca w swojej pracy wszelkie informacje wygenerowane przez pozostałych uczestników cyklu analizy Big Data

F (końcowy użytkownik biznesowy)

Cykl analizy Big Data - analityk BI - osoba odpowiedzialna za identyfikację, zarządzanie i publikowanie kluczowych wskaźników wydajności oraz raportów, zazwyczaj w czasie zbliżonym do rzeczywistego

P

Cykl analizy Big Data - Końcowy użytkownik biznesowy – osoba odpowiedzialna za identyfikację, zarządzanie i publikowanie kluczowych wskaźników wydajności oraz raportów, zazwyczaj w czasie zbliżonym do rzeczywistego

F (analityk BI)

Zarządzanie bazą danych – wszelkie działania mające na celu usprawnienie procesu pracy z danymi, przyczyniające się do obniżenia kosztów obsługi danych, przechowywania danych, administrowania oraz eksploracji

P

Zarządzanie bazą danych typu Big Data Działania na danych możemy podzielić na:

Gromadzenie danych, próbkowanie, wstępne przetwarzanie