Análisis y manejo inteligente de la información
- Autores
- Hasperué, Waldo; Lanzarini, Laura Cristina; Estrebou, César Armando; Camele, Genaro; Rucci, Enzo; Ronchetti, Franco; Lanza, Ezequiel; Bértoli, Rafael; Lira, Ariel Jorge; Fernández Bariviera, Aurelio
- Año de publicación
- 2025
- 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 Big Data y Minería de Datos utilizando técnicas de Aprendizaje Automático. Los sistemas desarrollados se aplican particularmente al procesamiento de grandes volúmenes de información y al procesamiento de flujo de datos. Las investigaciones correspondientes al procesamiento de datos masivos están enfocadas en el estudio y desarrollo de técnicas de selección de características, donde el foco está puesto en la reducción de los tiempos de cómputo. La optimización puede realizarse tanto en la mejora de la ejecución en un entorno distribuido, como en la propuesta de técnicas metaheurísticas que permitan obtener un subconjunto óptimo de atributos. Por otro lado, y desde el punto de vista de la salud, se está trabajando con investigadores del CENEXA (CONICET-UNLP-CIC) en la obtención de modelos de predicción de diabetes y prediabetes. También se investigan modelos predictivos aplicables a series temporales. En particular, el caso de estudio actual es la predicción de la latencia de respuesta en arquitecturas cloudnative utilizando modelos de machine learning. La adopción de tecnología de contenedores está creciendo rápidamente debido a su eficiencia, portabilidad y capacidad para facilitar el uso de microservicios sin embargo gestionar sistemas a gran escala es una tarea compleja. Con estos modelos se espera reducir los tiempos de respuesta de las aplicaciones.
Red de Universidades con Carreras en Informática
Instituto de Investigación en Informática
Dirección PREBI-SEDICI - Materia
-
Ciencias Informáticas
Big Data
Minería de Datos
Diabetes
Contenedores
Microservicios
Reducción de características
Tiny ML
Transformers
MapReduce
Repositorios digitales - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/183778
Ver los metadatos del registro completo
id |
SEDICI_19163b286fade2beddbece27d3125191 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/183778 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Análisis y manejo inteligente de la informaciónHasperué, WaldoLanzarini, Laura CristinaEstrebou, César ArmandoCamele, GenaroRucci, EnzoRonchetti, FrancoLanza, EzequielBértoli, RafaelLira, Ariel JorgeFernández Bariviera, AurelioCiencias InformáticasBig DataMinería de DatosDiabetesContenedoresMicroserviciosReducción de característicasTiny MLTransformersMapReduceRepositorios digitalesEsta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de Big Data y Minería de Datos utilizando técnicas de Aprendizaje Automático. Los sistemas desarrollados se aplican particularmente al procesamiento de grandes volúmenes de información y al procesamiento de flujo de datos. Las investigaciones correspondientes al procesamiento de datos masivos están enfocadas en el estudio y desarrollo de técnicas de selección de características, donde el foco está puesto en la reducción de los tiempos de cómputo. La optimización puede realizarse tanto en la mejora de la ejecución en un entorno distribuido, como en la propuesta de técnicas metaheurísticas que permitan obtener un subconjunto óptimo de atributos. Por otro lado, y desde el punto de vista de la salud, se está trabajando con investigadores del CENEXA (CONICET-UNLP-CIC) en la obtención de modelos de predicción de diabetes y prediabetes. También se investigan modelos predictivos aplicables a series temporales. En particular, el caso de estudio actual es la predicción de la latencia de respuesta en arquitecturas cloudnative utilizando modelos de machine learning. La adopción de tecnología de contenedores está creciendo rápidamente debido a su eficiencia, portabilidad y capacidad para facilitar el uso de microservicios sin embargo gestionar sistemas a gran escala es una tarea compleja. Con estos modelos se espera reducir los tiempos de respuesta de las aplicaciones.Red de Universidades con Carreras en InformáticaInstituto de Investigación en InformáticaDirección PREBI-SEDICI2025-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf172-176http://sedici.unlp.edu.ar/handle/10915/183778spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:50:12Zoai:sedici.unlp.edu.ar:10915/183778Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:50:12.874SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Análisis y manejo inteligente de la información |
title |
Análisis y manejo inteligente de la información |
spellingShingle |
Análisis y manejo inteligente de la información Hasperué, Waldo Ciencias Informáticas Big Data Minería de Datos Diabetes Contenedores Microservicios Reducción de características Tiny ML Transformers MapReduce Repositorios digitales |
title_short |
Análisis y manejo inteligente de la información |
title_full |
Análisis y manejo inteligente de la información |
title_fullStr |
Análisis y manejo inteligente de la información |
title_full_unstemmed |
Análisis y manejo inteligente de la información |
title_sort |
Análisis y manejo inteligente de la información |
dc.creator.none.fl_str_mv |
Hasperué, Waldo Lanzarini, Laura Cristina Estrebou, César Armando Camele, Genaro Rucci, Enzo Ronchetti, Franco Lanza, Ezequiel Bértoli, Rafael Lira, Ariel Jorge Fernández Bariviera, Aurelio |
author |
Hasperué, Waldo |
author_facet |
Hasperué, Waldo Lanzarini, Laura Cristina Estrebou, César Armando Camele, Genaro Rucci, Enzo Ronchetti, Franco Lanza, Ezequiel Bértoli, Rafael Lira, Ariel Jorge Fernández Bariviera, Aurelio |
author_role |
author |
author2 |
Lanzarini, Laura Cristina Estrebou, César Armando Camele, Genaro Rucci, Enzo Ronchetti, Franco Lanza, Ezequiel Bértoli, Rafael Lira, Ariel Jorge Fernández Bariviera, Aurelio |
author2_role |
author author author author author author author author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas Big Data Minería de Datos Diabetes Contenedores Microservicios Reducción de características Tiny ML Transformers MapReduce Repositorios digitales |
topic |
Ciencias Informáticas Big Data Minería de Datos Diabetes Contenedores Microservicios Reducción de características Tiny ML Transformers MapReduce Repositorios digitales |
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 Big Data y Minería de Datos utilizando técnicas de Aprendizaje Automático. Los sistemas desarrollados se aplican particularmente al procesamiento de grandes volúmenes de información y al procesamiento de flujo de datos. Las investigaciones correspondientes al procesamiento de datos masivos están enfocadas en el estudio y desarrollo de técnicas de selección de características, donde el foco está puesto en la reducción de los tiempos de cómputo. La optimización puede realizarse tanto en la mejora de la ejecución en un entorno distribuido, como en la propuesta de técnicas metaheurísticas que permitan obtener un subconjunto óptimo de atributos. Por otro lado, y desde el punto de vista de la salud, se está trabajando con investigadores del CENEXA (CONICET-UNLP-CIC) en la obtención de modelos de predicción de diabetes y prediabetes. También se investigan modelos predictivos aplicables a series temporales. En particular, el caso de estudio actual es la predicción de la latencia de respuesta en arquitecturas cloudnative utilizando modelos de machine learning. La adopción de tecnología de contenedores está creciendo rápidamente debido a su eficiencia, portabilidad y capacidad para facilitar el uso de microservicios sin embargo gestionar sistemas a gran escala es una tarea compleja. Con estos modelos se espera reducir los tiempos de respuesta de las aplicaciones. Red de Universidades con Carreras en Informática Instituto de Investigación en Informática Dirección PREBI-SEDICI |
description |
Esta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de Big Data y Minería de Datos utilizando técnicas de Aprendizaje Automático. Los sistemas desarrollados se aplican particularmente al procesamiento de grandes volúmenes de información y al procesamiento de flujo de datos. Las investigaciones correspondientes al procesamiento de datos masivos están enfocadas en el estudio y desarrollo de técnicas de selección de características, donde el foco está puesto en la reducción de los tiempos de cómputo. La optimización puede realizarse tanto en la mejora de la ejecución en un entorno distribuido, como en la propuesta de técnicas metaheurísticas que permitan obtener un subconjunto óptimo de atributos. Por otro lado, y desde el punto de vista de la salud, se está trabajando con investigadores del CENEXA (CONICET-UNLP-CIC) en la obtención de modelos de predicción de diabetes y prediabetes. También se investigan modelos predictivos aplicables a series temporales. En particular, el caso de estudio actual es la predicción de la latencia de respuesta en arquitecturas cloudnative utilizando modelos de machine learning. La adopción de tecnología de contenedores está creciendo rápidamente debido a su eficiencia, portabilidad y capacidad para facilitar el uso de microservicios sin embargo gestionar sistemas a gran escala es una tarea compleja. Con estos modelos se espera reducir los tiempos de respuesta de las aplicaciones. |
publishDate |
2025 |
dc.date.none.fl_str_mv |
2025-04 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/183778 |
url |
http://sedici.unlp.edu.ar/handle/10915/183778 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2 info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf 172-176 |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844616361426288640 |
score |
13.070432 |