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
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/67411

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