SISTEMAS DE BIG DATA - Tecno-Libro

Ver Índice

Introducción al Big Data
1. Aplicación de técnicas de integración, procesamiento
y análisis de la información
1.1 Introducción a las técnicas integradas de procesamiento
y análisis de la información
1.2 Técnicas modernas de tratamiento de datos:
Big Data, Data Mining y Business Intelligence
1.3 Técnicas y procesos de extracción de la información
de los datos
1.4 Herramientas de extracción de datos: datos no
estructurados y estructurados
1.5 Modelado, razonamiento y resolución de problemas
1.6 Análisis en tiempo real
1.7 Costes y calidad asociados al proceso de análisis
de la información
2. Matemática discreta básica. Teoría de números,
combinatoria, teoría de grupos, lógica
matemática y teoría de conjuntos. Ejercicios
con Maple
2.1 Introducción a la matemática discreta
2.2 Matemática discreta a través de maple: teoría
de números

El libro está dirigido tanto a alumnos que siguen un Curso de especialización en Inteligencia Artificial
y Big Data como a profesionales del sector.

Este texto comienza tratando la aplicación de las
técnicas de integración, procesamiento y análisis de la información, con especial énfasis en las
técnicas de tratamiento de grandes datos (Big Data) incluyendo los datos estructurados y no estructurados, el procesamiento en tiempo real, los costes y calidad asociados y el modelado, razonamiento
y resolución de problemas en grandes datos.

A continuación se aborda la Matemática Discreta como parte fundamental para el estudio de las
ciencias de la computación.

Se ilustran los conceptos con ejemplos y aplicaciones tratados con el software Maple, que posee un lenguaje de programación estructurada específico para la teoría de números, teoría de grafos, teoría de conjuntos, lógica matemática, lógica algorítmica y otras tareas de la Matemática Discreta. Maple admite además la programación funcional.

Asimismo, se tratan las técnicas de representación de la información y las estructuras de datos, ya
ilustradas anteriormente con Maple y potenciadas con MATLAB. También se presentan las principales
librerías de diseño visual para Big data como Tableau, Plotly, C3, NVD3 y especialmente MATLAB.
Precisamente con MATLAB, se presenta gran variedad de opciones de visualización de datos. Este software
admite el trabajo con grandes datos a través de la Parallel Computing Toolbox. herramienta
A continuación se abordan los principales métodos y algoritmos en la Minería de Datos. Se desarrollan
ejemplos prácticos para las metodologías SEMMA de SAS y CRISP-DM de IBM, que son las
más importantes en el campo del Data Mining.

Los paquetes de software visual utilizados son SAS
Enterprise Miner e IBM SPSS Modeler.
Más adelante se trata la gestión y almacenamiento de datos presentando las tecnologías y herramientas
para la importación y la integración de datos.

También se introducen los lenguajes de
programación de R y Python, dadas sus múltiples aplicaciones en Big Data. Finalmente se profundiza
en la aplicación de herramientas para la visualización de datos estructurados y no estructurados como Qlik, Tableau, Power BI, Pentaho, MicroStrategy y otras. Se explica el uso de la inteligencia artificial en el análisis de datos a través de clústers de máquinas y utilizando información distribuida y redundante. Por último, se presentan las tendencias de la visualización de datos.