1章 ビッグデータ分析の全体像
01 ビッグデータと分散処理
～インターネットの普及によるデータ量の増加～
02 非構造化データの増加と機械学習
～テキスト、音声、画像データなどの分析～
03 ビッグデータ分析システム
～分散処理と機械学習を駆使してデータを利益に変える～
04 企業のビッグデータ活用段階
～ビッグデータ分析はスモールスタートで始める～
05 ビッグデータ分析を活用するための三つの役割
～データビジネス、サイエンス、そしてエンジニアリング～
06 エンジニアリングの希少価値
～実証実験はできても本番システム化できていない～
2章
ビッグデータ分析システムのアーキテクチャ
01 アーキテクチャの全体像
～データの収集・蓄積・活用～
02 データの生成・収集
～事業システムで生成し分析システムに収集する～
03 データ蓄積
～データレイクとデータウェアハウス～
04 データ活用
～データを意思決定・利益向上に利用～
3章
分散処理の基礎
01 ボトルネック解析
～性能問題対応の基本～
02 ボトルネック以外の性能問題考慮点
～メモリの枯渇、ボトルネックがないのに遅い～
03 分散ストレージ
～ディスクのボトルネックを解消する技術～
04 分散計算
～プロセッサのボトルネックを解消する技術～
05 分散システムのネットワーク
～ネットワークのボトルネックにならないために～
06 リソースマネージャ
～分散処理を支えるリソース管理～
07 分散処理の作り方
～Hadoop、自前開発、クラウドサービス～
4章
機械学習の基礎
01 機械学習
～数値ベクトルに変換されたデータを処理する関数～
02 データの準備と前処理
～機械学習の開発プロセス（前編）～
03 モデル推定とシステム化
～機械学習の開発プロセス（中編）～
04 本番リリースとエンハンス
～機械学習の開発プロセス（後編）～
05 ディープラーニング
～機械学習ブームの火付け役～
06 機械学習ツール
～エンジニアでも知っておくべき主要ツールを紹介～
07 サイエンスとエンジニアリングの役割分担
～システム化やデータ準備等行うことはたくさんある～
5章
ビッグデータの収集
01 バッチデータ収集とストリームデータ収集
～データ収集の種類～
02 ファイルデータ収集とファイルフォーマット
～ファイル形式のデータを収集する～
03 SQLによるデータ収集
～データベースからのデータ収集（前編）～
04 データ出力や更新ログ同期によるデータ収集
～データベースからのデータ収集（後編）～
05 APIデータ収集とスクレイピング
～その他のバッチデータ収集～
06 バッチデータ収集の作り方
～ETL製品を利用するか自前で作るか～
07 分散キューとストリーム処理
～ストリームデータ収集の全体像～
08 ストリームデータ収集における分散キュー
～分散キューの特性を理解する～
09 プロデューサー、分散キュー、コンシューマー
～ストリームデータ収集の作り方～
10 データ構造変更対応
～データ構造はビジネスの成長とともに変わる～
6章
ビッグデータの蓄積
01 データレイクとデータウェアハウス
～生データと分析用のデータは別に用意する～
02 アナリティックDB
～オペレーショナルDBとアナリティックDBの違い～
03 列指向フォーマット
～列方向にデータを圧縮して分析処理を高速化する技術～
04 SQL on Hadoop
～アナリティックDBの選び方（前編）～
05 DWH製品
～アナリティックDBの選び方（後編）～
7章
ビッグデータの活用
01 データマート
～目的別に加工されたデータ～
02 アドホック分析
～自由にデータを分析して意思決定する～
03 アドホック分析環境の構築
～データ利用者サポートやリソース管理が必要～
04 データ可視化
～誰でもデータをもとに意思決定できるようにする～
05 データアプリケーション
～インターネット事業会社での活用事例～
8章
メタデータ管理
01 全体像と静的メタデータ
～メタデータ管理の全体像（前編）～
02 動的メタデータとメタデータ管理実現方法
～メタデータ管理の全体像（後編）～
03 データ構造管理
～どのように定義されたデータか～
04 データリネージ管理
～そのデータはどこから来てどこに行くのか～
05 データ鮮度管理
～そのデータはいつ時点のデータなのか～
