Es un claro testimonio de cómo la lengua se entrelaza con los avances tecnológicos y las transformaciones culturales, adaptándose y abrazando nuevos términos, también en el medio ambiente y la ecología. A pesar de sus diferencias, Big Data y Data Science no son disciplinas excluyentes; más bien son complementarias. Por otro lado, sin Data Science, el Big Data permanecería como un depósito de información sin explotar. Data Science, por otro lado, se refiere a la disciplina que se encarga de extraer conocimiento y comprensión a partir de los datos.
Los Data Scientists dependen de los sistemas de Big Data para acceder y procesar los datos, mientras que los profesionales de Big Data dependen de las habilidades de Data Science para extraer conocimiento y valor de esos datos. Esta simbiosis entre ambas disciplinas es esencial para aprovechar al máximo el potencial de los datos en el mundo empresarial, la investigación y otras áreas. Si bien el concepto “big data” en sí mismo es relativamente nuevo, los orígenes de los grandes conjuntos de datos se remontan a las décadas de 1960 y 1970, cuando el mundo de los datos acababa de empezar con los primeros centros de datos y el curso de ciencia de datos desarrollo de las bases de datos relacionales. Es importante resaltar que el acceso al Big Data se ha vuelto un proceso más sencillo y por lo tanto más popular. Esto se debe en gran parte a que los costos para almacenar información son más baratos, lo que permite almacenar y gestionar mayores volúmenes de información. Lecuona y Villalobos (2018, p. 2) afirman que, al asignar a una persona o grupo características particulares, un individuo se convierte en un componente de un colectivo que genera preocupaciones sobre la discriminación consciente e inconsciente como resultado del uso de grandes datos en la toma de decisiones.
Elena García: “El Big Data me ha permitido saciar mi constante curiosidad ante el porqué de las cosas”
Estos conjuntos de datos son tan voluminosos que el software de procesamiento de datos convencional sencillamente no puede gestionarlos. Sin embargo, estos volúmenes masivos de datos pueden utilizarse para abordar problemas empresariales que antes no hubiera sido posible solucionar. “Se estima que el 80% son datos no estructurados (videos, correos electrónicos, artículos de periódicos, grabaciones de voz, llamadas telefónicas, etc.). A raíz de la gran cantidad de datos que están disponibles, surgió la necesidad de desarrollar métodos para poder administrarlos, analizarlos y extraer información”, explicó el Dr. Miguel Agustín Villalobos Bueno, profesor de nuestra Facultad de Ciencias Actuariales.
- Aunque se están desarrollando técnicas de diagnóstico más rápidas (Pang, et al., 2020) y terapias y medicamentos antivirales experimentales, quedan desafíos a superar como acelerar los procesos de fabricación y superar los problemas relacionados con la cadena de suministro y abastecimiento (Ledford, 2020).
- Existe una estrecha relación entre diferentes métodos y tecnologías para la construcción de soluciones que integren las capacidades de cada uno de estos y las potencien en nuevas propuestas.
- Y ya ha logrado incentivar en la comunidad académica y comercial el desarrollo de tecnologías de apoyo que toman los paradigmas base y los emplean en la construcción de soluciones particularizadas a problemas de entornos de investigación y producción reales.
- Por ejemplo, pueden ser archivos de texto o de datos, imágenes, videos, da tos de sistemas de posicionamiento global (GPS), de sensores digitales de equipos (médico, industriales, medidores de electricidad, etc.).
El aprendizaje profundo es un subcampo del aprendizaje máquina, que busca clasificar datos mediante algoritmos correlacionales. Se basa en ciertas arquitecturas de redes neuronales, que le permiten jerarquizar la información (visual, auditiva y escrita) mediante una segmentación de patrones categorizados por niveles. Bajo este criterio, el aprendizaje se efectúa por etapas, de manera equivalente a lo que sucede en un humano.
Investig. bibl vol.34 no.82 Ciudad de México ene./mar. 2020
La parte central, la “plataforma de minería de Big Data” (nivel I), que se enfoca en el acceso a los datos de bajo nivel y computación. Los desafíos en el intercambio de información y la privacidad, los dominios de aplicación de Big Data y el conocimiento forman el nivel II, que se concentra en la semántica de alto nivel, las aplicaciones https://www.elegircarrera.net/blog/por-que-deberias-aprender-ciencia-de-datos-con-cursos-online/ de dominio de conocimiento y los problemas de privacidad del usuario. El crecimiento de los datos, como la explosión de las redes móviles, la computación en la nube y las nuevas tecnologías son descritas en [12]. Esto ha dado un aumento al incomprensible mundo de la información, que se suele describir como Big Data.
- En las ciencias y la ingeniería existe un amplio rango de problemas y dominios de aplicación para la minería de datos [36].
- En este caso es importante el tema de la ciberseguridad, y es una de las áreas con mayor crecimiento y con una fuerte demanda para las personas expertas en este campo”, precisó.
- Las e-alertas se han usado para la definición y estadificación de la insuficiencia renal aguda (IRA), sobre la base de los RES y los sistemas integrados de cuidados intensivos26.
- La pediatría no está ajena a esta realidad, pues cada vez se emplean tecnologías más avanzadas que están generando grandes volúmenes de datos, los cuales impactarán en la forma en que se conduzcan las in vestigaciones en el futuro inmediato.
- En la exploración se encontró que el termino Big Data ha tenido gran acogida en la comunidad, representado esto en el surgimiento de tecnologías, técnicas y enfoques.