این کتاب، نه در مورد الگوریتم‌ها است و نه جایگزینی برای کتابی در مورد الگوریتم‌ها است. ما در این کتاب، عمداً از رویکرد الگوریتم محور اجتناب کردیم. ما معتقدیم که یک مجموعه نسبتاً کوچک از مفاهیم یا اصول اساسی وجود دارد که پایه و اساس تکنیک‌های استخراج دانش مفید از داده‌ها است. این مفاهیم به عنوان مبنایی برای بسیاری از الگوریتم‌های شناخته شده داده کاوی هستند. علاوه بر این، این مفاهیم زمینه تجزیه و تحلیل مسائل تجارت داده محور، ایجاد و ارزیابی راهکار‌های علم داده و ارزیابی استراتژی‌ها و پیشنهادهای عمومی علم داده است. بر این اساس، ما این کتاب را حول این اصول عمومی سازماندهی کردیم تا حول الگوریتم‌های خاص. در صورت لزوم برای توصیف جزئیات رویه ای، ما از ترکیبی از متن و نمودار استفاده می‌کنیم که فکر می‌کنیم از لیستی از مراحل الگوریتمی مفصل، در دسترس‌تر هستند.
بر اساس دوره MBA که Provost در ده سال گذشته در دانشگاه نیویورک تدریس کرده است، کتاب Data Science for Business (علم داده‌ها برای تجارت)، نمونه هایی از مسائل تجاری در دنیای واقعی را برای نشان دادن اصول علم داده‌ها ارائه می‌دهد. شما نه تنها یاد خواهید گرفت که چگونه ارتباط بین ذینفعان کسب و کار و دانشمندان داده را بهبود ببخشید، بلکه همچنین چطور هوشمندانه در پروژه‌های علوم داده شرکت خود مشارکت کنید. همچنین خواهید فهمید که چگونه می‌توانید به صورت تجزیه و تحلیل داده‌ها فکر کنید و کاملاً درک کنید که چگونه روش‌های علم داده‌ها می‌توانند مبنای تصمیم گیری‌های تجاری باشند.

سرویس Azure Data Factory ابزاری عملی برای ساختن راهکار‌های پیشرفته تجزیه و تحلیل در Azure است. این برنامه می‌تواند گردش کار‌های داده پیچیده ETL را کنترل کند و بطور بومی با تمام سرویس‌های Azure با امنیت سطح سازمانی یکپارچه می‌شود.
برای حل چالش‌های بزرگ، از جمله عملیاتی کردن کلان داده و کار‌های تجزیه و تحلیل پیشرفته در Azure، تجزیه و تحلیل و پلتفرم داده خود را بهبود بخشید. شما یاد خواهید گرفت که چگونه خطوط لوله پیچیده را کنترل کنید، هشدارها را تنظیم کنید و الزامات نظارت سفارشی سازمان خود را گسترش دهید.
این کتاب با مروری بر Azure Data Factory به عنوان یک سرویس ارکستراسیون ترکیبی ETL/ELT در Azure آغاز می‌شود. سپس به جابجایی داده‌ها و قابلیت اتصال Azure Data Factory می‌پردازد. شما همچنین در مورد پشتیبانی از ادغام داده‌های ترکیبی از منابع مختلف مانند ابر، on-premise یا از برنامه‌های SaaS اطلاعات خواهید گرفت. همچنین در این کتاب در مورد چگونگی تبدیل داده‌ها و کنترل جریان، راهنمایی‌های دقیقی ارائه شده است. این کتاب نمایش عملیاتی شدن خطوط لوله و ETL همراه با SSIS را نیز شامل می‌شود. شما همچنین نحوه استفاده از Azure Data Factory برای اجرای بسته‌های SSIS موجود را خواهید آموخت. هنگامی که از طریق کتاب پیش می‌روید، با یادگیری نحوه ایجاد یک صفحه واحد برای نظارت end-to-end، که یک مهارت اصلی در ایجاد خطوط تجزیه و تحلیل پیشرفته و کلان داده است، کار را به پایان می‌رسانید. این کتاب برای مهندسان داده و توسعه دهندگان کلان داده و ETL (استخراج، تبدیل، بارگذاری) مناسب است.

استخراج، تبدیل و بارگیری کردن (ETL)، یکی از تکنیک‌های اساسی در پردازش داده‌ها است. با توجه به اینکه داده‌ها در همه جا وجود دارند، ETL همیشه بهترین روش برای مدیریت داده‌ها از منابع مختلف است.
کتاب Hands-On Data Warehousing with Azure Data Factory، با مفاهیم پایه انبار کردن داده‌ها و ETL شروع می‌شود. شما خواهید آموخت که چگونه می‌توان از Azure Data Factory و SSIS برای درک اجزای کلیدی یک راهکار ETL استفاده کرد. شما سرویس‌های مختلف ارائه شده توسط Azure که توسط ADF و SSIS می‌توانند مورد استفاده قرار گیرند؛ مانند Azure Data Lake Analytics، یادگیری ماشین و Databrick's Spark را با کمک مثال‌های عملی یاد خواهید گرفت. شما نحوه طراحی و پیاده سازی راهکار‌های ترکیبی ETL را با استفاده از سرویس‌های یکپارچگی مختلف و به صورت گام به گام یاد خواهید گرفت. هنگامی که با همه این موارد آشنا شدید، شما از Power BI برای تعامل با داده هایی که از منابع مختلف می‌آیند استفاده خواهید کرد تا بینشی ارزشمند به دست آورید.

در پایان این کتاب، شما نه تنها می‌دانید که چگونه راهکار‌های ETL خودتان را بسازید، بلکه قادر خواهید بود تا چالش‌های کلیدی که در هنگام ساختن آن‌ها مواجه می‌شوید را حل کنید.
این کتاب برای شما مناسب است در صورتی که شما یک متخصص نرم افزار هستید که راهکار‌های ETL را با استفاده از Microsoft SQL Server و  Azure Cloud پیاده سازی کرده و توسعه می‌دهید. این مزیت خواهد بود اگر شما یک مهندس نرم افزار، معمار DW/ETL یا توسعه دهنده ETL باشید و نحوه ایجاد یک پیاده سازی جدید ETL را بدانید یا یک راهکار موجود را با Azure Data Factory یا SSIS تقویت کنید.

پایگاه داده‌ها بخشی جدایی ناپذیر از علوم داده هستند و هر برنامه نویسی که با داده‌ها سر و کار دارد، باید بتواند با یک پایگاه داده نیز کار کند. در دوره ویدیویی Understanding Databases with SQLAlchemy: Python Data Playbook موسسه Pluralsight که توسط Xavier Morera تدریس شده است،‌ شما دانش بنیادی برای کار با پایگاه‌های داده با استفاده از SQLAlchemy را یاد خواهید گرفت.

در این دوره ابتدا نحوه query‌ زدن را یاد می‌گیرید. سپس چگونگی ایجاد پایگاه‌های داده و جداول و پر کردن آن‌ها با داده‌ها را یاد می‌گیرید. در پایان، شما نحوه دستکاری داده هایی که درج کرده اید و کوئری گرفته اید را خواهید آموخت. پس از اتمام این دوره، مهارت‌ها و دانش لازم برای کار کردن با پایگاه داده‌ها با استفاده پایتون و SQLAlchemy را در اختیار خواهید داشت.

فرمت‌های تصویری برداری مثل SVG، مزایای بسیاری نسبت به فرمت‌های scalar همچون PNG و JPEG دارند. با استفاده از SVG، می‌توانید تصاویری با کیفیت بالا و حجم کم ایجاد کنید که هم در دستگاه هایی با وضوح پایین به خوبی نمایش داده می‌شوند و هم می‌توان آن‌ها را بدون ایجاد اعوجاج، بزرگنمایی کرد و حرکت داد. در دوره ویدیویی Pygal: Python Data Playbook موسسه Pluralsight ‌که توسط Kishan Iyer تدریس شده است، شما با استفاده از Pygal، توانایی ساختن مجموعه ای از تصاویر و تبدیل آنها به فرمت SVG را بدست می‌آورید.

ابتدا مزایای کار با Pygal را برای ساخت SVG‌ها خواهید آموخت و جایگاهی که Pygal نسبت به سایر بسته‌های تصویرسازی همچون Matplotlib، Seaborn، Bokeh و Plotly دارد را درک خواهید کرد. در ادامه نحوه ساخت مجموعه ای از تصویر‌ها در Pygal را از درون حافظه و همچنین فایل‌ها بررسی خواهید کرد. سپس می‌توانید یک تصویر سازی از جمله نمودارهای ساده مانند گراف‌های خطی، درختی و میله ای و همچنین انواع تخصصی مانند TreeMaps و Sparklines را بسازید. شما انواع مختلف سبک‌ها و پیکربندی هایی که برای کنترل ظاهر نمودار‌ها می‌توان استفاده کرد را یاد خواهید گرفت. شما همچنین با سبک‌های سفارشی و پارامتری تعبیه شده و همچنین تنظیمات Chart، Serie و Value کار خواهید کرد.

در پایان، شما چگونگی ارائه تصویر سازی‌های Pygal را در قالب‌های تصویری و غیر تصویری برای انتقال‌های آنلاین از جمله XML element trees و base64 encoded یاد خواهید گرفت. شما همچنین با ساختن یک برنامه وب با استفاده از میکرو فریمورک Flesk به منظور ارائه و نمایش نمودار‌های Pygal این دوره را کامل خواهید کرد. وقتی که این دوره را به پایان رساندید، شما دانش و مهارت‌های لازم برای نمایش تصویر سازی‌ها در Pygal را برای استفاده از مزایای فرمت Scalable Vector Graphics، در اختیار خواهید داشت.

با توجه به اینکه علوم داده‌ها و تجزیه و تحلیل داده‌ها روز به روز محبوب‌تر و تخصصی‌تر می‌شوند، تعداد و تنوع ابزارها و فن آوری‌های موجود، اغلب بسیار زیاد به نظر می‌رسند. در دوره ویدیویی Leveraging Online Resources for Python Analytics موسسه Pluralsight که توسط Janani Ravi تدریس شده است، شما توانایی پیدا کردن منابعی را پیدا خواهید کرد که به شما کمک می‌کنند تا مسئله خود را به درستی تنظیم و حل کنید.

در ابتدا، تعدادی از کتابخانه‌های مهم تصویر سازی، چارچوب‌های یادگیری ماشین، یادگیری عمیق و راهکار‌های مبتنی بر ابر را بررسی می‌کنید. در ادامه، مزایای استفاده از ابزاری مانند BigML را بررسی خواهید کرد که پلتفرمی برای ساخت مدل‌های ML است که بخش عمده ای از پیچیدگی‌های اساسی را حذف می‌کند. دموکراسی سازی ML، امروزه گرایش مهمی است و فناوری هایی مانند BigML در صدر این گرایش قرار دارند. برای مثال شما خواهید دید که چگونه BigML بدون عیب و نقص تصویر سازی‌های شناخته شده به عنوان partial dependency plots را یکپارچه می‌کند تا نتایج تعداد زیادی از پیش بینی‌های ML را به شکلی ارائه دهد که به راحتی قابل فهم باشند و بتوانید دقیقا بفهمید که مدل ML شما چه کاری انجام می‌دهد.

در آخر، شما با کار با Google Colab که یک روش مجانی تحت وب برای ساخت مدل‌ها است، دانش خود را کامل می‌کنید. مدل‌ها در notebook‌های Jupyter که در Google Drive موجود هستند و بر روی ماشین‌های مجازی در ابر اجرا می‌شوند، میزبانی می‌شوند. وقتی که این دوره را به پایان رساندید، شما مهارت‌ها و دانش لازم برای شناسایی سریع و موثر منابع و کتابخانه‌های ارزشمند آنلاین که به شما به عنوان یک متخصص علوم داده به شما کمک خواهند کرد را در اختیار خواهید داشت.

در قلب هر پروژه موفقیت آمیزی که با مجموعه داده‌های دنیای واقعی درگیر است، دانش کاملی از چگونگی تمیز کردن مجموعه داده‌ها از داده‌های مفقود، بد و یا نادرست وجود دارد. در دوره ویدیویی Cleaning Data: Python Data Playbook موسسه Pluralsight که توسط Chris Achard تدریس شده است، شما نحوه استفاده از pandas را برای تمیز کردن dataset‌های واقعی یاد می‌گیرید.

در این دوره ابتدا نحوه درک، نمایش و بررسی داده هایی که در اختیار دارید را یاد می‌گیرید. در ادامه، نحوه دسترسی به داده هایی را که فقط می‌خواهید در دیتاست خود نگه دارید، بررسی خواهید کرد. سرانجام، روشهای مختلفی برای مدیریت داده‌های بد و مفقود شده را یاد خواهید گرفت. وقتی که این دوره را به پایان رساندید، شما دانش بنیادین تمیز کردن dataset‌های واقعی با pandas را در اختیار خواهید داشت که به شما کمک می‌کند تا به کار با علم داده دنیای واقعی یا مسائل یادگیری ماشین ادامه دهید.

پایتون یکی از قدرتمندترین و پرکاربردترین زبانها برای کار با داده‌ها است. در دوره ویدیویی Importing Data: Python Data Playbook موسسه Pluralsight که توسط Xavier Morera تدریس شده است، شما دانش بنیادین وارد کردن داده‌ها با پایتون را فرا خواهید گرفت و توانایی وارد کردن داده‌ها از چندین قالب مختلف فایل، از جمله: متن، داده‌های جدولی، قالب‌های باینری و همچنین از پایگاه داده‌ها را به وسیله زبان پایتون، به دست خواهید آورد.

ابتدا نحوه وارد کردن فایل‌های متنی و CSV را یاد خواهید گرفت. در ادامه، نحوه وارد کردن داده‌ها از فایل هایJSON ،XML ،SAS ،Stata ،HDF5 ، Matlab، Pickle و موارد دیگر را یاد خواهید گرفت. سرانجام، چگونگی وارد کردن داده‌های رابطه ای از پایگاه‌های داده از جمله: SQLite، MySQL و PostgreSQL را بررسی خواهید کرد. پس از اتمام این دوره، مهارت و دانش لازم برای وارد کردن داده‌ها به پایتون را برای تجزیه و تحلیل، تصویر سازی و به طور کلی کار با داده‌ها را در اختیار خواهید داشت.

یادگیری و مهارت پیدا کردن در پایتون، یکی از بهترین تصمیماتی است که یک برنامه نویس می‌تواند بگیرد. سادگی پایتون به همراه بسیاری از کتابخانه‌های در دسترس، آن را به یکی از پر بازده‌ترین زبانهایی که می‌توانید استفاده کنید، تبدیل کرده است. دوره ویدیویی‌ Programming Python Using an IDE موسسه Pluralsight که توسط Xavier Morera تدریس شده است، به شما در استفاده از IDE‌های پایتون کمک می‌کند تا مهارت کد نویسی خود را ارتقا دهید.
در ابتدا، شما در مورد انتخاب IDE‌های معروف و چگونگی کمک آنها به شما در بهبود بهره وری خود، یاد خواهید گرفت. در ادامه، در مورد بسیاری از ویژگی هایی که IDE‌ها را برای ایجاد برنامه‌ها از جمله برجسته کردن نحو، ریفکتور کردن، بررسی کد و موارد دیگر بسیار عالی می‌کند، خواهید آموخت. همچنین برخی از سایر قابلیت‌ها که به شما در اجرا، اشکال زدایی، تست واحد و کنترل کد منبع به شما کمک می‌کنند را یاد می‌گیرید. سرانجام، خواهید دید که چگونه برخی از IDE‌ها دارای ویژگی هایی هستند که برای پایتون علمی و ایجاد برنامه‌های علوم داده ساخته شده اند. در پایان این دوره، شما می‌دانید و درک خواهید کرد که چگونه IDEها می‌توانند به شما کمک کنند تا یک توسعه دهنده پربار‌تر باشید.

زبان برنامه نویسی پایتون، بیشتر به این دلیل که تجزیه و تحلیل و کار با داده‌ها را به شدت آسان کرده است، در سال‌های اخیر به شدت محبوب شده است. Jupyter به جای یک IDE تمام عیار یک محیط اجرایی است، اما با این وجود، notebook‌ها دارای چندین قابلیت مهم هستند که ارزش درک کامل را دارند. در دوره ویدیویی Create and Share Analytics with Jupyter Notebooks موسسه Pluralsight که توسط Janani Ravi تدریس شده است، یاد می‌گیرید که چگونه نوتبوک‌های Jupyter با ارائه یک محیط تعاملی بسیار بصری و تعاملی برای اجرای برنامه‌های پایتون، عامل اصلی محبوبیت پایتون هستند.

ابتدا یاد می‌گیرید که چگونه با نوتبوک‌های Jupyter شروع به کار کنید و چگونه می‌توانید از ویژگی‌های آن مانند markdown برای تقویت خوانایی کد خود استفاده کنید. در ادامه، خواهید فهمید که چگونه قابلیت‌های پیشرفته‌تری مانند توابع جادویی کار می‌کنند و چگونه نسل بعدی Jupyter به نام JupyterLab، حتی بیشتر به سمت یک محیط توسعه تمام عیار پیش می‌رود. در پایان، شما می‌توانید دانش خود را با کار با notebook‌های Jupyter میزبانی شده ابری بر روی سکو‌های ابری بزرگ، کامل کنید. وقتی که این دوره را تمام کردید، شما مهارت‌ها و دانش لازم را برای بکارگیری تمام قدرت notebook‌های Jupyter و Jupyterlab را در اختیار خواهید داشت، به خصوص در زمینه notebook‌های میزبانی شده ابری برای موارد استفاده توزیع شده و مشارکتی.

پایتون در سال‌های اخیر به شدت محبوب شده است و به عنوان فناوری منتخب تحلیل گران و دانشمندان داده ظاهر شده است. در دوره ویدیویی Python for Data Analysts موسسه Pluralsight‌ که توسط Janani Ravi تدریس شده است، شما توانایی نوشتن برنامه‌های پایتون و استفاده از ساختار‌های اساسی برنامه نویسی پایتون و تجزیه و تحلیل داده‌ها را به دست خواهید آورد.

در این دوره ابتدا یاد خواهید گرفت که چگونه زبان‌های برنامه نویسی مانند Python، صفحات گسترده مانند Microsoft Excel و فن آوری‌های مبتنی بر SQL مانند پایگاه داده‌ها با یکدیگر متفاوت هستند و همچنین چگونه با یکدیگر همکاری می‌کنند. در ادامه وارد برنامه نویسی پایتون و نصب آن می‌شوید و با برنامه‌های ساده کار خود را شروع می‌کنید. سپس شما روش هایی را که در آن‌ها از متغیرها برای نگهداری داده‌ها استفاده می‌کنند را درک خواهید کرد و اینکه چگونه انواع داده ساده و پیچیده در پایتون در معنا متفاوت هستند. در پایان، شما می‌توانید دانش خود را با کار با ارزیابی شرطی و با استفاده از عبارات if، حلقه‌ها و توابع کامل کنید. همچنین شما می‌آموزید که چگونه پایتون با توابع به عنوان موجودیت‌های خیلی عالی که عامل اصلی برنامه نویسی تابعی هستند برخورد می‌کند. وقتی که این دوره را تمام کردید، مهارت و دانش  لازم را برای شناسایی موقعیت هایی که پایتون انتخاب مناسبی برای شماست، و همچنین اجرای برنامه‌های ساده اما قابل اطمینان را با استفاده از پایتون در اختیار خواهید داشت.

پایتون در سال‌های اخیر از نظر محبوبیت به حد انفجار رسیده است، و بیشتر به این دلیل که تجزیه و تحلیل و کار با داده‌ها را بسیار ساده کرده است. با وجود موفقیت بزرگ خود به عنوان یک ابزار نمونه اولیه سازی، پایتون هنوز هم برای توسعه بزرگ و در مقیاس سازمانی نسبتاً تأیید نشده است. در دوره ویدیویی Building Your First Python Analytics Solution موسسه Pluralsight که توسط Janani Ravi‌ تدریس شده است، شما توانایی شناسایی و استفاده از محیط توسعه و اجرای مناسب را برای سازمان خود به دست خواهید آورد.

در ابتدا، خواهید آموخت که چگونه Jupyter notebooks با وجود محبوبیت زیادشان، به اندازه محیط‌های توسعه یکپارچه حرفه ای یا IDE‌ها قوی نیستند. در ادامه خواهید فهمید که چگونه محیط‌های اجرایی مختلف، روش‌های دیگری برای پیکربندی کتابخانه‌های پایتون ارائه می‌دهند، و بطور مشخص چگونه دو تا از محبوب‌ترین این کتابخانه‌ها یعنی Conda و Pip با یکدیگر مقایسه می‌شوند. شما همچنین چندین محیط توسعه مختلف از جمله IDLE ،PyCharm ،Eclipse و Spyder را بررسی خواهید کرد. سرانجام، با اجرای پایتون در محیط‌های ابری شاخص، از جمله AWS ،Microsoft Azure و GCP، دانش خود را کامل می‌کنید. با به پایان رساندن این دوره، شما مهارت و دانش لازم برای شناسایی محیط‌های توسعه و اجرای صحیح برای Python را در بستر سازمانی خود در اختیار خواهید داشت.

در این دوره یاد می‌گیرید که چگونه داده‌ها را از یک صفحه وب ایستا با BeautifulSoup4 استخراج کرده و آن را به یک گزارش گرافیکی قابل توجه از داده‌ها در Jupyter Notebook تبدیل کنید. در دوره ویدیویی Web Scraping: Python Data Playbook موسسه Pluralsight که توسط Ian Ozsvald تدریس شده است، شما توانایی استخراج داده‌ها و ارائه گرافیکی آن‌ها را به دست خواهید آورد.

در این دوره، ابتدا استخراج داده‌ها با استفاده از ماژول درخواست‌ها و BeautifulSoup4 را یاد می‌گیرید. سپس نحوه نوشتن یک ماژول استخراج قابل اطمینان که توسط آزمون واحد پشتیبانی می‌شود را بررسی خواهید کرد. سرانجام، چگونگی تبدیل ستون‌های داده به گزارشی گرافیکی که نظر همکاران شما را تغییر می‌دهد را خواهید آموخت. وقتی که این دوره را به پایان رساندید شما دانش و مهارت استخراج وب که برای ایجاد یک Jupyter Notebook گرافیکی قابل توجه بدون استفاده از API  لازم است را در اختیار خواهید داشت.

کتاب Introduction to Python for Computer Science and Data Science دایتل، رویکردی منحصر به فرد برای آموزشی برنامه نویسی مقدماتی پایتون ارائه می‌دهد که برای مخاطبان علوم کامپیوتر و علوم داده مناسب است.

با ارائه جدیدترین موضوعات و برنامه ها، این کتاب با ضمیمه‌های مرسوم وسیع و همچنین ضمیمه‌های Jupyter Notebooks همراه شده است. مجموعه داده‌های دنیای واقعی و فناوری‌های هوش مصنوعی، به دانشجویان این امکان را می‌دهند تا در تجارت، صنعت، دولت و دانشگاه تفاوتی ایجاد کنند. صد‌ها مثال، تمرین، پروژه (EEPs) و پیاده سازی موارد مطالعاتی، به دانشجویان مقدمه ای جذاب، چالش برانگیز و سرگرم کننده از برنامه نویسی پایتون و علم داده عملی ارائه می‌دهد.

معماری ماژولار این کتاب به مدرسان این امکان را می‌دهد تا به راحتی متن این کتاب را با طیف وسیعی از دوره‌های علوم کامپیوتر و علوم داده که برای تعداد زیادی از رشته‌ها ارائه شده اند، وفق دهند. مدرسان علوم کامپیوتر به هر اندازه ای که دوست دارند می‌توانند مباحث مربوط به علوم داده و هوش مصنوعی را در این درس ادغام کنند و مدرسان علوم داده نیز می‌توانند به هر اندازه ای که دوست دارند پایتون را ادغام کنند.

اگر در سالهای اخیر در مهندسی نرم افزار ، به خصوص سیستم‌های سمت سرور و backend کار کرده اید، احتمالا با تعداد زیادی واژه مد روز در زمینه‌های ذخیره و پردازش داده‌ها بمباران شده اید. NoSQL، کلان داده، Web-scale، Sharding، Eventual consistency، ACID، تئوری CAP، سرویس‌های ابری، MapReduce و Real-Time. در دهه گذشته ما شاهد بهبود‌های جالب بسیاری در بانکهای اطلاعاتی، سیستمهای توزیع شده و نحوه ساختن برنامه‌ها با استفاده از آن‌ها هستیم.

برنامه‌های data-intensive، با استفاده از پیشرفت‌های این تکنولوژی ها، مرزهای آنچه که امکان پذیر بوده است را جابه جا کرده اند. ما به برنامه ای data-intensive می‌گوییم که اگر چالش اصلی آن حجم داده ها، پیچیدگی داده‌ها و یا سرعت تغییر داده‌ها باشد و این بر خلاف برنامه‌های  compute-intensive است که سایکل‌های CPU گلوگاه هستند.

ابزار‌ها و تکنولوژی هایی که به برنامه‌های data-intensive در ذخیره کردن و پردازش داده‌ها کمک می‌کنند، به سرعت با این تغییرات سازگار شده اند. انواع جدید سیستم‌های پایگاه داده «NoSQL»، توجه زیادی را به خود جلب کرده اند، اما صف‌های پیام، کش ها، ایندکس‌های جستجو، فریمورک‌ها برای پردازش استریم و batch و تکنولوژی‌های مرتبط نیز خیلی مهم هستند. برنامه‌های زیادی هستند که از ترکیب این‌ها استفاده می‌کنند.

خوشبختانه، در پشت تغییرات سریع فناوری، اصول ثابتی وجود دارند که عوض نمی‌شوند و مهم نیست که از چه نسخه‌ی ابزار خاصی استفاده می‌کنید. اگر آن اصول را خوب بفهمید، شما در موقعیتی قرار می‌گیرید که ببینید هر ابزاری به درد کجا می‌خود و چگونه به خوبی از آن استفاده کنید و از مشکلات جلوگیری کنید. این جایی است که این کتاب وارد می‌شود.

هدف کتاب طراحی برنامه‌های Data-Intensive، کمک به شما در پیدا کردن مسیر در بین چشم انداز متنوع و به سرعت در حال تغییر فناوری‌ها برای پردازش و ذخیره سازی داده‌ها است. این کتاب، آموزش یک ابزار خاص نیست و همچنین کتاب درسی پر از تئوری خشک نیست. در عوض ما به مثال هایی از سیستم‌های داده موفق خواهیم پرداخت: فناوری هایی که پایه و اساس بسیاری از برنامه‌های محبوب را تشکیل می‌دهند و باید نیازمندی‌های مقیاس پذیری، کارایی و قابلیت اطمینان را هر روزه تامین کنند.

در ادامه ما وارد جزئیات درون این سیستم‌ها می‌شویم، الگوریتم‌های کلیدی آن‌ها را از هم جدا می‌کنیم و در مورد اصولشان و مصالحه هایی که انجام داده اند بحث می‌کنیم. در این سفر ما سعی خواهیم کرد تا روش‌های مفید فکر کردن درباره سیستم‌های داده‌ها را پیدا کنیم؛ نه فقط در مورد نحوه کار آن ها، بلکه چرا این گونه کار می‌کنند و این که چه سوالاتی را باید بپرسیم.

مهارت‌های پایگاه داده در بین پر تقاضا‌ترین مهارت‌های دنیای IT قرار دارد. با استفاده از ویرایش سیزدهم کتاب طراحی، پیاده سازی و مدیریت سیستم‌های پایگاه داده، شما پایه ای قوی در طراحی و پیاده سازی پایگاه‌های داده با استفاده از رویکردی کاربردی و ساده به دست خواهید آورد.

ویرایش سیزدهم کتاب Database Systems، نحوه‌ی طراحی صحیح پایگاه‌های داده، نوشتن کوئری‌های SQL‌ را به همراه مثال‌های زیاد که در دنیای واقعی کاربرد دارند را به شما یاد می‌دهد. همچنین در این کتاب مباحث تجزیه و تحلیل کلان داده و NoSQL به همراه تکنولوژی‌های مرتبط به Hadoop نیز بررسی شده اند.