BIG DATA

 El crecimiento en el volumen de datos generados por diferentes sistemas y actividades cotidianas en la sociedad ha forjado la necesidad de modificar, optimizar y generar métodos y modelos de almacenamiento y tratamiento de datos que suplan las falencias que presentan las bases de datos y los sistemas de gestión de datos tradicionales. Respondiendo a esto aparece Big Data, término que incluye diferentes tecnologías asociadas a la administración de grandes volúmenes de datos provenientes de diferentes fuentes y que se generan con rapidez [1].

A pesar de que el término Big Data se asocia principalmente con cantidades de datos exorbitantes, se debe dejar de lado esta percepción, pues Big Data no va dirigido solo a gran tamaño, sino que abarca tanto volumen como variedad de datos y velocidad de acceso y procesamiento. En la actualidad se ha pasado de la transacción a la interacción, con el propósito de obtener el mejor provecho de la información que se genera minuto a minuto[2].

Con el auge del Big Data se ha dado cabida también a un nuevo concepto, Data Science o Ciencia de los Datos, que se usa de forma genérica para hacer referencia a la serie de técnicas necesarias para el tratamiento y manipulación de información masiva desde un enfoque estadístico e informático. Incluyendo también el surgimiento de un nuevo perfil profesional, el “Data Scientist”[3], las personas capacitadas en este perfil deben saber del negocio, de las herramientas computacionales y de análisis e interpretación estadística.


http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0123-77992017000200002

Comentarios

  1. Leyla Fernandez29 de junio de 2025, 8:56

    El texto presenta de manera clara la evolución y relevancia del Big Data en el contexto actual, destacando cómo el crecimiento masivo de datos ha impulsado la necesidad de nuevas tecnologías y enfoques para su gestión. Es valioso que se aclare que Big Data no solo implica volumen, sino también variedad y velocidad, lo cual amplía su aplicabilidad en distintos sectores. Además, la introducción del concepto de Ciencia de los Datos resalta la importancia de contar con profesionales interdisciplinarios que combinen habilidades técnicas, analíticas y conocimiento del negocio, lo que evidencia un cambio en la forma en que entendemos y aprovechamos la información en la era digital.

    ResponderEliminar
  2. Jhon Kelvin10 de julio de 2025, 22:30

    Interesante..

    ResponderEliminar
  3. Ana10 de julio de 2025, 22:31

    ¡Qué interesante, no sabía que el big dara era tan importante!

    ResponderEliminar

Publicar un comentario

Entradas populares de este blog

Minería de datos educativos y análisis del aprendizaje

La minería de datos educativos (EDM, Educational Data Mining) y la analítica del aprendizaje (LA, Learning Analytics) son técnicas que utilizan el análisis de datos para mejorar los procesos educativos. Para ello extrae patrones y tendencias del rendimiento, el comportamiento y las interacciones de los estudiantes. Estas disciplinas optimizan los procesos de aprendizaje, identifican a los estudiantes con sus dificultades y logran personalizar las experiencias de aprendizaje. Su integración promete revolucionar la educación y fomentar el éxito de los estudiantes en la era digital. Líneas de investigación actuales en DaSCI: Portabilidad de modelos predictivos. En la minería de datos educativos, un reto clave es garantizar la portabilidad de los modelos predictivos a través de diferentes cursos. Actualmente, la excesiva dependencia de atributos de bajo nivel durante el entrenamiento limita la adaptabilidad de los modelos. Para abordar este problema, estamos desarrollando y utilizando acti...
Leer más

Proceso de la Minería de datos educativa

Imagen
  1. Extracción de datos: Consiste en la selección y recuperación de datos del entorno educativo, priorizando fuentes digitales como sistemas de información o entornos virtuales de aprendizaje. Los datos incluyen interacción, uso de sistemas, información de cursos, datos académicos, encuestas socioeconómicas y antecedentes escolares. 2. Preprocesamiento: Se limpian datos (eliminando datos redundantes, incorrectos o faltantes), se mezclan fuentes y se convierten valores para una gestión estandarizada y homogénea. Es crucial excluir atributos irrelevantes y el resultado es un conjunto de datos listo para el análisis. 3. Aplicación de métodos de MDE: Se seleccionan y aplican técnicas acordes a los objetivos, como clasificación/predicción para identificar riesgo académico. Se pueden seleccionar atributos relevantes y ajustar parámetros de algoritmos para refinar la precisión de los modelos. 4. Interpretación de resultados: Se muestran los patrones, relaciones o tendencias descubiertos ...
Leer más