-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathdag1.html
More file actions
827 lines (680 loc) · 27.3 KB
/
dag1.html
File metadata and controls
827 lines (680 loc) · 27.3 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
<!DOCTYPE html>
<html lang="du">
<head>
<meta charset="utf-8"/>
<title>TAAI-V2DIP Distributed Processing</title>
<meta name="author" content="((link (:type mailto :path roelant.ossewaarde@hu.nl :format bracket :raw-link mailto:roelant.ossewaarde@hu.nl :application nil :search-option nil :begin 1 :end 57 :contents-begin 36 :contents-end 54 :post-blank 1 :parent #0) Roelant Ossewaarde) , D 2019-2020)"/>
<style type="text/css">
.underline { text-decoration: underline; }
</style>
<link rel="stylesheet" href="./reveal.js/css/reveal.css"/>
<link rel="stylesheet" href="./reveal.js/css/theme/simple.css" id="theme"/>
<link rel="stylesheet" href="./personalization.css"/>
<!-- If the query includes 'print-pdf', include the PDF print sheet -->
<script>
if( window.location.search.match( /print-pdf/gi ) ) {
var link = document.createElement( 'link' );
link.rel = 'stylesheet';
link.type = 'text/css';
link.href = './reveal.js/css/print/pdf.css';
document.getElementsByTagName( 'head' )[0].appendChild( link );
}
</script>
</head>
<body>
<div class="reveal">
<div class="slides">
<section id="sec-title-slide" data-background="images/huhl15.jpg"><h1>TAAI-V2DIP Distributed Processing</h1><h3>Introductie, thema's: V's, architecturen</h3><p><small><a href="mailto:roelant.ossewaarde@hu.nl">Roelant Ossewaarde</a> , D 2019-2020</small></p>
</section>
<section>
<section id="slide-orged6c096">
<h2 id="orged6c096"><span class="section-number-2">1</span> Introductie</h2>
<p>
Deze slides horen bij de cursus <a href="https://canvas.hu.nl/courses/7561">AAI Distributed Processing</a>.
</p>
</section>
<section id="slide-orgf2b91e6">
<h3 id="orgf2b91e6"><span class="section-number-3">1.1</span> Over Big Data</h3>
<a href="https://roelanto.shinyapps.io/bigdata1/" data-preview-link>Systemen</a> waarin data zó snel groeit dat de kosten van opslag en verwerking per datapunt hoger wordt dan de waarde er van.
</section>
<section id="slide-org95f4212">
<h3 id="org95f4212"><span class="section-number-3">1.2</span> Visualizatie van typen data</h3>
<div class="figure">
<p><img src="./images/growthofdata.png" alt="growthofdata.png" />
</p>
</div>
</section>
<section id="slide-org4e7f8b3">
<h3 id="org4e7f8b3"><span class="section-number-3">1.3</span> Vijf V's</h3>
<p>
De toename van het <b>volume</b> van data stelt nieuwe eisen aan de manier waarop we data opslaan (<b>storage</b>) en aan de manier waarop we data opvragen (<b>retrieval</b>).
</p>
<p>
Tegelijkertijd is het steeds belangrijker dat de snelheid (<b>velocity</b>) van dataverwerking niet afneemt.
</p>
<p>
Ook de variëteit (<b>variety</b>) aan opgeslagen data verandert: er wordt per jaar bijna drie keer zo veel ongestructureerde data opgeslagen als gestructureerde data.
</p>
<p>
Het belang – en dus ook de waarde <b>Value</b> – van data in bedrijven neemt toe.
</p>
<p>
Voor sommige bedrijfsprocessen hoeft data niet per se 100% de werkelijkheid weer te geven <b>veracity</b>.
</p>
</section>
<section id="slide-orgd532d8f">
<h3 id="orgd532d8f"><span class="section-number-3">1.4</span> Cursus outline</h3>
<p>
Onderwerpen die we bespreken:
</p>
<ul>
<li>Hoe je algoritmes in een Big Data omgeving distribueert.</li>
<li>Big Data Architectuur
<ul>
<li>Lambda en Kappa architectuur</li>
</ul></li>
<li>Big Data Storage & Retrieval
<ul>
<li>HDFS</li>
<li>NoSQL oplossingen</li>
</ul></li>
<li>Big Data Processing
<ul>
<li>Parallel en gedistribueerd programmeren</li>
<li>MapReduce</li>
<li>Stream processing (Apache Spark & Flink)</li>
</ul></li>
<li>Big Data Analyse (Machine Learning)</li>
</ul>
</section>
<section id="slide-org86981ad" data-background="#dbdbed" class="table-small">
<h3 id="org86981ad"><span class="section-number-3">1.5</span> Programma</h3>
<table border="2" cellspacing="0" cellpadding="6" rules="groups" frame="hsides">
<colgroup>
<col class="org-right" />
<col class="org-left" />
<col class="org-left" />
<col class="org-left" />
<col class="org-left" />
</colgroup>
<thead>
<tr>
<th scope="col" class="org-right">Lesweek</th>
<th scope="col" class="org-left">Dag</th>
<th scope="col" class="org-left">Onderwerp</th>
<th scope="col" class="org-left">Opdracht</th>
<th scope="col" class="org-left">Voorbereiding</th>
</tr>
</thead>
<tbody>
<tr>
<td class="org-right">1</td>
<td class="org-left">di 14 apr</td>
<td class="org-left"><a href="https://huict.github.io/tict-vkbdsd-17/dag1.html">Introductie; NoSQL, Big Data</a></td>
<td class="org-left"> </td>
<td class="org-left"> </td>
</tr>
<tr>
<td class="org-right">1</td>
<td class="org-left">vr 17 apr</td>
<td class="org-left"> </td>
<td class="org-left"><a href="https://canvas.hu.nl/courses/7561/assignments/77191">Opdracht 1</a> inleveren</td>
<td class="org-left"> </td>
</tr>
<tr>
<td class="org-right">2</td>
<td class="org-left">di 21 apr</td>
<td class="org-left"><a href="https://huict.github.io/tict-vkbdsd-17/dag3.html">ADD, Apache ecostructuur</a></td>
<td class="org-left"> </td>
<td class="org-left"><a href="http://ptgmedia.pearsoncmg.com/images/9780134390789/samplepages/9780134390789.pdf">Kazman, ch. 2</a></td>
</tr>
<tr>
<td class="org-right">2</td>
<td class="org-left">vr 24</td>
<td class="org-left"> </td>
<td class="org-left">peer review 1 inleveren</td>
<td class="org-left"> </td>
</tr>
<tr>
<td class="org-right">**</td>
<td class="org-left">**</td>
<td class="org-left">Paasvakantie</td>
<td class="org-left"> </td>
<td class="org-left"> </td>
</tr>
<tr>
<td class="org-right">3</td>
<td class="org-left">di 5 mei</td>
<td class="org-left">Bevrijdingsdag</td>
<td class="org-left"> </td>
<td class="org-left"> </td>
</tr>
<tr>
<td class="org-right">3</td>
<td class="org-left">vr 8 mei</td>
<td class="org-left"><a href="https://huict.github.io/tict-vkbdsd-17/dag5.html">Nog meer architecturen, HDFS, dataopslag</a></td>
<td class="org-left"> </td>
<td class="org-left"> </td>
</tr>
<tr>
<td class="org-right">4</td>
<td class="org-left">di 12 mei</td>
<td class="org-left"><a href="https://huict.github.io/tict-vkbdsd-17/dag7.html">Streams & Apache; Spark</a></td>
<td class="org-left"> </td>
<td class="org-left"> </td>
</tr>
<tr>
<td class="org-right">4</td>
<td class="org-left">vr 15 mei</td>
<td class="org-left"> </td>
<td class="org-left"><a href="https://canvas.hu.nl/courses/7561/assignments/77318">Opdracht 2</a> inleveren</td>
<td class="org-left"> </td>
</tr>
<tr>
<td class="org-right">5</td>
<td class="org-left">di 19 mei</td>
<td class="org-left"><a href="https://huict.github.io/tict-vkbdsd-17/dag9.html">Casus: actuele systemen</a></td>
<td class="org-left"> </td>
<td class="org-left"><a href="https://www.infoq.com/articles/netflix-migrating-stream-processing">Case-study streaming Netflix</a></td>
</tr>
<tr>
<td class="org-right">5</td>
<td class="org-left">vr 22 mei</td>
<td class="org-left"> </td>
<td class="org-left"> </td>
<td class="org-left"> </td>
</tr>
<tr>
<td class="org-right">6</td>
<td class="org-left">di 26 mei</td>
<td class="org-left"><a href="https://huict.github.io/tict-vkbdsd-17/dag11.html">Proeftentamen, losse eindjes</a></td>
<td class="org-left"> </td>
<td class="org-left"> </td>
</tr>
<tr>
<td class="org-right">6</td>
<td class="org-left">vr 29 mei</td>
<td class="org-left"> </td>
<td class="org-left"><a href="https://canvas.hu.nl/courses/7561/assignments/77319">Opdracht 3</a> inleveren</td>
<td class="org-left"> </td>
</tr>
</tbody>
</table>
<ul>
<li>De contactmomenten vinden steeds plaats via de discord-server.</li>
<li><a href="https://canvas.hu.nl/courses/7561/assignments/77318">Opdracht 2</a> wordt ingeleverd via de <a href="https://www.kaggle.com/c/hu-dip-bike-rentals">Kaggle HU-DIP Bike Rentals competitie</a>.</li>
<li><a href="https://canvas.hu.nl/courses/7561/assignments/77319">Opdracht 3</a> wordt ingeleverd via <a href="https://classroom.github.com/classrooms/18382135-hogeschool-utrecht-institute-for-ict-ai-dip">Github Classroom</a>.</li>
</ul>
</section>
<section id="slide-orgea6bdd8">
<h3 id="orgea6bdd8"><span class="section-number-3">1.6</span> Toetsing</h3>
<ul>
<li>Opdracht:
<ul>
<li>Je moet elk van de opdrachten voldoende afronden.</li>
<li>Er zijn drie opdrachten die meetellen voor je cijfer.</li>
<li>De opdrachten "volgen" op elkaar. Je kunt dus niet achterlopen.</li>
</ul></li>
</ul>
</section>
</section>
<section>
<section id="slide-orgc161522">
<h2 id="orgc161522"><span class="section-number-2">2</span> Soorten data: OLTP vs OLAP</h2>
<p>
Een belangrijke toepassing van databases is om een analyse te doen van data: <b>Online Analytic Processing</b> (OLAP). Opgezochte informatie wordt dan vaak gebruikt om bedrijfsprocessen te sturen; de database wordt gebruikt als <b>decision support system</b>. Een bedrijf wil bijvoorbeeld weten welke producten beter of juist minder goed verkopen.
</p>
<p>
Decision support queries bevragen vaak grote datasets. Ter contrast: het registreren van bedrijfsprocessen raakt vaak maar een klein stukje van de database. Systemen die vooral registreren worden <b>Online Transaction Processing</b> (OLTP) genoemd.
</p>
<p>
Als je een aankoop doet bij Albert Heijn wordt die geregistreerd in een OLTP-systeem. Als Albert Heijn wil weten welke artikelen goed verkopen, gebruiken ze een OLAP-systeem.
</p>
</section>
<section id="slide-orgf4e5b74">
<h3 id="orgf4e5b74"><span class="section-number-3">2.1</span> Verschil OLTP en OLAP.</h3>
<p>
OLTP gaat uit van sommige aannames:
</p>
<ol>
<li>Informatie-elementen worden altijd maar één keer, op één plaats, opgeslagen, om redundantie te voorkomen. Updates worden daardoor ook snel.</li>
<li>Queries mogen complex zijn, want ze veranderen niet vaak.</li>
<li>Full table scans worden zo veel mogelijk vermeden.</li>
</ol>
<p>
OLAP-queries zijn bijna altijd ad-hoc, en dus kun je de database niet vantevoren optimaliseren.
</p>
</section>
<section id="slide-org7b7a236">
<h3 id="org7b7a236"><span class="section-number-3">2.2</span> Uitgewerkt voorbeeld</h3>
<p>
Gegeven een standaard database met gegevens van <b>producten</b>, <b>winkels</b> en <b>verkoop</b>.
</p>
<div class="figure">
<p><img src="./images/sales.png" alt="sales.png" />
</p>
</div>
</section>
<section id="slide-orgfccd038" data-background="./images/wpcoke.jpg" data-background-transition="slide" data-background-opacity="0.2">
<h4 id="orgfccd038"><span class="section-number-4">2.2.1</span> Voorbeeld-query #1</h4>
<p>
Hoe veel Prodent tandpasta hebben we gisteren verkocht in kleine gemeentes?
</p>
<div class="org-src-container">
<pre class="src src-sql"><code trim><span style="color: #a020f0;">SELECT</span> <span style="color: #483d8b;">SUM</span>(sale.quantity_sold)
<span style="color: #a020f0;">FROM</span> sale,
product,
product_category,
manufacturer,
store,
city
<span style="color: #a020f0;">WHERE</span> manufacturer_name = <span style="color: #8b2252;">'Prodent'</span>
<span style="color: #a020f0;">AND</span> product_category_name = <span style="color: #8b2252;">'tandpasta'</span>
<span style="color: #a020f0;">AND</span> city.population < 40000
<span style="color: #a020f0;">AND</span> sale.product_id = product.product_id
<span style="color: #a020f0;">AND</span> sale.store_id = store.store_id
<span style="color: #a020f0;">AND</span> <span style="color: #228b22;">Date</span>(sale.date_time_of_sale) = <span style="color: #228b22;">Date</span>(Sysdate()) - 1
<span style="color: #a020f0;">AND</span> product.product_category_id = product_category.product_category_id
<span style="color: #a020f0;">AND</span> product.manufacturer_id = manufacturer.manufacturer_id
<span style="color: #a020f0;">AND</span> store.city_id = city.city_id;
</code></pre>
</div>
</section>
<section id="slide-org8b1a425">
<h4 id="org8b1a425"><span class="section-number-4">2.2.2</span> Voorbeeld-query : opwarmen</h4>
<p>
Query 2: Hoe veel producten hebben we in vakantiedagen verkocht?
</p>
<div class="org-src-container">
<pre class="src src-sql"><code trim><span style="color: #a020f0;">SELECT</span> <span style="color: #483d8b;">SUM</span>(sale.quantity_sold)
<span style="color: #a020f0;">FROM</span> sale,
holiday_map
<span style="color: #a020f0;">WHERE</span> <span style="color: #228b22;">DATE</span>(sale.date_time_of_sale) = <span style="color: #228b22;">DATE</span>(holiday_map.holiday_date);
</code></pre>
</div>
<p>
<b>Zelf doen:</b> stel een query op voor de volgende vraag:
</p>
<p>
<i>Query 3: Hoe veel producten hebben we op niet-vakantiedagen verkocht?</i>
</p>
<ul>
<li>Gebruik een kant-en-klare database:
<ul>
<li>Log in via <a href="http://198.211.127.65/phpmyadmin">http://198.211.127.65/phpmyadmin</a>.</li>
<li>Gebruik als username / wachtwoord: je studentnummer.</li>
<li>Gebruik database: <code>sales</code>.</li>
</ul></li>
<li>Of maak je eigen database aan mbv. dit <a href="./resources/create_sales.sql">create-script</a>.</li>
</ul>
<p>
Het antwoord moet zijn: 2006.
</p>
</section>
<section id="slide-orgfea4461">
<h4 id="orgfea4461"><span class="section-number-4">2.2.3</span> Voorbeeld-query: performance</h4>
<p>
Query 4: Welke winkels verkopen best-sellers?
</p>
<div class="org-src-container">
<pre class="src src-sql"><code trim><span style="color: #a020f0;">SELECT</span> store_id
<span style="color: #a020f0;">FROM</span> sale
<span style="color: #a020f0;">GROUP</span> <span style="color: #a020f0;">BY</span> store_id
<span style="color: #a020f0;">HAVING</span> <span style="color: #483d8b;">SUM</span>(quantity_sold) > 1000;
</code></pre>
</div>
<p>
<b>Zelf doen:</b> stel een query op voor de volgende vraag:
</p>
<p>
<i>Query 5: Wat wordt er verkocht in de winkels met best-sellers?</i>
</p>
<ul>
<li>Gebruik een kant-en-klare database:
<ul>
<li>Log in via <a href="http://198.211.127.65/phpmyadmin">http://198.211.127.65/phpmyadmin</a>.</li>
<li>Gebruik als username / wachtwoord: je studentnummer.</li>
<li>Gebruik database: <code>sales</code>.</li>
</ul></li>
<li>Of maak je eigen database aan mbv. dit <a href="./resources/create_sales.sql">create-script</a>.</li>
</ul>
<p>
Het antwoord moet zijn: 2004.
</p>
</section>
<section id="slide-org31ae70a">
<h3 id="org31ae70a"><span class="section-number-3">2.3</span> Sterschema: gedenormaliseerde database.</h3>
<p>
De objects of interest staan gegroepeerd in een <b>fact table</b> met zogenaamde <b>dependent attributes</b>, en alle eigenschappen staan in zogenaamde <b>dimension tables</b>. De fact table vormt het midden van de ster, en de dimension tables zijn de punten van de ster. Dimensies van een tabel met verkoop kunnen zijn: de datum van verkoop, de plaats van verkoop, het type item, de betaal-methode, etc.
</p>
<p>
In het eerste jaar in de database-cursus wordt juist een andere manier aangeleerd om schema's te ontwerpen, namelijk door normalizatie-regels.
</p>
</section>
<section id="slide-orgaba6fdf">
<h4 id="orgaba6fdf"><span class="section-number-4">2.3.1</span> Star schema voorbeeld</h4>
<p>
Dimensioneel (Star schema):
<img src="./images/sales_star.png" alt="sales_star.png" />
</p>
<ul>
<li>Redundantie in de tabellen, bijvoorbeeld: bij iedere winkel wordt ook gelijk de stad opgeslagen.</li>
<li>Eén fact-tabel, meerdere (vele) dimensies.</li>
<li><code>time_dimension</code> bevat al allerlei extra informatie over een datum om rekenen te verminderen.</li>
<li>Alleen die gegevens die nodig zijn voor <i>analyse</i> zijn opgeslagen.</li>
</ul>
</section>
<section id="slide-org45e0ab0">
<h4 id="org45e0ab0"><span class="section-number-4">2.3.2</span> Star schema queries</h4>
<p>
Query 2: Hoe veel producten hebben we in vakantiedagen verkocht?
</p>
<div class="org-src-container">
<pre class="src src-sql"><code trim><span style="color: #a020f0;">SELECT</span> td.holiday_flag, <span style="color: #483d8b;">SUM</span>(f.unit_sales)
<span style="color: #a020f0;">FROM</span> sale_fact f, time_dimension td
<span style="color: #a020f0;">WHERE</span> f.time_key = td.time_key
<span style="color: #a020f0;">AND</span> td.holiday_flag = <span style="color: #8b2252;">'t'</span>
<span style="color: #a020f0;">GROUP</span> <span style="color: #a020f0;">BY</span> td.holiday_flag;
</code></pre>
</div>
<pre class="example">
+--------------+-------------------+
| holiday_flag | SUM(f.unit_sales) |
+--------------+-------------------+
| t | 2 |
+--------------+-------------------+
1 row in set (0.00 sec)
</pre>
<p>
Query 4: Welke winkels verkopen best-sellers?
</p>
<div class="org-src-container">
<pre class="src src-sql"><code trim><span style="color: #a020f0;">SELECT</span> sd.store_key, sd.<span style="color: #a020f0;">name</span>
<span style="color: #a020f0;">FROM</span> sale_fact f, store_dimension sd
<span style="color: #a020f0;">WHERE</span> f.store_key = sd.store_key
<span style="color: #a020f0;">GROUP</span> <span style="color: #a020f0;">BY</span> sd.store_key
<span style="color: #a020f0;">HAVING</span> <span style="color: #483d8b;">SUM</span>(f.unit_sales) > 1000
</code></pre>
</div>
<pre class="example">
+-----------+-----------------------------+
| store_key | name |
+-----------+-----------------------------+
| 16 | Albert Heijn Sarphatistraat |
+-----------+-----------------------------+
1 row in set (0.00 sec)
</pre>
</section>
<section id="slide-org7b1a251">
<h4 id="org7b1a251"><span class="section-number-4">2.3.3</span> Star schema: zelf doen</h4>
<p>
Stel zelf de juiste queries op, maar nu in het star schema:
</p>
<p>
<i>Query 3: Hoe veel producten hebben we op niet-vakantiedagen verkocht?</i>
</p>
<p>
Juiste antwoord: 2006
</p>
<p>
<i>Query 5: Wat wordt er verkocht in de winkels met best-sellers?</i>
</p>
<p>
Juiste antwoord: 2004
</p>
<ul>
<li>Gebruik een kant-en-klare database:
<ul>
<li>Log in via <a href="http://198.211.127.65/phpmyadmin">http://198.211.127.65/phpmyadmin</a>.</li>
<li>Gebruik als username / wachtwoord: je studentnummer.</li>
<li>Gebruik database: <code>sales_star</code>.</li>
</ul></li>
<li>Of maak je eigen database aan mbv. dit <a href="./resources/create_sales_star.sql">create-script</a>.</li>
</ul>
</section>
<section id="slide-orgeebe070">
<h4 id="orgeebe070"><span class="section-number-4">2.3.4</span> Slicing en dicing</h4>
<p>
Het is nu vrij eenvoudig om <i>per dimensie</i> de data samen te vatten:
</p>
<p>
Verkopen per fiscale periode:
</p>
<div class="org-src-container">
<pre class="src src-sql"><code trim><span style="color: #a020f0;">SELECT</span> td.fiscal_period, <span style="color: #483d8b;">SUM</span>(f.dollar_sales)
<span style="color: #a020f0;">FROM</span> sale_fact f, time_dimension td
<span style="color: #a020f0;">WHERE</span> f.time_key = td.time_key
<span style="color: #a020f0;">GROUP</span> <span style="color: #a020f0;">BY</span> td.fiscal_period;
</code></pre>
</div>
<pre class="example">
+---------------+---------------------+
| fiscal_period | SUM(f.dollar_sales) |
+---------------+---------------------+
| DEC. 2019 | 5505.50 |
| NOV. 2019 | 11.80 |
+---------------+---------------------+
2 rows in set (0.00 sec)
</pre>
<p>
Verkopen per stad
</p>
<div class="org-src-container">
<pre class="src src-sql"><code trim><span style="color: #a020f0;">SELECT</span> sd.city, <span style="color: #483d8b;">SUM</span>(f.dollar_sales)
<span style="color: #a020f0;">FROM</span> sale_fact f, store_dimension sd
<span style="color: #a020f0;">WHERE</span> f.store_key = sd.store_key
<span style="color: #a020f0;">GROUP</span> <span style="color: #a020f0;">BY</span> sd.city;
</code></pre>
</div>
<pre class="example">
+-----------+---------------------+
| city | SUM(f.dollar_sales) |
+-----------+---------------------+
| Amsterdam | 5511.00 |
| Bilthoven | 6.30 |
+-----------+---------------------+
2 rows in set (0.00 sec)
</pre>
</section>
<section id="slide-org2d18db6">
<h4 id="org2d18db6"><span class="section-number-4">2.3.5</span> Combineren van dimensies</h4>
<p>
Verkopen per stad per fiscale periode:
</p>
<div class="org-src-container">
<pre class="src src-sql"><code trim><span style="color: #a020f0;">select</span> sd.city, td.fiscal_period, <span style="color: #483d8b;">sum</span>(f.dollar_sales)
<span style="color: #a020f0;">from</span> sale_fact f, store_dimension sd, time_dimension td
<span style="color: #a020f0;">where</span> f.store_key = sd.store_key
<span style="color: #a020f0;">and</span> f.time_key = td.time_key
<span style="color: #a020f0;">group</span> <span style="color: #a020f0;">by</span> sd.store_key, td.fiscal_period;
</code></pre>
</div>
<pre class="example">
+-----------+---------------+---------------------+
| city | fiscal_period | sum(f.dollar_sales) |
+-----------+---------------+---------------------+
| Amsterdam | DEC. 2019 | 5500.00 |
| Amsterdam | NOV. 2019 | 11.00 |
| Bilthoven | DEC. 2019 | 5.50 |
| Bilthoven | NOV. 2019 | 0.80 |
+-----------+---------------+---------------------+
4 rows in set (0.00 sec)
</pre>
</section>
<section id="slide-orgac3cbaf">
<h3 id="orgac3cbaf"><span class="section-number-3">2.4</span> Slicing en dicing</h3>
<p>
Soms willen we de granulariteit van een dimensie verminderen. We zijn bijvoorbeeld niet geïnteresseerd in individuele auto's, maar in auto's gegroepeerd naar merk of kleur; of we willen alle verkopen op een dag nauwkeurig, in plaats van op de seconde nauwkeurig weten.
</p>
<p>
Voor dealers kunnen we indelen per dealer, per stad, per staat, of helemaal niet groeperen.
</p>
<p>
Het groeperen in een kubus heet <b>dicing</b>. We zijn vaak geinteresseerd in één specifieke dice: <b>slicing</b>. Queries die de data grover indelen, noemen we <b>roll up</b>-queries; een query die juist meer partities maakt en dus de data fijnmaziger indeelt, heet een <b>drill-down</b>-query.
</p>
</section>
<section id="slide-orgc2061f6">
<h3 id="orgc2061f6"><span class="section-number-3">2.5</span> De datakubus.</h3>
<div class="figure">
<p><img src="./images/cube.png" alt="cube.png" />
</p>
</div>
</section>
</section>
<section>
<section id="slide-org8d5b7f0">
<h2 id="org8d5b7f0"><span class="section-number-2">3</span> OLAP: Variety: Ongestructureerde data: text mining</h2>
<p>
Eén van de vijf V's van big data: <b>variety</b>.
</p>
<p>
Text mining representeert een klasse toepassingen waarbij uit
ongestructureerde data (teksten, plaatjes, video, audio) informatie
wordt verkregen.
</p>
<p>
In de kern gaat het bij text mining om het "samenvatten van tekst": afleiden van zinvolle karakteristieken waarmee je teksten kun vergelijken. Zo ook bij plaatjes/video/audio etc. Begrip: <i>features</i>.
</p>
</section>
<section id="slide-org93f05e9">
<h3 id="org93f05e9"><span class="section-number-3">3.1</span> Analyse van antwoorden op open vragen.</h3>
<p>
Bijvoorbeeld: klant-contact data en het vinden van sentiment.
</p>
<p>
Big Data projecten: Vodafone-Ziggo project.
</p>
</section>
<section id="slide-org948b820">
<h3 id="org948b820"><span class="section-number-3">3.2</span> Automatisch categoriseren van berichten, email.</h3>
<p>
Bijvoorbeeld: routeren van klantcontacten. Implementatie achter chatbots. Detectie van spam.
</p>
<p>
In video: vinden van illegale kopieën van video's op youtube.
</p>
</section>
<section id="slide-org34efaef">
<h3 id="org34efaef"><span class="section-number-3">3.3</span> Analyse van notities, bijvoorbeeld overdrachten medische dossiers, warranty claims bij verzekeringen.</h3>
<p>
In video: detecteren van beweging.
</p>
</section>
<section id="slide-orgea7a9c4">
<h3 id="orgea7a9c4"><span class="section-number-3">3.4</span> "Authorship attribution"</h3>
<p>
Gegeven een tekst, wie is de auteur?
</p>
<p>
Bijvoorbeeld belangrijk om te bepalen wat voor iemand een tweet heeft geplaatst (voor het targeten van advertenties).
</p>
<p>
Bijvoorbeeld: detectie van nepbellers bij de suicide hotlijn.
</p>
</section>
<section id="slide-orgf9ff62f">
<h3 id="orgf9ff62f"><span class="section-number-3">3.5</span> Named-Entity-Recognition.</h3>
<p>
Herkennen van namen en persoonsgerelateerde informatie.
</p>
<p>
Tegenwoordig zeer belangrijk om anonimiteit en privacy te garanderen (AVG),
</p>
<p>
Bijvoorbeeld: "Mijn tante <i>Elsbeth</i> ging gisteren naar <i>New York</i>."
</p>
<p>
In video: detecteren van objecten.
</p>
</section>
</section>
<section>
<section id="slide-org330c646">
<h2 id="org330c646"><span class="section-number-2">4</span> OLTP: Velocity: streaming data</h2>
<p>
Een <b>stream</b> is een <i>unbounded, continuous, real-time flow of records</i>.
</p>
<p>
Voorbeelden:
</p>
<ol>
<li>GPS-bewegingen van voertuigem.</li>
<li>Financiële transacties.</li>
<li>Web traffic op websites</li>
<li>Tweets van twitter.</li>
<li>IoT-devices (Alstom!).</li>
<li>Spelersgedrag in games.</li>
</ol>
<p>
"You don't request data, it comes to you."
</p>
</section>
<section id="slide-orge922d95">
<h3 id="orge922d95"><span class="section-number-3">4.1</span> Waarom is dat anders?</h3>
<p>
Voor sommige inzichten geldt: de waarde (<i>value</i>) neemt af als het langer duurt tussen het verkrijgen van de data en het berekenen van het inzicht.
</p>
<p>
Bijvoorbeeld: de bewaking van condities met sensoren (temperatuur, hartbewaking, <i>geofencing</i>).
</p>
<p>
Bijvoorbeeld: het detecteren van keywords in chat-gesprekken.
</p>
<p>
Bijvoorbeeld: bewegingsdetectie in beveiligingscamera's.
</p>
</section>
<section id="slide-orgc81646d">
<h3 id="orgc81646d"><span class="section-number-3">4.2</span> Realtime data is lastig voor een "batch"-model.</h3>
<p>
Data komt binnen als een continue stroom <i>events</i>.
</p>
<p>
<i>Batch-processing</i> betekent: opslaan van events, dan de data collectie onderbreken voor analyse, en dat herhalen.
</p>
<p>
<i>Real-time</i> betekent: data geanalyseerd als die binnenkomt.
</p>
</section>
</section>
<section>
<section id="slide-org2dd1b28">
<h2 id="org2dd1b28"><span class="section-number-2">5</span> Vooruitblik</h2>
<div class="outline-text-2" id="text-5">
</div>
</section>
<section id="slide-org07597df">
<h3 id="org07597df"><span class="section-number-3">5.1</span> Vrijdag: oefenen met:</h3>
<ul>
<li>opstellen van functionele eisen met het MD3M-model.</li>
<li>stoeien met data warehousing (SQL-queries).</li>
</ul>
</section>
</section>
</div>
</div>
<script src="./reveal.js/js/reveal.js"></script>
<script>
// Full list of configuration options available here:
// https://github.com/hakimel/reveal.js#configuration
Reveal.initialize({
slideNumber:true,
width:"80%",
height:"100%",
multiplex: {
secret: '', // null if client
id: '', // id, obtained from socket.io server
url: '' // Location of socket.io server
},
// Optional libraries used to extend on reveal.js
dependencies: [
{ src: 'reveal.js/plugin/reveald3.js', async: true }, { src: 'plugin/quiz/js/quiz.js', async: true, callback: function() { prepareQuizzes({}); } }, { src: 'reveal.js/plugin/highlight/highlight.js', async: true },
{ src: './reveal.js/lib/js/classList.js', condition: function() { return !document.body.classList; } },
{ src: './reveal.js/plugin/markdown/marked.js', condition: function() { return !!document.querySelector( '[data-markdown]' ); } },
{ src: './reveal.js/plugin/markdown/markdown.js', condition: function() { return !!document.querySelector( '[data-markdown]' ); } },
{ src: './reveal.js/plugin/zoom-js/zoom.js', async: true, condition: function() { return !!document.body.classList; } },
{ src: './reveal.js/plugin/notes/notes.js', async: true, condition: function() { return !!document.body.classList; } }]
});
</script>
</body>
</html>