Minería de datos y big data: aplicaciones en riesgo crediticio, salud y análisis de mercado
- Autores
- Lanzarini, Laura Cristina; Hasperué, Waldo; Villa Monte, Augusto; Basgall, María José; Molina, R.; Rojas Flores, L.; Corvi, J.; Jimbo Santana, Patricia; Fernández Bariviera, Aurelio; Puente, C.; Olivas, J. a.
- Año de publicación
- 2018
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- Esta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de Minería de Datos y Big Data utilizando técnicas de Aprendizaje Automático. Los sistemas desarrollados se aplican particularmente al procesamiento de textos y reconocimiento de patrones en imágenes. En el área de la Minería de Datos se está trabajando, por un lado, en la generación de un modelo de fácil interpretación a partir de la extracción de reglas de clasificación que permita justificar la toma de decisiones y, por otro lado, en el desarrollo de nuevas estrategias para tratar grandes volúmenes de datos. Con respecto al área de Big Data se están realizando diversos aportes usando el framework Spark Streaming. En esta dirección, se está investigando en una técnica de clustering dinámico que se ejecuta de manera distribuida. Además se ha implementado en Spark Streaming una aplicación que calcula el índice de Hurtz de manera online, actualizándolo cada pocos segundos con el objetivo de estudiar un cierto mercado de negocios. En el área de la Minería de Textos se han desarrollado estrategias para resumir documentos a través de la extracción utilizando métricas de selección y técnicas de optimización de los párrafos más representativos. Además se han desarrollado métodos capaces de determinar la subjetividad de oraciones escritas en español.
Eje temático: Bases de Datos y Minería de Datos. - Materia
-
Ciencias de la Computación
resúmenes extractivos
sentencias causales temporales
Data mining
Neural nets - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
.jpg)
- Institución
- Comisión de Investigaciones Científicas de la Provincia de Buenos Aires
- OAI Identificador
- oai:digital.cic.gba.gob.ar:11746/8248
Ver los metadatos del registro completo
| id |
CICBA_46339ec356440a6a8267e18870fb809f |
|---|---|
| oai_identifier_str |
oai:digital.cic.gba.gob.ar:11746/8248 |
| network_acronym_str |
CICBA |
| repository_id_str |
9441 |
| network_name_str |
CIC Digital (CICBA) |
| spelling |
Minería de datos y big data: aplicaciones en riesgo crediticio, salud y análisis de mercadoLanzarini, Laura CristinaHasperué, WaldoVilla Monte, AugustoBasgall, María JoséMolina, R.Rojas Flores, L.Corvi, J.Jimbo Santana, PatriciaFernández Bariviera, AurelioPuente, C.Olivas, J. a.Ciencias de la Computaciónresúmenes extractivossentencias causales temporalesData miningNeural netsEsta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de Minería de Datos y Big Data utilizando técnicas de Aprendizaje Automático. Los sistemas desarrollados se aplican particularmente al procesamiento de textos y reconocimiento de patrones en imágenes. En el área de la Minería de Datos se está trabajando, por un lado, en la generación de un modelo de fácil interpretación a partir de la extracción de reglas de clasificación que permita justificar la toma de decisiones y, por otro lado, en el desarrollo de nuevas estrategias para tratar grandes volúmenes de datos. Con respecto al área de Big Data se están realizando diversos aportes usando el framework Spark Streaming. En esta dirección, se está investigando en una técnica de clustering dinámico que se ejecuta de manera distribuida. Además se ha implementado en Spark Streaming una aplicación que calcula el índice de Hurtz de manera online, actualizándolo cada pocos segundos con el objetivo de estudiar un cierto mercado de negocios. En el área de la Minería de Textos se han desarrollado estrategias para resumir documentos a través de la extracción utilizando métricas de selección y técnicas de optimización de los párrafos más representativos. Además se han desarrollado métodos capaces de determinar la subjetividad de oraciones escritas en español.Eje temático: Bases de Datos y Minería de Datos.2018-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttps://digital.cic.gba.gob.ar/handle/11746/8248spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/reponame:CIC Digital (CICBA)instname:Comisión de Investigaciones Científicas de la Provincia de Buenos Airesinstacron:CICBA2025-10-23T11:14:35Zoai:digital.cic.gba.gob.ar:11746/8248Institucionalhttp://digital.cic.gba.gob.arOrganismo científico-tecnológicoNo correspondehttp://digital.cic.gba.gob.ar/oai/snrdmarisa.degiusti@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:94412025-10-23 11:14:35.923CIC Digital (CICBA) - Comisión de Investigaciones Científicas de la Provincia de Buenos Airesfalse |
| dc.title.none.fl_str_mv |
Minería de datos y big data: aplicaciones en riesgo crediticio, salud y análisis de mercado |
| title |
Minería de datos y big data: aplicaciones en riesgo crediticio, salud y análisis de mercado |
| spellingShingle |
Minería de datos y big data: aplicaciones en riesgo crediticio, salud y análisis de mercado Lanzarini, Laura Cristina Ciencias de la Computación resúmenes extractivos sentencias causales temporales Data mining Neural nets |
| title_short |
Minería de datos y big data: aplicaciones en riesgo crediticio, salud y análisis de mercado |
| title_full |
Minería de datos y big data: aplicaciones en riesgo crediticio, salud y análisis de mercado |
| title_fullStr |
Minería de datos y big data: aplicaciones en riesgo crediticio, salud y análisis de mercado |
| title_full_unstemmed |
Minería de datos y big data: aplicaciones en riesgo crediticio, salud y análisis de mercado |
| title_sort |
Minería de datos y big data: aplicaciones en riesgo crediticio, salud y análisis de mercado |
| dc.creator.none.fl_str_mv |
Lanzarini, Laura Cristina Hasperué, Waldo Villa Monte, Augusto Basgall, María José Molina, R. Rojas Flores, L. Corvi, J. Jimbo Santana, Patricia Fernández Bariviera, Aurelio Puente, C. Olivas, J. a. |
| author |
Lanzarini, Laura Cristina |
| author_facet |
Lanzarini, Laura Cristina Hasperué, Waldo Villa Monte, Augusto Basgall, María José Molina, R. Rojas Flores, L. Corvi, J. Jimbo Santana, Patricia Fernández Bariviera, Aurelio Puente, C. Olivas, J. a. |
| author_role |
author |
| author2 |
Hasperué, Waldo Villa Monte, Augusto Basgall, María José Molina, R. Rojas Flores, L. Corvi, J. Jimbo Santana, Patricia Fernández Bariviera, Aurelio Puente, C. Olivas, J. a. |
| author2_role |
author author author author author author author author author author |
| dc.subject.none.fl_str_mv |
Ciencias de la Computación resúmenes extractivos sentencias causales temporales Data mining Neural nets |
| topic |
Ciencias de la Computación resúmenes extractivos sentencias causales temporales Data mining Neural nets |
| dc.description.none.fl_txt_mv |
Esta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de Minería de Datos y Big Data utilizando técnicas de Aprendizaje Automático. Los sistemas desarrollados se aplican particularmente al procesamiento de textos y reconocimiento de patrones en imágenes. En el área de la Minería de Datos se está trabajando, por un lado, en la generación de un modelo de fácil interpretación a partir de la extracción de reglas de clasificación que permita justificar la toma de decisiones y, por otro lado, en el desarrollo de nuevas estrategias para tratar grandes volúmenes de datos. Con respecto al área de Big Data se están realizando diversos aportes usando el framework Spark Streaming. En esta dirección, se está investigando en una técnica de clustering dinámico que se ejecuta de manera distribuida. Además se ha implementado en Spark Streaming una aplicación que calcula el índice de Hurtz de manera online, actualizándolo cada pocos segundos con el objetivo de estudiar un cierto mercado de negocios. En el área de la Minería de Textos se han desarrollado estrategias para resumir documentos a través de la extracción utilizando métricas de selección y técnicas de optimización de los párrafos más representativos. Además se han desarrollado métodos capaces de determinar la subjetividad de oraciones escritas en español. Eje temático: Bases de Datos y Minería de Datos. |
| description |
Esta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de Minería de Datos y Big Data utilizando técnicas de Aprendizaje Automático. Los sistemas desarrollados se aplican particularmente al procesamiento de textos y reconocimiento de patrones en imágenes. En el área de la Minería de Datos se está trabajando, por un lado, en la generación de un modelo de fácil interpretación a partir de la extracción de reglas de clasificación que permita justificar la toma de decisiones y, por otro lado, en el desarrollo de nuevas estrategias para tratar grandes volúmenes de datos. Con respecto al área de Big Data se están realizando diversos aportes usando el framework Spark Streaming. En esta dirección, se está investigando en una técnica de clustering dinámico que se ejecuta de manera distribuida. Además se ha implementado en Spark Streaming una aplicación que calcula el índice de Hurtz de manera online, actualizándolo cada pocos segundos con el objetivo de estudiar un cierto mercado de negocios. En el área de la Minería de Textos se han desarrollado estrategias para resumir documentos a través de la extracción utilizando métricas de selección y técnicas de optimización de los párrafos más representativos. Además se han desarrollado métodos capaces de determinar la subjetividad de oraciones escritas en español. |
| publishDate |
2018 |
| dc.date.none.fl_str_mv |
2018-04 |
| dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
| format |
conferenceObject |
| status_str |
publishedVersion |
| dc.identifier.none.fl_str_mv |
https://digital.cic.gba.gob.ar/handle/11746/8248 |
| url |
https://digital.cic.gba.gob.ar/handle/11746/8248 |
| dc.language.none.fl_str_mv |
spa |
| language |
spa |
| dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ |
| eu_rights_str_mv |
openAccess |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.source.none.fl_str_mv |
reponame:CIC Digital (CICBA) instname:Comisión de Investigaciones Científicas de la Provincia de Buenos Aires instacron:CICBA |
| reponame_str |
CIC Digital (CICBA) |
| collection |
CIC Digital (CICBA) |
| instname_str |
Comisión de Investigaciones Científicas de la Provincia de Buenos Aires |
| instacron_str |
CICBA |
| institution |
CICBA |
| repository.name.fl_str_mv |
CIC Digital (CICBA) - Comisión de Investigaciones Científicas de la Provincia de Buenos Aires |
| repository.mail.fl_str_mv |
marisa.degiusti@sedici.unlp.edu.ar |
| _version_ |
1846783901524033536 |
| score |
12.982451 |