Procesamiento inteligente de grandes volúmenes de datos
- Autores
- Hasperué, Waldo; Estrebou, César Armando; Camele, Genaro; Rucci, Enzo; Ronchetti, Franco; Rodriguez Eguren, Sebastián; Castillo, David; Reyes Zambrano, Gary Xavier; Lanzarini, Laura Cristina; Bariviera, Aurelio F.
- Año de publicación
- 2024
- 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. Las investigaciones relacionadas con el análisis de flujos de datos se centran en la construcción de modelos dinámicos descriptivos. En particular el énfasis está puesto en la resolución de un problema de sumo interés en relación al análisis de trayectorias GPS a fin de identificar congestiones en el tránsito.
Red de Universidades con Carreras en Informática - Materia
-
Ciencias Informáticas
Big Data
Minería de Datos
Diabetes
Análisis de flujos de datos
Reducción de características
Tiny ML
GPS
MapReduce - 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:10915/176262
Ver los metadatos del registro completo
id |
SEDICI_64b62377492eb7f7f538048b12df9471 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/176262 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Procesamiento inteligente de grandes volúmenes de datosHasperué, WaldoEstrebou, César ArmandoCamele, GenaroRucci, EnzoRonchetti, FrancoRodriguez Eguren, SebastiánCastillo, DavidReyes Zambrano, Gary XavierLanzarini, Laura CristinaBariviera, Aurelio F.Ciencias InformáticasBig DataMinería de DatosDiabetesAnálisis de flujos de datosReducción de característicasTiny MLGPSMapReduceEsta 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. Las investigaciones relacionadas con el análisis de flujos de datos se centran en la construcción de modelos dinámicos descriptivos. En particular el énfasis está puesto en la resolución de un problema de sumo interés en relación al análisis de trayectorias GPS a fin de identificar congestiones en el tránsito.Red de Universidades con Carreras en Informática2024-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf203-207http://sedici.unlp.edu.ar/handle/10915/176262spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-8352-57-2info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/173603info: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:UNLP2025-09-29T11:47:28Zoai:sedici.unlp.edu.ar:10915/176262Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:47:28.669SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Procesamiento inteligente de grandes volúmenes de datos |
title |
Procesamiento inteligente de grandes volúmenes de datos |
spellingShingle |
Procesamiento inteligente de grandes volúmenes de datos Hasperué, Waldo Ciencias Informáticas Big Data Minería de Datos Diabetes Análisis de flujos de datos Reducción de características Tiny ML GPS MapReduce |
title_short |
Procesamiento inteligente de grandes volúmenes de datos |
title_full |
Procesamiento inteligente de grandes volúmenes de datos |
title_fullStr |
Procesamiento inteligente de grandes volúmenes de datos |
title_full_unstemmed |
Procesamiento inteligente de grandes volúmenes de datos |
title_sort |
Procesamiento inteligente de grandes volúmenes de datos |
dc.creator.none.fl_str_mv |
Hasperué, Waldo Estrebou, César Armando Camele, Genaro Rucci, Enzo Ronchetti, Franco Rodriguez Eguren, Sebastián Castillo, David Reyes Zambrano, Gary Xavier Lanzarini, Laura Cristina Bariviera, Aurelio F. |
author |
Hasperué, Waldo |
author_facet |
Hasperué, Waldo Estrebou, César Armando Camele, Genaro Rucci, Enzo Ronchetti, Franco Rodriguez Eguren, Sebastián Castillo, David Reyes Zambrano, Gary Xavier Lanzarini, Laura Cristina Bariviera, Aurelio F. |
author_role |
author |
author2 |
Estrebou, César Armando Camele, Genaro Rucci, Enzo Ronchetti, Franco Rodriguez Eguren, Sebastián Castillo, David Reyes Zambrano, Gary Xavier Lanzarini, Laura Cristina Bariviera, Aurelio F. |
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 Análisis de flujos de datos Reducción de características Tiny ML GPS MapReduce |
topic |
Ciencias Informáticas Big Data Minería de Datos Diabetes Análisis de flujos de datos Reducción de características Tiny ML GPS MapReduce |
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. Las investigaciones relacionadas con el análisis de flujos de datos se centran en la construcción de modelos dinámicos descriptivos. En particular el énfasis está puesto en la resolución de un problema de sumo interés en relación al análisis de trayectorias GPS a fin de identificar congestiones en el tránsito. Red de Universidades con Carreras en Informática |
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. Las investigaciones relacionadas con el análisis de flujos de datos se centran en la construcción de modelos dinámicos descriptivos. En particular el énfasis está puesto en la resolución de un problema de sumo interés en relación al análisis de trayectorias GPS a fin de identificar congestiones en el tránsito. |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-04 |
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/10915/176262 |
url |
http://sedici.unlp.edu.ar/handle/10915/176262 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/isbn/978-987-8352-57-2 info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/173603 |
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 203-207 |
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_ |
1844616338217107456 |
score |
13.070432 |