Bibliothèque
Les données massives ou le «big data»
Dans nos sociétés actuelles, les données prennent de l’ampleur de manière exponentielle. Il devient dès lors plus compliqué de gérer ces dernières avec des outils traditionnels. Le processus de «Big Data Analytics» a donc été créé pour gérer cette masse de données et en tirer des résultats. Voici une liste regroupant diverses ressources que la bibliothèque du pavillon Lucien-Brault vous propose en ce qui a trait aux données massives, et ce, dans divers milieux.
« Qu’est-ce que le big data ? Le big data est constitué par toutes les données que nous générons à chaque instant, dont le volume global croît exponentiellement. De l’historique de navigation aux localisations GPS, jusqu’au rythme cardiaque, à la météo et au solde des comptes courants, ces données récoltées par les mobiles, applications et autres objets connectés génèrent de nouveaux usages pour les États et les entreprises. »
Cointot, J.-C. (2014). La Révolution Big Data : les données au cœur de la transformation de l’entreprise. Paris : Dunod.
« Le phénomène Big Data bouleverse l'univers économique. Rien qu’en 2012, plus de 2,8 zettaoctets (des milliards de gigaoctets !) de volumes de données auraient été échangés ! Seules les entreprises capables de comprendre et de maîtriser une telle quantité de données dans leur complexité prendront l’avantage. Car au-delà du volume, ce qui va être décisif, est la capacité à structurer, analyser et transformer des données en connaissances, en innovations et en valeurs commerciales pour l’organisation. »
Davenport, T. H. (2014). Stratégie big data. Montreuil : Pearson.
« Ainsi, l'auteur propose un parcours didactique et professionnalisant qui, sans autre pré-requis qu'un niveau Bac en mathématiques et une grande curiosité […]. La dynamique de l'ouvrage soutient le lecteur pas à pas dans sa découverte des data sciences, l'évolution de ses compétences théoriques et pratiques. Le praticien en exercice y découvrira également de nombreux savoir-faire à acquérir et le manager pourra surfer sur l'ouvrage après avoir lu attentivement le bestiaire des data-sciences de l'introduction, qui sans inexactitude ou vulgarisation excessive aborde le thème en faisant l'économie de mathématiques ou de formalismes dissuasifs. »
Laude, H. (2016). Data scientist et langage R : guide d’autoformation à l’exploitation des big data. St-Herblain : Éditions ENI.
Bibliographie sélective :
Monographies
Agnellutti, C. (2014). Big data: an exploration of opportunities, values, and privacy issues. New York : Nova Publishers.
Anderson, Q. (2013). Storm real-time processing cookbook. Packt Publishing.
Cointot, J.-C. (2014). La Révolution Big Data : les données au cœur de la transformation de l’entreprise. Paris : Dunod.
Davenport, T. H. (2014). Stratégie big data. Montreuil : Pearson.
Dean, J. (2014). Big data, data mining, and machine learning: value creation for business leaders and practitioners. Hoboken, New Jersey : Wiley.
Feinleib, D. (2014). Big data bootcamp what managers need to know to profit from the big data revolution. New York : friends of ED/Apress.
Foreman, J. W. (2014). Data smart: using data science to transform information into insight. Indianapolis : Wiley.
García, S. (2015). Data preprocessing in data mining. Cham : Springer.
Hand, M. et Hillyard, S. (2014). Big data?: qualitative approaches to digital research. Bingley, UK : Emerald.
Holdaway, K. R. (2014). Harness oil and gas big data with analytics optimize exploration and production with data-driven models. Hoboken, N.J. : John Wiley & Sons.
Karau, H., Konwinski, A., Wendell, P. et Zaharia, M. (2015). Learning Spark. Beijing ; Sebastopol : O’Reilly.
Kelleher, J. D. (2015). Fundamentals of machine learning for predictive data analytics : algorithms, worked examples, and case studies. Cambridge, Massachusetts : The MIT Press.
Krishnan, K. (2013). Data warehousing in the age of big data. Amsterdam : Morgan Kaufmann is an imprint of Elsevier.
Laude, H. (2016). Data scientist et langage R : guide d’autoformation à l’exploitation des big data. St-Herblain : Éditions ENI.
Lemberger, P. (2015). Big data et machine learning: manuel du data scientist. Paris : Dunod.
Monino, J.-L. (2016). Big Data, Open Data et valorisation des données. London : ISTE Éditions.
Provost, F. (2013). Data science for business. Sebastopol, CA : O’Reilly.
Russell, M. A. (2014). Mining the social web (2e ed..). Sebastiopol, CA : O’Reilly.
Ryza, S. (2015). Advanced analytics with Spark. Beijing ; Sebastopol, CA : O’Reilly.
Sadin, É. (2015). La vie algorithmique : critique de la raison numérique. Paris : Éditions l’Échappée.
Sawant, N. (2013). Big data application architecture Q & A a problem-solution approach. New York : Apress.
Schmarzo, B. (2014). Big data : tirer parti des données massives pour développer l’entreprise. Paris : First Interactive.
Soares, S. (2012). Big data governance: an emerging imperative. Boise, ID : MC Press.
Wadkar, S. (2014). Pro Apache Hadoop (2e ed.). New York, NY : Apress.
Ye, N. (2014). Data mining: theories, algorithms, and examples. Boca Raton : CRC Press.
Périodiques
Howard, W. J., Satin, W., Farr, R., & Plenge, J. (2017). Using Advanced Analytics and Controls. Power Engineering, 121(3), 28‑34. Repéré à Applied Science & Technology Source
Ji, G., Hu, L., & Tan, K. H. (2017). A study on decision-making of food supply chain based on big data. Journal of Systems Science and Systems Engineering, 26(2), 183‑198. Repéré à SpringlerLink
Salmond, J. A., Tadaki, M., & Dickson, M. (2017). Can big data tame a « naughty » world? The Canadian Geographer / Le Géographe Canadien. Repéré à Wiley