Kooperativer Bibliotheksverbund

UID:

Format: 2 DVD-Videos (135 min + 19 min) , farbig , 12 cm

Uniform Title: First man

Content: "Eine formal virtuose filmische Nacherzählung der Geschichte des US-Programms der bemannten Raumfahrt in den 1960er-Jahren bis zur Mondlandung 1969. Konzentriert auf den Astronauten Neil Armstrong als zentrale Figur, zeichnet der Film detailliert die ineinandergreifenden Prozesse aus technischem Fortschritt, NASA-Politik und gesellschaftlichem Klima nach. Während ihm in der Inszenierung maßgeblicher Situationen des Weltallprogramms herausragende Spannungssequenzen gelingen, liegt seine Stärke ebenso sehr in den ruhigeren Passagen und der Spiegelung der zunehmenden Frustration über Rückschläge und Phasen der Stagnation in der Ehe der Armstrongs. [...]" [filmdienst.de]

Note: Original: USA, Japan 2018 , Bonusmaterial: unveröffentlichte Szenen ; der Griff nach dem Mond ; Bereitmachen zum Start ; ein gewaltiger Sprung in einem kleinen Schritt ; eine schiefgegangene Mission ; im Sitz sitzen ; die Nachbildung der Mondlandung ; der Dreh bei der NASA ; Astronauten-Training ; Filmkommentar mit Regisseur, Drehbuchautor und Cutter ; Bonus-DVD: der Preis der Erkundung ; die NASA rückentwickelt Miniatur-Raketen ; der Weltall-Club , Bildformat 2.39:1 (anamorph)/1.78:1 (anamorph) , Deutsch, Englisch - Untertitel: Deutsch, Englisch, Griechisch, Türkisch - Untertitel Bonus-DVD: Deutsch, Englisch, Arabisch, Bulgarisch, Spanisch, Tschechisch, Niederländisch, Französisch, Griechisch, Ungarisch, Italienisch, Polnisch, Portugiesisch, Rumänisch, Russisch, Türkisch

Language: German

Keywords: Film ; DVD-Video ; Film ; DVD-Video ; Film ; Film ; Film

Author information: Hansen, James R. 1952-

Author information: Gosling, Ryan 1980-

UID:

Format: 3 CDs (MP3; 1263 min)

Edition: Ungekürzte Lesung

ISBN: 9783837147001

Content: Der 12-jährige, paranormal begabte Luke Ellis wird nachts aus seinem Elternhaus entführt und erwacht weit entfernt in einem dubiosen Institut. Dort werden er und andere Kinder getestet, die nicht brauchbaren verschwinden für immer im Hinterhaus. Luke sucht verzweifelt einen Weg, zu entkommen ...

Content: In einer ruhigen Vorortsiedlung von Minneapolis ermorden zwielichtige Eindringlinge lautlos die Eltern von Luke Ellis und verfrachten den betäubten Zwölfjährigen in einen schwarzen SUV. Luke wacht weit entfernt im Institut wieder auf, in einem Zimmer, das wie seines aussieht, nur dass es keine Fenster hat. Und das Institut in Maine beherbergt weitere Kinder, die wie Luke paranormal veranlagt sind. Sie befinden sich in der Vorderhälfte des Instituts. Luke erfährt, dass andere vor ihnen nach einer Testreihe in der "Hinterhälfte" verschwanden. Und nie zurückkehrten. Je mehr von Lukes neuen Freunden ausquartiert werden, desto verzweifelter wird sein Gedanke an Flucht, damit er Hilfe holen kann. (Verlagstext) *** Dieser Titel kann für Sie ab sofort vorgemerkt werden. Die Auslieferung durch die ekz erfolgt unmittelbar nach Erscheinungstermin - unabhängig von der später folgenden bibliothekarischen Begutachtung.

Language: German

Keywords: Hörbuch ; Fiktionale Darstellung

URL: Cover

UID:

Format: 1 Online-Ressource (iv, 169 Seiten) , Illustrationen, Diagramme (überwiegend farbig)

ISBN: 9781789806403

Additional Edition: Erscheint auch als Druck-Ausgabe ISBN 978-1-78980-026-5

Language: English

Subjects: Computer Science

Keywords: Python

URL: Volltext  (URL des Erstveröffentlichers)

UID:

Format: 1 online resource

ISBN: 9780128017593 , 0128017597

Note: Includes index

Additional Edition: Erscheint auch als Druck-Ausgabe ISBN 9780128015803

Additional Edition: Erscheint auch als Druck-Ausgabe ISBN 0128015802

Language: English

Subjects: Economics

URL: Volltext  (URL des Erstveröffentlichers)

UID:

Format: 1 online resource (354 pages)

Edition: 1

ISBN: 9783958451766

Note: Cover -- Titel -- Impressum -- Inhaltsverzeichnis -- Vorwort -- Danksagungen -- Über dieses Buch -- Kapitel 1: Ein neues Paradigma für Big Data -- 1.1 Aufbau des Buches -- 1.2 Skalierung mit einer herkömmlichen Datenbank -- 1.2.1 Skalierung mit einer Warteschlange -- 1.2.2 Skalierung durch Sharding -- 1.2.3 Erste Probleme mit der Fehlertoleranz -- 1.2.4 Probleme mit fehlerhaften Daten -- 1.2.5 Was ist schiefgegangen? -- 1.2.6 Inwiefern sind Big-Data-Verfahren hilfreich? -- 1.3 NoSQL ist kein Allheilmittel -- 1.4 Grundlagen -- 1.5 Erwünschte Eigenschaften eines Big-Data-Systems -- 1.5.1 Belastbarkeit und Fehlertoleranz -- 1.5.2 Lesen und Aktualisieren mit geringen Latenzzeiten -- 1.5.3 Skalierbarkeit -- 1.5.4 Allgemeingültigkeit -- 1.5.5 Erweiterbarkeit -- 1.5.6 Ad-hoc-Abfragen -- 1.5.7 Minimaler Wartungsaufwand -- 1.5.8 Fehlerbehebung -- 1.6 Schwierigkeiten vollständig inkrementeller Architekturen -- 1.6.1 Komplexität im Betrieb -- 1.6.2 Extreme Komplexität, um letztendliche Konsistenz zu erzielen -- 1.6.3 Keine Fehlertoleranz gegenüber menschlichem Versagen -- 1.6.4 Vollständig inkrementelle Lösung kontra Lambda-Architektur -- 1.7 Lambda-Architektur -- 1.7.1 Batch-Layer -- 1.7.2 Serving-Layer -- 1.7.3 Batch- und Serving-Layer erfüllen fast alle Anforderungen -- 1.7.4 Speed-Layer -- 1.8 Die neuesten Trends -- 1.8.1 Prozessoren werden kaum noch schneller -- 1.8.2 Elastic Clouds -- 1.8.3 Ein lebhaftes Open-Source-Ökosystem für Big Data -- 1.9 Beispielanwendung: SuperWebAnalytics.com -- 1.10 Zusammenfassung -- Teil I: Batch-Layer -- Kapitel 2: Das Datenmodell für Big Data -- 2.1 Die Eigenschaften von Daten -- 2.1.1 Daten sind ursprünglich -- 2.1.2 Daten sind unveränderlich -- 2.1.3 Daten sind beständig korrekt -- 2.2 Das faktenbasierte Modell zur Repräsentierung von Daten -- 2.2.1 Faktenbeispiele und ihre Eigenschaften , 2.2.2 Vorteile des faktenbasierten Modells -- 2.3 Graphenschemata -- 2.3.1 Elemente eines Graphenschemas -- 2.3.2 Die Notwendigkeit, dem Schema zu gehorchen -- 2.4 Ein vollständiges Datenmodell für SuperWebAnalytics.com -- 2.5 Zusammenfassung -- Kapitel 3: Das Datenmodell für Big Data: Praxis -- 3.1 Wozu ein Serialisierungs-Framework? -- 3.2 Apache Thrift -- 3.2.1 Knoten -- 3.2.2 Kanten -- 3.2.3 Eigenschaften -- 3.2.4 Alles in Datenobjekten zusammenfassen -- 3.2.5 Weiterentwicklung des Schemas -- 3.3 Für Serialisierungs-Frameworks geltende Beschränkungen -- 3.4 Zusammenfassung -- Kapitel 4: Datenspeicherung im Batch-Layer -- 4.1 Speicheranforderungen des Stammdatensatzes -- 4.2 Auswahl einer Speicherlösung für den Batch-Layer -- 4.2.1 Schlüssel-Werte-Datenbank zum Speichern des Stammdatensatzes verwenden -- 4.2.2 Verteilte Dateisysteme -- 4.3 Funktionsweise verteilter Dateisysteme -- 4.4 Speichern des Stammdatensatzes mit einem verteilten Dateisystem -- 4.5 Vertikale Partitionierung -- 4.6 Verteilte Dateisysteme sind maschinennah -- 4.7 Speichern des SuperWebAnalytics.com-Stammdatensatzes in einem verteiltem Dateisystem -- 4.8 Zusammenfassung -- Kapitel 5: Datenspeicherung im Batch-Layer: Praxis -- 5.1 Verwendung des Hadoop Distributed File Systems -- 5.1.1 Das Problem mit kleinen Dateien -- 5.1.2 Eine allgemeinere Abstrahierung -- 5.2 Datenspeicherung im Batch-Layer mit Pail -- 5.2.1 Grundlegende Pail-Operationen -- 5.2.2 Objekte serialisieren und in Pails speichern -- 5.2.3 Pail-Operationen -- 5.2.4 Vertikale Partitionierung mit Pail -- 5.2.5 Pail-Dateiformat und Komprimierung -- 5.2.6 Vorteile von Pail zusammengefasst -- 5.3 Speichern des Stammdatensatzes für SuperWebAnalytics.com -- 5.3.1 Ein strukturiertes Pail für Thrift-Objekte -- 5.3.2 Ein einfaches Pail für SuperWebAnalytics.com , 5.3.3 Ein geteiltes Pail zur vertikalen Partitionierung des Datensatzes -- 5.4 Zusammenfassung -- Kapitel 6: Batch-Layer -- 6.1 Beispiele -- 6.1.1 Anzahl der Pageviews innerhalb eines bestimmten Zeitraums -- 6.1.2 Vorhersage des Geschlechts -- 6.1.3 Einflussreiche Tweets -- 6.2 Berechnungen im Batch-Layer -- 6.3 Neuberechnungsalgorithmen kontra inkrementelle Algorithmen -- 6.3.1 Performance -- 6.3.2 Fehlertoleranz gegenüber menschlichem Versagen -- 6.3.3 Allgemeine Anwendbarkeit des Algorithmus -- 6.3.4 Auswahl eines Algorithmustyps -- 6.4 Skalierbarkeit im Batch-Layer -- 6.5 MapReduce: Ein Paradigma für Big-Data-Berechnungen -- 6.5.1 Skalierbarkeit -- 6.5.2 Fehlertoleranz -- 6.5.3 Allgemeine Anwendbarkeit von MapReduce -- 6.6 Maschinennähe -- 6.6.1 Berechnungen in mehreren Schritten sind nicht intuitiv -- 6.6.2 Die manuelle Implementierung von Joins ist sehr kompliziert -- 6.6.3 Enge Kopplung der logischen und physischen Ausführung -- 6.7 Pipe-Diagramme: Eine allgemeinere Auffassung von Stapelverarbeitungsberechnungen -- 6.7.1 Konzepte der Pipe-Diagramme -- 6.7.2 Ausführen von Pipe-Diagrammen via MapReduce -- 6.7.3 Combiner-Aggregator -- 6.7.4 Beispiele für Pipe-Diagramme -- 6.8 Zusammenfassung -- Kapitel 7: Batch-Layer: Praxis -- 7.1 Ein Beispiel zur Veranschaulichung -- 7.2 Typische Schwierigkeiten Daten verarbeitender Tools -- 7.2.1 Proprietäre Sprachen -- 7.2.2 Mangelhaft einbindungsfähige Abstraktionen -- 7.3 Einführung in JCascalog -- 7.3.1 Das JCascalog-Datenmodell -- 7.3.2 Aufbau einer JCascalog-Abfrage -- 7.3.3 Abfragen mehrerer Datensätze -- 7.3.4 Gruppierung und Aggregatoren -- 7.3.5 Schrittweise Abarbeitung einer Abfrage -- 7.3.6 Benutzerdefinierte Prädikate -- 7.4 Einbindung -- 7.4.1 Subqueries kombinieren -- 7.4.2 Dynamisch erzeugte Subqueries -- 7.4.3 Prädikatmakros -- 7.4.4 Dynamisch erzeugte Prädikatmakros -- 7.5 Zusammenfassung , Kapitel 8: Beispiel eines Batch-Layers: Architektur und Algorithmen -- 8.1 Design des Batch-Layers für SuperWebAnalytics.com -- 8.1.1 Unterstützte Abfragen -- 8.1.2 Batch-Views -- 8.2 Überblick über den Workflow -- 8.3 Aufnahme neuer Daten -- 8.4 URL-Normalisierung -- 8.5 User-ID-Normalisierung -- 8.6 Deduplizierung der Pageviews -- 8.7 Berechnung der Batch-Views -- 8.7.1 Zeitlicher Verlauf der Pageviews -- 8.7.2 Zeitlicher Verlauf der eindeutig unterschiedlichen Besucher -- 8.7.3 Analyse der Bounce-Rate -- 8.8 Zusammenfassung -- Kapitel 9: Beispiel eines Batch-Layers: Implementierung -- 9.1 Ausgangspunkt -- 9.2 Vorbereitung des Workflows -- 9.3 Aufnahme neuer Daten -- 9.4 URL-Normalisierung -- 9.5 User-ID-Normalisierung -- 9.6 Deduplizierung der Pageviews -- 9.7 Berechnung der Batch-Views -- 9.7.1 Zeitlicher Verlauf der Pageviews -- 9.7.2 Zeitlicher Verlauf der eindeutig unterschiedlichen Besucher -- 9.7.3 Berechnung der Bounce-Rate -- 9.8 Zusammenfassung -- Teil II: Serving-Layer -- Kapitel 10: Serving-Layer -- 10.1 Performancekennzahlen des Serving-Layers -- 10.2 Lösung des Problems »Normalisierung kontra Denormalisierung« durch den Serving-Layer -- 10.3 Anforderungen an eine Datenbank für den Serving-Layer -- 10.4 Gestaltung eines Serving-Layers für SuperWebAnalytics.com -- 10.4.1 Zeitlicher Verlauf der Pageviews -- 10.4.2 Zeitlicher Verlauf eindeutig unterschiedlicher Besucher -- 10.4.3 Berechnung der Bounce-Rate -- 10.5 Vergleich mit einer vollständig inkrementellen Lösung -- 10.5.1 Vollständig inkrementelle Lösung -- 10.5.2 Vergleich mit einer auf der Lambda-Architektur beruhenden Lösung -- 10.6 Zusammenfassung -- Kapitel 11: Serving-Layer: Praxis -- 11.1 ElephantDB: Grundlagen -- 11.1.1 Views in ElephantDB erzeugen -- 11.1.2 Views in ElephantDB deployen -- 11.1.3 ElephantDB verwenden , 11.2 Einrichtung des Serving-Layers für SuperWebAnalytics.com -- 11.2.1 Zeitlicher Verlauf der Pageviews -- 11.2.2 Zeitlicher Verlauf eindeutig unterschiedlicher Besucher -- 11.2.3 Berechnung der Bounce-Rate -- 11.3 Zusammenfassung -- Teil III: Speed-Layer -- Kapitel 12: Echtzeit-Views -- 12.1 Berechnung von Echtzeit-Views -- 12.2 Speichern der Echtzeit-Views -- 12.2.1 Letztendliche Genauigkeit -- 12.2.2 Im Speed-Layer gespeicherter Zustand -- 12.3 Schwierigkeiten bei inkrementeller Berechnung -- 12.3.1 Gültigkeit des CAP-Theorems -- 12.3.2 Das komplexe Zusammenwirken von CAP-Theorem und inkrementellen Algorithmen -- 12.4 Asynchrone kontra synchrone Aktualisierungen -- 12.5 Echtzeit-Views verwerfen -- 12.6 Zusammenfassung -- Kapitel 13: Echtzeit-Views: Praxis -- 13.1 Cassandras Datenmodell -- 13.2 Cassandra verwenden -- 13.2.1 Cassandra für Fortgeschrittene -- 13.3 Zusammenfassung -- Kapitel 14: Warteschlangen und Streamverarbeitung -- 14.1 Warteschlangen -- 14.1.1 Warteschlangen mit nur einem Abnehmer -- 14.1.2 Warteschlangen mit mehreren Abnehmern -- 14.2 Streamverarbeitung -- 14.2.1 Warteschlangen und Worker -- 14.2.2 Fallstricke beim Warteschlangen-Worker-Ansatz -- 14.3 Streamverarbeitung one-at-a-time auf höherer Ebene -- 14.3.1 Storm-Modell -- 14.3.2 Gewährleistung der Nachrichtenverarbeitung -- 14.4 SuperWebAnalytics.com: Speed-Layer -- 14.4.1 Aufbau der Topologie -- 14.5 Zusammenfassung -- Kapitel 15: Warteschlangen und Streamverarbeitung: Praxis -- 15.1 Definition einer Topologie mit Apache Storm -- 15.2 Apache Storm-Cluster und Bereitstellung -- 15.3 Gewährleistung der Nachrichtenverarbeitung -- 15.4 Implementierung des Speed-Layers -- 15.5 Zusammenfassung -- Kapitel 16: Streamverarbeitung kleiner Stapel -- 16.1 Genau einmalige Verarbeitung -- 16.1.1 Verarbeitung in streng festgelegter Reihenfolge -- 16.1.2 Streamverarbeitung kleiner Stapel , 16.1.3 Topologien zur Verarbeitung kleiner Stapel

Additional Edition: Print version: Marz, Nathan Big Data Frechen : mitp,c2016

Keywords: Electronic books.

URL: https://ebookcentral.proquest.com/lib/th-brandenburg/detail.action?docID=6947619