Les meilleurs livres Big Data

Pour qui ? Cet ouvrage est une introduction destinée aux développeurs Python, statisticiens et étudiants ayant à résoudre des problèmes de data science et bien sûr, à toute personne curieuse d'avoir une vue d'ensemble de ce métier du futur. Mais ce livre s’adresse aussi, de manière détournée, à un public bien plus large ; car il permet d’en apprendre un peu plus sur la manipulation de la bibliothèque Matplotlib et permet de voir comment travailler des notions mathématiques plus générales qui ne sont pas forcément orientées science des données.

À l’intérieur : le livre démarre par une introduction très concrète à cette discipline, suivie par deux préalables, un cours accéléré de Python et un autre sur la visualisation des données grâce à Matplotlib.

Puis on se consacre à l’algèbre linéaire, les statistiques et les probabilités, pour ensuite aborder les notions d’analyse et d’apprentissage automatique, pas dans l’ordre exact, mais le tout au travers d’exemples parlants ou de cas réels, avec une approche très majoritairement informatique.

Enfin, le dernier chapitre donne les clés pour aller plus loin : les bibliothèques les plus répandues, les sites où trouver des jeux de données, les notions à approfondir, etc.

Détails : l’auteur réussit à expliquer beaucoup de notions mathématiques avec le minimum de connaissances requises en mathématiques. Dans chaque chapitre, on démarre l’explication par un exemple très concret pour entrer rapidement dans le code et très souvent, lorsque le sujet le permet, on trouve une illustration ou un graphique permettant de se rendre compte visuellement du concept mis en œuvre. À la fin de chaque chapitre, l’auteur indique comment aller plus loin en faisant référence à des ouvrages ou en dirigeant le lecteur vers les notions supplémentaires à acquérir.

J’ai apprécié qu’un certain nombre de fonctions aient été réécrites simplement pour améliorer la compréhension du livre tout en laissant le lecteur libre d’utiliser des fonctions optimisées dans des bibliothèques spécialisées. Cependant, cet ouvrage part du principe que vous connaissez Python et le cours accéléré du chapitre 2 ne peut pas se substituer à un vrai cours dédié à ce langage.

Comment s’en sert-on ? Ce livre se met en application avec IPython ou avec SciLab en se projetant, et un jeu de données.

Hadoop est probablement l'une des technologies phares actuelles dès que l'on s'approche du traitement de données à grande échelle. Cependant, l'écosystème ne cesse de grandir, avec de plus en plus de composants à connaître pour bien exploiter sa grappe de serveurs Hadoop. Ce livre fournit une introduction exhaustive à cet environnement, il vous familiarise rapidement avec l'ensemble des composants qui constituent Hadoop aujourd'hui.

L'un des grands avantages de cet ouvrage est qu'il recontextualise en permanence les éléments les uns par rapport aux autres : il devient aisé de se retrouver dans la jungle Hadoop. De même, chaque brique est présentée avec les objectifs et les contraintes qui l'ont vue naître, ce qui permet d'apprécier les choix techniques qui ont été posés. Le côté véritablement technique est largement présent : dès le premier chapitre, le lecteur est plongé dans des détails de l'organisation de Hadoop. L'un des maîtres-mots était de chercher à comprendre avant d'utiliser. Pari tenu !

À la fin de la lecture de l'ouvrage, vous êtes censés atteindre un niveau « professionnel » avec Hadoop. Les exemples vous montreront au moins comment utiliser chaque partie de Hadoop, d'une manière relativement basique, mais néanmoins suffisante pour bon nombre d'utilisations. L'aspect administration des machines n'est pas abordé, il ne fait pas partie du périmètre visé par l'auteur.

On peut regretter que le niveau attendu du lecteur ne soit pas clair : l'ouvrage rappelle (assez brièvement) ce qu'est une classe, une fonction, etc., alors que le public cible semble plutôt fin connaisseur de ces notions. Un point bien plus gênant est le nombre d'erreurs techniques, qui diminuent la crédibilité du texte. Par exemple, selon l'auteur, le format PDF est propriétaire (alors qu'il correspond à la norme ISO 32000-1 depuis 2008), W3Schools est un site officiel du W3C, Google utilise l'algorithme PageRank pour l'indexation (en réalité, uniquement pour mesurer la popularité de pages). De même, certains exemples ne sont pas toujours très bien choisis. Par exemple, présenter le NoSQL avec une application extrêmement bien traitée par des systèmes relationnels à très grande échelle (listes du personnel, des commandes) n'est pas le plus judicieux.

En résumé, ce livre aide à se forger une vue d'ensemble de Hadoop pour envisager de l'utiliser efficacement. Il ne fera pas du lecteur un maître, mais lui donnera les éléments nécessaires pour commencer son utilisation sereinement.

Hadoop est désormais un environnement dans lequel s'intègrent de nombreux composants, ayant parfois la même finalité. Cet ouvrage ne pourra bien entendu pas se montrer exhaustif dans la présentation de l'écosystème Hadoop. Toutefois il saura exposer au moins une brique de chaque type.

Tout au long des présentations, des illustrations pratiques sont effectuées afin de permettre même aux débutants de recontextualiser et d'expérimenter sans une certaine mesure. A la fin, le lecteur saura quels sont sont les briques types, pourquoi elles ont été créées, comment en utiliser sommairement au moins, et le nom de briques équivalentes si jamais il est amené à les rencontrer sur un projet existant.

Bien entendu, chaque brique méritant à elle-seule un livre, il faudra approfondir chaque étape. Mais ce n'est clairement pas la finalité de cet ouvrage.

Souvent malheureusement, l’utilisation d’une base NoSQL est « poussée » par des développeurs plus enclins à éviter les bases traditionnelles qu’à envisager le NoSQL comme un complément. Le fait que l’auteur soit issu du monde des bases relationnelles fut – pour moi - un facteur déterminant pour le choix de ce livre… et je n’ai pas été déçu.

La première partie est passionnante : elle traite des principaux thèmes du Big Data et des bases NoSql et les aborde de façon conviviale... Théorème, CAP, distribution des données, impédance… tout y passe… L'auteur a un évident sens de la vulgarisation qui rend des sujets absconds tout à fait passionnants…

La seconde partie décrit les principaux logiciels du marché, avec leurs spécificités, leurs carences et leurs forces... et chaque fois, un bref descriptif (ne vous attendez pas à un manuel d’installation !) de l'installation sur Linux qui permet de gagner passablement de temps si vous voulez tester vous-même.

Après avoir survolé tous ces logiciels, le début de la troisième partie vient à point nommé pour nous aider à faire notre choix. La suite de cette partie est consacrée à la mise en place plus en détail d'une solution NoSQL : c'est la partie "cas pratique" de l'ouvrage.

Ce livre atteint son but si vous comprenez que

• le NoSQL est là pour palier des carences des bases relationnelles, et pas pour les remplacer,
• vous ne pourrez choisir UNE base NoSQL, mais certaines s'imposeront selon vos besoins spécifiques... à ce titre, les pages 256 à 260 de comparaison enfouies dans la partie 3 de l'ouvrage, méritent à elles seules intérêt...

Quelques petits bémols cependant :

• on tombe parfois dans des détails qui amènent passablement de code et n'apportent techniquement pas grand-chose... L'explication sur Lisp en est un exemple... Hormis démontrer que le sujet est maîtriser, cela n'apporte rien à la démonstration.
• la conclusion n'amène rien de bien profond...
• quelques bases manquent à l'analyse...

En résumé, un ouvrage de vulgarisation indispensable… même si vous ne voulez pas implémenter une base NoSQL dans un avenir proche... Plusieurs thèmes abordés peuvent vous donner des pistes de développement / d’administration de vos bases relationnelles pour leur permettre des montées en charge moins pénibles…

Cet ouvrage est destiné à un public initié aux concepts de base de données, mais ne nécessite aucune expérience particulière. Il commence par une présentation de l'approche NoSQL, et en particulier de la famille « orientée graphes » dont fait partie Neo4j. À ce stade, un léger reproche serait à émettre : il n'y a pas de comparaison des grandes familles en termes de type de requête, de volumétrie, etc. Or c'est parfois le critère pour choisir le type de base.

Ensuite, les différents chapitres exposent progressivement les notions utiles, depuis l'installation, le langage Cypher, jusqu'à la représentation graphique des graphes, etc. Tout est bien illustré et suit un fil conducteur grâce à l'exemple de la notation des films par une communauté.
À la fin, le fil conducteur est abandonné au profit d'un exemple autour d'une API Twitter. Ce choix s'explique par l'impossibilité du premier exemple d'illustrer le concept que les auteurs souhaitaient alors présenter : l'analyse d'influence dans une communauté d'utilisateurs.

Pour résumer, il s'agit d'un bon ouvrage pour débutants ou pour toute personne souhaitant obtenir des notions autour des bases orientées graphes. Il est très simple d'accès, peut-être trop finalement… on reste un peu sur sa faim, surtout avec l'absence de comparatifs autour des analyses présentées sur d'autres modèles.

Cet ouvrage est destiné à un public initié à l'utilisation du langage Java et souhaitant commencer ses expérimentations Big-Data sur la plateforme Hadoop. Il sera guidé via de nombreux exemples de code, tout au long de ces travaux pratiques. Il abordera ainsi les notions d'ETL, de sérialisation, de cluster, etc.

En revanche, l'auteur passe beaucoup trop de temps à expliquer des notions simples. Il semble inutile de montrer comment recompiler chaque paquet utilisé : un seul exemple aurait suffi.
En effet, l'ouvrage finit par être lassant et n'explique pas réellement des notions essentielles autour de l'architecture d'un projet autour de Hadoop (un comble pour un ouvrage dit « par la pratique ») et ne fait qu'en effleurer les finalités. À moins qu'il ne cherche que des exemples à réutiliser en l'état et qu'il dispose d'une bonne connaissance des concepts, le lecteur devrait rester sur sa faim...

Cet ouvrage est destiné à un public initié à la programmation R et/ou Python. Pour profiter pleinement de son contenu, les bases de ces langages doivent être totalement maîtrisées.
Il permet au lecteur de survoler un vaste panel de techniques d'analyse de données. Chaque chapitre est illustré, un cas pratique est présenté et enfin il contient des références pour approfondir ses connaissances.

Les auteurs font preuve d'un sens de la vulgarisation, et permettent au lecteur de mieux appréhender le travail de « data scientist ».
En revanche, il faut signaler que cet ouvrage est bien plus adapté aux techniques d'apprentissage qu'à des usages purement statistiques.

La couverture du livre donne le ton, c'est un ouvrage qui s'adresse aux personnes intéressées par le métier de « Data Scientist », le buzz word du moment. L'ouvrage se décompose en trois grandes parties. La première discute du Big Data, de ses origines, comment il est intégré dans les entreprises et des nouveaux outils pour le stockage (NoSQL) et le traitement (MapReduce). Dans une deuxième partie, les auteurs s'intéressent principalement au cycle de vie de la donnée et présentent essentiellement de nombreux algorithmes de machine Learning. Enfin une dernière partie se focalise sur les outils pour faire du Big Data. De manière générale, cet ouvrage est très agréable à lire. Il propose de nombreux retours d'expérience et d'exemples simples qui illustrent la présentation des algorithmes de machine Learning.

Cet ouvrage n'est pas du tout technique, vous ne trouverez pas de code Java sur comment développer un algorithme MapReduce. Il ne demande pas de connaissance approfondie. Il s'agit d'un livre qui présente les concepts autour du machine Learning et donne un horizon de l'écosystème existant concernant les outils dédiés. De mon point de vue, ce livre a su compléter mes connaissances en termes d'usage des technologies BigData. En effet, je me suis intéressé au monde du Big Data en commençant par la technique via Hadoop et certains NoSQL. Toutefois, il m'était toujours difficile de savoir à quel moment exploiter ces technologies, les cas réels. Il est difficile de s'y émerger quand on ne travaille pas explicitement dessus. Ce livre apporte des débuts de réponse. J'apprécie aussi l'honnêteté des auteurs qui mettent en garde les lecteurs : tout problème ne se résout pas forcément par un problème Big Data !

Concernant les quelques points négatifs, j'en ai relevé quelques-uns qui sont globalement très légers.

• Le premier concerne la troisième partie qui se focalise sur les outils pour faire du Big Data. Je trouve qu'un grand nombre de chapitres de cette dernière partie auraient pu être mis en première partie et consacrer une partie exclusive aux études de cas. Certes, il y a un chapitre sur l'utilisation de Hive et Pig pour le traitement de logs, mais un chapitre spécifique avec plusieurs études de cas aurait pu être intéressant. J'ai eu quelque mal à trouver comment appliquer les algorithmes de machine Learning sur le modèle de programmation MapReduce.
• Le deuxième concerne l'utilisation exclusive MapReduce comme unique modèle de programmation. Certes les auteurs citent clairement qu'il y a un nouveau besoin de modèle de programmation temps réel, que le modèle de programmation de Spark est plus efficace face à MapReduce, mais tout au long de la lecture, on peut penser qu'il n'y a que celui-ci. J'ai hésité à donner ce point négatif, mais le livre est quand même récent, il date de 2015.

En conclusion, il s'agit d'un très bon livre, qui structure le cycle de vie de la donnée et donne des informations pertinentes.

Ce livre expose des notions de base sur big data, comme l'indique son titre, et du data science. Il se compose de trois parties.

La première et la troisième partie portent principalement sur le big data et les technologies nouvelles dans ce domaine telles que l'algorithme Map Reduce, l'architecture Lambda et la plateforme Hadoop.

La deuxième partie porte sur le data science et principalement sur l'application du machine learning en citant ses différents algorithmes et en exposant les démarches d'un data scientist dans la conception de sa solution.

Le livre présente des explications simples de multiples notions liées au big data et au data science, grâce à des illustratifs faciles à comprendre, notamment dans la deuxième partie où il expose quelques exemples concrets sur l'impact du data science sur le succès des entreprises ainsi que sur l'interprétation des données dans des cas réels.

Ce qui doit être pris en considération (et qui est d'ailleurs mentionné au début du livre) est le fait que ces trois parties sont indépendantes et peuvent être lues séparément, autrement le lecteur risque de se perdre, car il n'y a pas d’enchaînement logique entre ces trois parties.

Enfin, ce livre est un bon manuel pour les professionnels de l'informatique décisionnelle qui veulent mieux exploiter leurs données et aussi pour les développeurs et architectes qui souhaitent connaitre des généralités sur le big data et le data science.

Big Data et Data Scientist deux mots (quatre en réalité mais qui ne marche que par deux) que l'on entend et trouve un peu partout. Cependant dur de réussir à comprendre ce qui se cache derrière. Qu'est-ce qui fait qu'un gisement de donnée est appelé Big Data alors que d'autre non ? Quel est le véritable boulot d'un Data Scientist et comment le devient-on ? Comment différencier le baratin commercial de la réalité du terrain ? Voila déjà a quoi sert ce livre et rien que pour ça il mérite d'être lu. Mais il va encore plus loin en expliquant quel outil existe pour faire du big data et les différents algorithmes. Sans connaissance mathématique et notamment en statistique ces passages sont assez durs à lire et à comprendre mais il reste nécessaire de connaitre leurs utilités et leurs cas d’utilisations.

Ce livre explique aussi ce qu'est le célèbre algorithme MapReduce. A quoi il sert et les problématique qu'il résout. Hadoop est aussi passer à la moulinette pour comprendre son principe, des rappels sur le NoSQL sont abordés sans trop rentrer dans le détail toute fois. Avec ce livre on fait un grand bon dans la compréhension de l'informatique aujourd'hui. Pour quiconque qui s’intéresse au différent mouvement de nos jours, c'est le livre à lire. Mieux même, toute personne souhaitant aborder le big data pour la première fois, c'est aussi le meilleurs point de départ que l'on puisse conseiller. En plus des étudiants en informatique, des DSI, des développeurs et de toute personne qui est informaticiens à qui on conseille de lire des livres en général, celui-ci je le conseillerai aussi au métier car en plus de peaufiner leur culture sur le Big Data ils se doivent de connaitre le métier de Data Scientist qui a mon sens représente une véritable évolution dans la relation Métier-DSI.

Avec ce livre j’ai pu participer à des conférences et des présentations d’outils de Big Data comme Zepelin ou Spark et comprendre ce qui m’était raconté. Je ne regrette définitivement pas la lecture de ce livre.

Cet ouvrage concerne deux mots qui reviennent régulièrement à l'actualité : le « big data » et le « machine learning ». Il dresse effectivement un tour d'horizon assez large de cet univers : toutes les étapes d'un projet d'exploitation de données sont traitées, depuis les questions auxquelles on peut s'attendre à trouver une réponse au traitement des données, depuis le déploiement d'une grappe de calcul jusqu'aux algorithmes qui y tourneront, sans oublier la visualisation.

Le principal avantage du livre est qu'il présente, dans un format compact, l'ensemble des notions de base utiles à toute personne devant intervenir dans un projet d'exploitation de données. Son public est donc assez large, le contenu ne nécessite bien souvent pas une longue expérience en informatique pour s'y retrouver : les auteurs assument entièrement ce choix. Les explications sont généralement claires, ce qui cadre bien avec l'objectif ; les nombreuses illustrations aident également. Malgré les quatre auteurs, l'ensemble est extrêmement fluide.

Le livre n'hésite pas à tordre le cou à certaines idées reçues. Non, la science de données n'est pas neuve : ce qui l'est, c'est la capacité (technique) de gérer de grands volumes d'information. Non, de grandes quantités de données ne résoudront pas tout problème dans une entreprise.

Les aspects réellement techniques ne sont pas oubliés. Le livre s'appesantit sur l'architecture MapReduce avec l'outil Hadoop pour déployer les calculs à large échelle, mais n'oublie pas de présenter YARN ou Drill. Conformément à l'esprit des auteurs, l'installation des outils est mise sur le côté, puisqu'ils préfèrent parler de distributions qui facilitent en bonne partie le travail et sont très bien adaptées à ceux qui débutent dans le domaine.

On peut cependant noter l'un ou l'autre point faible. Le côté apprentissage automatique est extrêmement limité, malgré sa présence dans le titre. La section sur l'apprentissage profond dénote fortement avec le reste du chapitre, étant extrêmement mathématique (au contraire du reste de l'ouvrage !). Une seule étude de cas est présentée, ce qui est dommage, notamment au niveau de la partie sur les outils.

Pour résumer, ce livre est à mettre entre toutes les mains des personnes qui aimeraient découvrir le domaine de l'exploitation des données à grande échelle. Elles auront un aperçu complet et bon nombre de pointeurs pour continuer leur apprentissage.