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, Julieta Pilar; Jimbo Santana, Patricia; Fernández Bariviera, Aurelio; Puente, Cristina; Olivas Varela, José Ángel
- 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: Bases de Datos y Minería de Datos.
Red de Universidades con Carreras en Informática - Materia
-
Ciencias Informáticas
resúmenes extractivos
Data mining
sentencias causales temporales
Neural nets - 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:10915/67411
Ver los metadatos del registro completo
id |
SEDICI_f6c3d55ec87680de8f12d918d580746e |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/67411 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
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, Julieta PilarJimbo Santana, PatriciaFernández Bariviera, AurelioPuente, CristinaOlivas Varela, José ÁngelCiencias Informáticasresúmenes extractivosData miningsentencias causales temporalesNeural 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: Bases de Datos y Minería de Datos.Red de Universidades con Carreras en Informática2018-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf350-354http://sedici.unlp.edu.ar/handle/10915/67411spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-3619-27-4info:eu-repo/semantics/reference/hdl/10915/67063info: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:UNLP2025-09-29T11:10:16Zoai:sedici.unlp.edu.ar:10915/67411Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:10:16.545SEDICI (UNLP) - Universidad Nacional de La Platafalse |
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 Informáticas resúmenes extractivos Data mining sentencias causales temporales 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, Julieta Pilar Jimbo Santana, Patricia Fernández Bariviera, Aurelio Puente, Cristina Olivas Varela, José Ángel |
author |
Lanzarini, Laura Cristina |
author_facet |
Lanzarini, Laura Cristina Hasperué, Waldo Villa Monte, Augusto Basgall, María José Molina, R. Rojas Flores, L. Corvi, Julieta Pilar Jimbo Santana, Patricia Fernández Bariviera, Aurelio Puente, Cristina Olivas Varela, José Ángel |
author_role |
author |
author2 |
Hasperué, Waldo Villa Monte, Augusto Basgall, María José Molina, R. Rojas Flores, L. Corvi, Julieta Pilar Jimbo Santana, Patricia Fernández Bariviera, Aurelio Puente, Cristina Olivas Varela, José Ángel |
author2_role |
author author author author author author author author author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas resúmenes extractivos Data mining sentencias causales temporales Neural nets |
topic |
Ciencias Informáticas resúmenes extractivos Data mining sentencias causales temporales 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: Bases de Datos y Minería de Datos. 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 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 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/10915/67411 |
url |
http://sedici.unlp.edu.ar/handle/10915/67411 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/isbn/978-987-3619-27-4 info:eu-repo/semantics/reference/hdl/10915/67063 |
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 350-354 |
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_ |
1844615971278422016 |
score |
13.070432 |