César Pérez López, página 2 de 5

Todos los sectores son susceptibles de utilizar la tecnología Big Data, desde el sector financiero, energético, telefonía móvil, Administración Pública, investigación, etc. Por ejemplo, son típicos los proyectos en entidades financieras que, con tecnologia de almacenamiento y analisis de informacion, tienen diferentes datos de clientes en distintas fuentes y sistemas de transacciones. Estos datos relativos deben agruparse de forma inteligente para permitir hacer segmentacion con la finalidad de poder ofrecer los productos mas adecuados en funcion de la capacidad adquisitiva, el nivel de riesgo, inversiones, etc. Lo mismo ocurre en la Administracion, que tiene multitud de datos y expedientes, que pueden entrecruzar entre los distintos organismos, locales y centrales, para mejorar el servicio al ciudadano. En resumen, las empresas e instituciones que buscan la agilidad del negocio necesitan una manera de analizar todos estos datos estructurados y no estructurados aplicando adecuadamente las tecnicas y herramientas del Big Data y Analytics. Este libro profundiza en las aplicaciones de Big Data Analytics con software de IBM.

SAS Visual Analytics es una solución Analytics de alto rendimiento en memoria para explorar enormes cantidades de datos muy rápidamente. Permite detectar patrones, identificar potencialidades para su posterior analisis y comunicar resultados visuales via Web informes o relacionarse conuna plataforma movil como el iPad SAS Visual Analytics es un producto facil de usar, basado en web que aprovecha tecnologias analiticas de alto rendimiento de SAS. SAS Visual Analytics permite a las organizaciones explorar rapidamente grandes volumenes de datos para identificar patrones y tendencias e identificar oportunidades para su posterior analisis. El Generador de datos Visual permite a los usuarios resumir los datos y mejorar su poder predictivo. Los usuarios pueden preparar datos para la exploracion y explotacion rapidamente y facilmente. La interfaz de datos altamente visual, drag-and-drop de nombre SAS Visual Analytics Explorer, combinada con la velocidad del servidor analitico de SAS, permite acelerar los calculos analiticos y permiten a las organizaciones obtener el valor añadido de cantidades masivas de datos. Esto crea una capacidad sin precedentes para resolver problemas dificiles, mejorar el rendimiento empresarial y mitigar el riesgo rapidamente y con confianza. SAS Visual Analytics permite a los usuarios crear rapidamente informes o tableros de instrumentos, que pueden verse en un dispositivo movil o en la web.

Se conoce como Big Data el tratamiento y análisis de grandes cantidades de datos, cuyo tamaño hace imposible manejarlos con las herramientas de bases de datos y analíticas convencionales. La proliferacion de paginas web, aplicaciones de imagen y video, redes sociales, dispositivos moviles, apps, sensores y otros dispositivos modernos capaces de generar enormes cantidades de datos han hecho necesario el desarrollo de herramientas de Big Data para su analisis. Hablamos de un entorno absolutamente relevante para muchos aspectos, desde el analisis de fenomenos naturales como el clima o de datos sismograficos, hasta entornos como salud, seguridad o, por supuesto, el ambito empresarial. Las tecnicas de Big Data constituyen un enfoque nuevo de como almacenar, gestionar y analizar todos los datos que genera una organizacion para una optima toma de decisiones. Estos datos son tanto estructurados como no estructurados y provienen de diferentes fuentes como el correo electronico, imagenes medicas, dispositivos moviles, redes sociales, etc. En definitiva, el origen de los datos son todas las nuevas fuentes que han surgido en los ultimos años. Lo que entendemos por Big Data, y todas las tecnologias asociadas Analytics, es convertir los datos en informacion util para la toma de decisiones en cualquier organizacion. Se trata de conseguir un acercamiento proactivo al cliente mediante entornos analiticos que sean fiables y escalables, y permitan crear nuevos productos, modelos de negocio, etc. Y todo esto conlleva la adaptacion de procesos y tecnologias porque hay que analizar los datos de una manera diferente.

R es un lenguaje y entorno de programación para análisis estadístico y gráfico. Se trata de un proyecto de software libre, resultado de la implementación GNU del clásico lenguaje científico S-Plus. R y S-Plus son, probablemente, los dos lenguajes mas utilizados en investigacion por la comunidad estadistica, siendo ademas muy populares en el campo de la investigacion biomedica, la bioinformatica y las matematicas financieras. A esto contribuye la posibilidad de cargar diferentes bibliotecas o paquetes con finalidades especificas de calculo o grafico. R se distribuye bajo la licencia GNU GPL y esta disponible para los sistemas operativos Windows, Macintosh, Unix y GNULinux.. R, al igual que S plus, puede considerarse un lenguaje de programacion orientado a objetos. Ademas, R puede integrarse con distintas bases de datos y existen bibliotecas que facilitan su utilizacion desde lenguajes de programacion interpretados como Perl y Python. R tambien posee su propio formato para la documentacion basado en LaTeX.

El paquete gráfico del módulo básico de R permite realizar una importante variedad de gráficos. Es posible representar funciones y realizar gráficos estadísticos de todo tipo. También se pueden representar curvas en coordenadas explicitas, parametricas y polares, asi como todo tipo de superficies. Antes de aplicar cualquier tecnica de analisis de datos, es preciso realizar un analisis previo de la informacion de la que se dispone. Es necesario examinar las variables individuales y las relaciones entre ellas, asi como evaluar y solucionar problemas en el diseño de la investigacion y en la recogida de datos. La primera tarea que se suele abordar es el analisis exploratorio y grafico de los datos. La mayoria del software estadistico, incluido R, dispone de herramientas que aportan tecnicas graficas preparadas para el examen de los datos que se ven mejoradas con medidas estadisticas mas detalladas para su descripcion.

Los análisis de datos de hoy en día requieren el uso de técnicas estadísticas para aprender de los datos, de patrones de relieve y anomalías, de predicciones y de profesionales que sepan utilizarlas. El empleo de tecnologias Big Data no solo permite aumentar la capacidad de procesamiento, tambien se trata de encontrar esas ideas que nos permitan obtener el conocimiento embebido en los datos, siempre y cuando se disponga de los perfiles y experiencia para llevarlo a cabo. Por esta razon, las tecnicas de Analytics esencialmente Data Mining y Bussines Intelligence y el Big Data caminan juntos para la explotacion optima de la informacion. Profesionales, con habilidades en matematicas, estadisticas e ingenieria informatica, que son capaces de extraer el maximo valor de los datos de la organizacion mediante Analytics, deben de trabajar juntos con las infraestructuras optimas de Big Data. La gestion y analisis de los grandes datos, estructurados y no estructurados, aplicados en campos como la investigacion cientifica, sanidad, seguridad, redes sociales o medios de comunicacion, entre otros, constituye para las empresas una herramienta unica de ganar competitividad y de mejora de la vida ciudadana. Esta herramienta solo se optimiza con la aplicacion conjunta de tecnicas de Analytics y Big Data.

Este libro desarrolla las facetas más importantes de la diagnosis de un modelo. Concretamente profundiza en las problemáticas de Autocorrelación, Multicolinealidad y Heteroscedasticidad en Modelos Econometricos. Los capitulos comienzan presentando brevemente los conceptos teoricos para ilustrarlos posteriormente con ejercicios resueltos con STATA y EVIEWS

Los análisis de datos de hoy en día requieren el uso de técnicas estadísticas para aprender de los datos, de patrones de relieve y anomalías, de predicciones y de profesionales que sepan utilizarlas. El empleo de tecnologias Big Data no solo permite aumentar la capacidad de procesamiento, tambien se trata de encontrar esas ideas que marcan la diferencia, siempre y cuando se disponga de los perfiles y experiencia para llevarlo a cabo. Por esta razon, el Data Mining, el Bussines Intelligence Tecnicas de Analytics y el Big Data caminan juntos para la explotacion optima de la informacion. Profesionales, con habilidades en matematicas, estadisticas e ingenieria informatica, que son capaces de extraer el maximo valor de los datos de la organizacion, deben de trabajar juntos con las infraestructuras optimas de Big Data. La gestion y analisis de los grandes datos, estructurados y no estructurados, aplicados en campos como la investigacion cientifica, sanidad, seguridad, redes sociales o medios de comunicacion, entre otros, constituye para las empresas una herramienta unica de ganar competitividad y de mejora de la vida ciudadana. Este libro profundiza en las herramientas de Microsoft y Oracle para el trabajo en el campo del Big Data Analytics.

SAS Visual Statistics le permite crear rápidamente potentes modelos estadísticos en una interfaz fácil de usar, basado en la web que potencia las taraes de Analytics. Una vez que haya creado dos o más modelos para sus datos, SAS Visual Statistics ofrece una herramienta de comparacion de modelos. SAS Visual Analytics Graph Builder constructor grafico permite crear de objetos graficos disponibles en SAS Analytics Visual Designer diseñador para su uso en los informes y del mismo modo se pueden utilizar todas las herramientas de SAS Visual Analytics tratdas en el capitulo anterior. .SAS High-Performance Analytics resuelve problemas de Big Data a traves de software estadistico potente. Aplica estadistica avanzada para manejar grandes volumenes de datos. Habilita rapidamente muchos modelos y utiliza todo el poder de procesamiento disponible. Permite obtener las respuestas que se necesitan para tomar las mejores decisiones. Con SAS In-Memory Statistics para Hadoop es posible un rapido analisis interactivo.

La versión CENTURION de STATGRAPHICS es un software perfectamente adaptado para el trabajo en las metodologías de calidad en los procesos. En concreto, tiene la posibilidad de adecuar su menú a las fases de la metodologia Seis Sigma, de modo que los procedimientos que cuelgan de cada opcion del menu principal son precisamente las herramientas a utilizar en la correspondiente fase de la metodologia Seis Sigma. Se trata, por tanto, de un software especialmente diseñado para trabajar en control de calidad.

El contenido de este libro se centra en la creación y administración de sitios y páginas Web con Dreamweaver de modo simple y directo, y sin necesidad de acudir a la codificación, por lo que resulta muy util para usuarios que necesiten iniciarse primero, y profundizar despues, en el diseño Web, sin tener conocimientos previos.Dreamweaver permite crear y administrar sitios Web profesionales y potentes aplicaciones de Internet, de modo que es posible trabajar en un solo entorno para crear, hacer y administrar rapidamente sitios y aplicaciones Web utilizando herramientas visuales de composicion, un desarrollo rapido de aplicaciones de Internet y un amplio soporte para la edicion de codigo. Por otra parte, Dreamweaver permite desarrollar aplicaciones Web dinamicas que interactuan con bases de datos, proporcionando una plataforma completa para la creacion, utilizacion y distribucion de servicios Web. Una aplicacion Web es un conjunto de paginas Web que interactuan entre si, con el usuario y con diversos recursos en un servidor Web, incluidas bases de datos.ESTE LIBRO ES DE UTILIDAD PARA LA PREPARACION DE LOS CICLOS FORMATIVOS DEGRADO MEDIO Y SUPERIOR DE FORMACION PROFESIONAL EN LAS MATERIAS DE INFORMATICA. TAMBIEN ES DE UTILIDAD PARA LA PREPARACION DE LOS CERTIFICADOS DE PROFESIONALIDAD

El control de calidad consiste esencialmente en medir las características de calidad de un producto, compararlas con las especificaciones o requisitos y, cuando existe discrepancia, realizar las correcciones adecuadas. Para obtener un producto de calidad, necesitamos producir con la precision que desean los clientes, en unas instalaciones en las que se pueda obtener la exactitud requerida. Para conseguirlo, debemos disponer de un programa de control de procesos que permita realizar la medicion, el analisis, tomar la decision oportuna y emprender la actuacion necesaria. Este libro presenta el trabajo en control de calidad mediante ejercicios practicos representativos resueltos con EXCEL.

Quizá el programa con más posibilidades en control de calidad y en otras materias estadísticas, pero a la vez con más dificultad de aprendizaje, sea SAS Statistical Analysis System. Se trata de un sistema de analisis estadistico, econometrico, programacion y manejo de datos de gran potencia que maneja volumenes muy extensos de datos y que implementa en forma de procedimientos la mayoria de las tecnicas estadisticas actuales. Distribuido en España por SAS INSTITUTE INC., es uno de los programas mas utilizados en centros educativos de enseñanza superior y de investigacion, y sobre todo en el entorno universitario y en las oficinas e Institutos Nacionales de Estadistica de muchos paises. La ventaja esencial de este software es la posibilidad de trabajo en distintos entornos.SAS trabaja en mainframes de gran capacidad con sistemas operativos como MVS, AIX, etc. Tambien existen versiones de SAS para equipos medios con sistemas operativos como UNIX, OS2 o Windows. Como es natural, tambien hay versiones de SAS que trabajan en ordenadores personales con sistema operativo Windows. La sintaxis de los procedimientosestadisticos es similar en todos los entornos, y solamente cambian las sentencias especificas de entorno y de sistema.El modulo de SAS para control de calidad se denomina SASQC SAS Quality Control y permite el trabajo con la mayoria de las tecnicas de esta materia, como control estadistico de procesos, graficos de control, analisis de la capacidad, diseño de experimentos, metodologia de Taguchi, planes de muestreo de aceptacion, estudios de fiabilidad, herramientas de mejora de lacalidad como los diagramas de causa y efecto y los graficos de Pareto, etc.

Dentro del trabajo en Big Data juega un papel importante la plataforama Hadoop. La importancia de Hadoop radica básicamente en que permite desarrollar tareas muy intensivas de computación masiva, dividiendolas en pequeñas piezas y distribuyendolas en un conjunto de maquinas todo lo grande que se quiera. El analisis se realiza en petabytes de datos, en entornos distribuidos formados por muchas maquinas sencillas. Se trata de una propuesta de valor muy razonable en los tiempos hiperconectados que vivimos, y que utilizan hasta la saciedad empresas como Google, Yahoo, Tuenti, Twitter, eBay o Facebook. El uso de Hadoop se esta popularizando a gran velocidad en todo tipo de empresas. SAS incorpora Hadoop en sus productos para trabajar en el campo del Big Data. A continuacion se relacinan las herramientas mas importantes de SAS para trabajar en Big Data Analytics y que se desarrollan a lo largo de este libro: SAS VISUAL ANALYTICS, SAS VISUAL STATISTICS, SAS HIGH-PERFORMANCE ANALYTICS y SAS IN-MEMORY STATISTICS

El Deep Learning (aprendizaje profundo) es un tipo del aprendizaje automático basado en redes neuronales artificiales. El proceso de este aprendizaje se llama profundo porque estas estructuras de redes consisten en tener multiples entradas, salidas y capas ocultas. Cada capa contiene unidades que transforman los datos de entrada en informacion, y de esta forma, la siguiente capa puede utilizarlos para una determinada tarea predictiva. De esta forma, una maquina puede aprender mediante su propio procesamiento de datos. MATLAB cuenta con la herramienta Neural Network Toolbox (Deep Leraning Toolbox a partir de la version 18) que proporciona algoritmos, funciones y aplicaciones para crear, entrenar, visualizar y simular redes neuronales. Puede realizar clasificacion, regresion, agrupamiento, reduccion de dimensionalidad, pronostico de series de tiempo y modelado y control de sistemas dinamicos. La caja de herramientas incluye redes neuronales convolucionales y algoritmos de aprendizaje profundo con codificador automatico para clasificacion de imagenes y tareas de aprendizaje de caracteristicas. Para acelerar el entrenamiento de grandes conjuntos de datos, puede distribuir calculos y datos entre procesadores multinucleo, GPU y clusteres de computadoras utilizando Parallel Computing Toolbox. Este libro profundiza en las arquitecturas de redes neuronales utilizadas en el aprendizaje profundo, asi como en sus aplicaciones.

En este libro se presenta un análisis profundo de la base de datos Microsoft SQL Server 2008 en su versión Enterprise Edition. Se comienza tratando la instalación del programa, la introducción del trabajo en los distintos entornos de la base de datos y el desarrollo amplio del modelo entidad-relación a través de Transact SQL, que se trata detalladamente. Asimismo, se desarrollan de forma exhaustiva todas las tareas relativas a la administración de la base de datos, incluyendo la administración de servidores, la administración de la seguridad, la duplicación y la migración de datos. En cuanto a la metodología, los capítulos comienzan con la exposición de las tareas en orden secuencial de dificultad y se completan con un número importante de ejercicios prácticos que complementan los conceptos teóricos. Tanto la exposición de los conceptos como los problemas hacen referencia a bases de datos ejemplo que son construidas completamente en el propio libro, por lo que no es necesario acudir a ficheros externos ni a otro tipo de información adicional.

El Data Mining puede definirse como un proceso de descubrimiento de nuevas y significativas relaciones, patrones y tendencias al examinar grandes cantidades de datos. Las técnicas de Minería de Datos persiguen el descubrimiento automatico del conocimiento contenido en la informacion almacenada de modo ordenado en grandes bases de datos. Estas tecnicas tienen como objetivo descubrir patrones, perfiles y tendencias a traves del analisis de los datos utilizando tecnicas estadisticas avanzadas de analisis multivariante de datos.Este libro desarrolla las diferentes tareas que constituyen el proceso de la mineria de datos. Despues de haber comprendido el problema y los datos es necesaria la preparacion de los mismos mediante las fases de seleccion, limpieza y codificacion que obtienen los datos objetivo de las fuentes origen y los procesan y transforman para hacerlos susceptibles de analisis. Posteriormente se aplican las tecnicas de Data Mining, que habitualmente conllevan modelizacion. Una vez evaluados e interpretados los modelos, se extrae el conocimiento contenido en los datos. Se desarrollan ejercicios practicos utilizando el software IBM SPSS Modeler

Dentro de las estructuras de datos más importantes, típicas en el trabajo econométrico aplicado, tenemos los datos de series temporales. Un conjunto de datos de series temporales consiste en observaciones sobre una variable o distintas variables a lo largo del tiempo. Ejemplos tipicos de datos de series temporales son el producto interior bruto, la oferta monetaria, los indices de precios al consumo, las tasas anuales de homicidios o las cifras de venta de automoviles. Dado que los acontecimientos pasados pueden tener influencia sobre acontecimientos futuros, y los efectos retardados en el comportamiento de los individuos son frecuentes en ciencias sociales, el tiempo es un parametro importante en los conjuntos de series temporales. Este libro profundiza en el estudio de las series temporales a traves de la metodologia ARIMA de Box Jenkins. Se desarrollan los modelos ARIMA a traves de ejemplos utilizando el software Statgraphics Centurion

El objetivo de este libro es presentar las técnicas de predicción modernas basadas en el análisis de series temporales. El contenido se dirige a docentes y estudiantes universitarios de todos los niveles que imparten o cursan materias relacionadas con las series temporales o modelos econometricos que tengan relacion con las series de tiempo. Asimismo, es util para los profesionales de la Economia, Ciencias Sociales, Ciencias Experimentales y otras ramas cientificas en las que se aplican las tecnicas de modelizacion temporal y la prediccion. El libro comienza introduciendo al lector en los conceptos esenciales para el trabajo con series temporales, como el tratamiento de tendencias, variaciones estacionales y variaciones ciclicas y tratando los metodos deterministas de prediccion y suavizado (medias moviles, Holt-Winters, etc.). A continuacion, se abordan los metodos estocasticos de prediccion presentando el analisis univariante de series temporales a traves de los modelos ARIMA y la metodologia de Box-Jenkins, incluyendo modelos estacionales y generales con sus etapas de identificacion, estimacion, diagnosis y prediccion. Posteriormente se abordan temas mas avanzados como el analisis de la intervencion y los modelos de la funcion de transferencia. Tambien se desarrollan metodos de prediccion con series temporales a traves de redes neuronales y espacio de los estados. Representa un valor añadido fundamental el analisis detallado de las posibilidades del software R para obtener predicciones a traves de las series temporales. Se hace hincapie en los metodos de prediccion automatica que incorpora R en sus ultimas versiones. En cuanto a la metodologia docente, cada capitulo comienza con una exposicion resumida de los conceptos teoricos y posteriormente se enfoca la parte practica ilustrando cada concepto teorico con ejemplos desarrollados de forma muy detallada. Los capitulos finalizan con la resolucion clara y precisa de problemas representativos del tema en estudio.