大数据与智能制造数据仓库设计重点基础知识点_第1页
大数据与智能制造数据仓库设计重点基础知识点_第2页
大数据与智能制造数据仓库设计重点基础知识点_第3页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

大数据与智能制造数据仓库设计重点基础知识点一、大数据与智能制造概述1.大数据定义与特点a.大数据定义：大数据是指规模巨大、类型多样、价值密度低的数据集合。b.大数据特点：数据量大、类型多、速度快、价值密度低。c.大数据应用领域：金融、医疗、教育、交通等。2.智能制造概念与关键技术c.智能制造应用领域：汽车、电子、机械、纺织等。3.数据仓库在智能制造中的应用a.数据仓库定义：数据仓库是一个集成的、面向主题的、非易失的、支持数据查询和分析的数据集合。b.数据仓库特点：集成性、主题性、非易失性、支持查询和分析。c.数据仓库在智能制造中的应用：生产过程监控、设备维护、供应链管理、产品研发等。二、数据仓库设计重点1.数据仓库架构设计a.数据仓库架构类型：星型架构、雪花型架构、星型雪花型架构。b.数据仓库架构设计原则：高可用性、高性能、可扩展性、易维护性。c.数据仓库架构设计步骤：需求分析、数据源选择、数据模型设计、数据抽取、数据存储、数据查询。2.数据仓库数据模型设计a.数据模型类型：关系型数据模型、维度型数据模型、实体关系型数据模型。b.数据模型设计原则：简洁性、一致性、可扩展性、可维护性。c.数据模型设计步骤：需求分析、实体识别、属性识别、关系识别、数据模型优化。3.数据仓库数据抽取与存储a.数据抽取方法：全量抽取、增量抽取、实时抽取。b.数据存储技术：关系型数据库、NoSQL数据库、分布式数据库。c.数据存储设计原则：数据一致性、数据完整性、数据安全性、数据可扩展性。三、数据仓库关键技术1.数据集成技术a.数据集成方法：ETL（提取、转换、加载）、数据同步、数据复制。b.数据集成工具：Informatica、Talend、Pentaho等。c.数据集成设计原则：数据一致性、数据完整性、数据安全性、数据可扩展性。2.数据质量管理技术a.数据质量问题：数据缺失、数据错误、数据不一致、数据重复。b.数据质量评估方法：数据质量指标、数据质量评分、数据质量报告。c.数据质量管理工具：DataCleaner、Talend、Informatica等。3.数据分析与挖掘技术a.数据分析方法：统计分析、机器学习、深度学习。b.数据挖掘方法：关联规则挖掘、聚类分析、分类分析、预测分析。c.数据分析与挖掘工具：R、Python、SAS、SPSS等。1.《大数据技术原理与应用》，张宇翔，电子工业出版社，2017年。2.《智能

人人文库> 全部分类> 生活休闲 > 科普知识

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论