ºÝºÝߣshows by User: rtdibermatica / http://www.slideshare.net/images/logo.gif ºÝºÝߣshows by User: rtdibermatica / Mon, 12 Jan 2015 07:29:48 GMT ºÝºÝߣShare feed for ºÝºÝߣshows by User: rtdibermatica Bigdata aplicada a entornos formativos https://es.slideshare.net/slideshow/bigdata-aplicada-a-entornos-formativos/43426180 bigdataaplicadaaentornosformativos-150112072948-conversion-gate01
Bigdata aplicada a Entornos Formativos. La evolución de la Minería de Datos Educativa aplicada a Inteligencias Múltiplesâ€. Existe una rama de la Minería de Datos, denominada Minería de Datos Educativos (EDM), que describe un campo de investigación de aprendizaje automático y estadísticas sobre la información generada por los centros educativos (por ejemplo, las universidades y los sistemas inteligentes de tutorías). A grandes rasgos, esta especialidad busca desarrollar métodos para la exploración de estos datos, que a menudo tienen múltiples niveles de jerarquía significativas, con el fin de descubrir nuevos conocimientos acerca de cómo aprenden las personas en el contexto de sus actividades.[1] .De este modo, EDM ha contribuido a las teorías del aprendizaje en psicología de la educación y en las ciencias del aprendizaje.[2] Esta disciplina está estrechamente ligada a la de la analítica de aprendizaje, y se ha investigado de manera clara las relaciones entre ambos mundos.[3] EDM se refiere a las técnicas, las herramientas y las investigaciones diseñadas para la extracción automática de conocimiento a partir de grandes repositorios de datos generados o relacionados con las actividades de aprendizaje de las personas en entornos educativos. Por otro lado, la cantidad de datos en distintos formatos (bases de datos, texto, multimedia, audio…) alrededor de los alumnos, tutores, recursos educativos y perfiles neuropsicológicos es cada vez más ingente y difícil de integrara, aunar y gestionar. Por ello, técnicas avanzadas de extracción del conocimiento relevante sobre ingentes volúmenes de datos, para la aplicación del mismo sobre la personalización de contenidos y acciones sobre los binomios tutor-alumno, es un paso natural en la estrategia de mejora educativa moderna. La idea general es dotar al educador, en base a ciertas entradas de diferentes sistemas, de un sistema automático que sea capaz de clasificar el “estado†concreto en el que se encuentra cada uno de los alumnos, en base a un posicionamiento de los mismos dentro de cada uno de los mapas de las diferentes “inteligenciasâ€, de forma que se “triangula†al alumno de forma desasistida, en base a valoraciones, situación formativa, “inputs†objetivos y subjetivos relacionados al alumno, contenidos asignados, evaluación de los mismos, etc… en un “estado†determinado. Y a partir de este estado, y en base, por un lado, a la introducción del conocimiento de los educadores en ciertas guías formativas que se deben aplicar en cada “estadioâ€, dentro de un sistema experto inteligente, y por otro lado, a la interpolación automática de los modelos de análisis sobre como han evolucionado alumnos similares en situaciones o estadios similares en el pasado, dónde se les aplicaron las mismas o distintas rutas formativas, seleccionar la mejor decisión a aplicar a la personalización de acciones a proponer a cada alumno, como herramienta d]]>
Bigdata aplicada a Entornos Formativos. La evolución de la Minería de Datos Educativa aplicada a Inteligencias Múltiplesâ€. Existe una rama de la Minería de Datos, denominada Minería de Datos Educativos (EDM), que describe un campo de investigación de aprendizaje automático y estadísticas sobre la información generada por los centros educativos (por ejemplo, las universidades y los sistemas inteligentes de tutorías). A grandes rasgos, esta especialidad busca desarrollar métodos para la exploración de estos datos, que a menudo tienen múltiples niveles de jerarquía significativas, con el fin de descubrir nuevos conocimientos acerca de cómo aprenden las personas en el contexto de sus actividades.[1] .De este modo, EDM ha contribuido a las teorías del aprendizaje en psicología de la educación y en las ciencias del aprendizaje.[2] Esta disciplina está estrechamente ligada a la de la analítica de aprendizaje, y se ha investigado de manera clara las relaciones entre ambos mundos.[3] EDM se refiere a las técnicas, las herramientas y las investigaciones diseñadas para la extracción automática de conocimiento a partir de grandes repositorios de datos generados o relacionados con las actividades de aprendizaje de las personas en entornos educativos. Por otro lado, la cantidad de datos en distintos formatos (bases de datos, texto, multimedia, audio…) alrededor de los alumnos, tutores, recursos educativos y perfiles neuropsicológicos es cada vez más ingente y difícil de integrara, aunar y gestionar. Por ello, técnicas avanzadas de extracción del conocimiento relevante sobre ingentes volúmenes de datos, para la aplicación del mismo sobre la personalización de contenidos y acciones sobre los binomios tutor-alumno, es un paso natural en la estrategia de mejora educativa moderna. La idea general es dotar al educador, en base a ciertas entradas de diferentes sistemas, de un sistema automático que sea capaz de clasificar el “estado†concreto en el que se encuentra cada uno de los alumnos, en base a un posicionamiento de los mismos dentro de cada uno de los mapas de las diferentes “inteligenciasâ€, de forma que se “triangula†al alumno de forma desasistida, en base a valoraciones, situación formativa, “inputs†objetivos y subjetivos relacionados al alumno, contenidos asignados, evaluación de los mismos, etc… en un “estado†determinado. Y a partir de este estado, y en base, por un lado, a la introducción del conocimiento de los educadores en ciertas guías formativas que se deben aplicar en cada “estadioâ€, dentro de un sistema experto inteligente, y por otro lado, a la interpolación automática de los modelos de análisis sobre como han evolucionado alumnos similares en situaciones o estadios similares en el pasado, dónde se les aplicaron las mismas o distintas rutas formativas, seleccionar la mejor decisión a aplicar a la personalización de acciones a proponer a cada alumno, como herramienta d]]> Mon, 12 Jan 2015 07:29:48 GMT https://es.slideshare.net/slideshow/bigdata-aplicada-a-entornos-formativos/43426180 rtdibermatica@slideshare.net(rtdibermatica) Bigdata aplicada a entornos formativos rtdibermatica Bigdata aplicada a Entornos Formativos. La evolución de la Minería de Datos Educativa aplicada a Inteligencias Múltiplesâ€. Existe una rama de la Minería de Datos, denominada Minería de Datos Educativos (EDM), que describe un campo de investigación de aprendizaje automático y estadísticas sobre la información generada por los centros educativos (por ejemplo, las universidades y los sistemas inteligentes de tutorías). A grandes rasgos, esta especialidad busca desarrollar métodos para la exploración de estos datos, que a menudo tienen múltiples niveles de jerarquía significativas, con el fin de descubrir nuevos conocimientos acerca de cómo aprenden las personas en el contexto de sus actividades.[1] .De este modo, EDM ha contribuido a las teorías del aprendizaje en psicología de la educación y en las ciencias del aprendizaje.[2] Esta disciplina está estrechamente ligada a la de la analítica de aprendizaje, y se ha investigado de manera clara las relaciones entre ambos mundos.[3] EDM se refiere a las técnicas, las herramientas y las investigaciones diseñadas para la extracción automática de conocimiento a partir de grandes repositorios de datos generados o relacionados con las actividades de aprendizaje de las personas en entornos educativos. Por otro lado, la cantidad de datos en distintos formatos (bases de datos, texto, multimedia, audio…) alrededor de los alumnos, tutores, recursos educativos y perfiles neuropsicológicos es cada vez más ingente y difícil de integrara, aunar y gestionar. Por ello, técnicas avanzadas de extracción del conocimiento relevante sobre ingentes volúmenes de datos, para la aplicación del mismo sobre la personalización de contenidos y acciones sobre los binomios tutor-alumno, es un paso natural en la estrategia de mejora educativa moderna. La idea general es dotar al educador, en base a ciertas entradas de diferentes sistemas, de un sistema automático que sea capaz de clasificar el “estado†concreto en el que se encuentra cada uno de los alumnos, en base a un posicionamiento de los mismos dentro de cada uno de los mapas de las diferentes “inteligenciasâ€, de forma que se “triangula†al alumno de forma desasistida, en base a valoraciones, situación formativa, “inputs†objetivos y subjetivos relacionados al alumno, contenidos asignados, evaluación de los mismos, etc… en un “estado†determinado. Y a partir de este estado, y en base, por un lado, a la introducción del conocimiento de los educadores en ciertas guías formativas que se deben aplicar en cada “estadioâ€, dentro de un sistema experto inteligente, y por otro lado, a la interpolación automática de los modelos de análisis sobre como han evolucionado alumnos similares en situaciones o estadios similares en el pasado, dónde se les aplicaron las mismas o distintas rutas formativas, seleccionar la mejor decisión a aplicar a la personalización de acciones a proponer a cada alumno, como herramienta d <img style="border:1px solid #C3E6D8;float:right;" alt="" src="https://cdn.slidesharecdn.com/ss_thumbnails/bigdataaplicadaaentornosformativos-150112072948-conversion-gate01-thumbnail.jpg?width=120&amp;height=120&amp;fit=bounds" /><br> Bigdata aplicada a Entornos Formativos. La evolución de la Minería de Datos Educativa aplicada a Inteligencias Múltiplesâ€. Existe una rama de la Minería de Datos, denominada Minería de Datos Educativos (EDM), que describe un campo de investigación de aprendizaje automático y estadísticas sobre la información generada por los centros educativos (por ejemplo, las universidades y los sistemas inteligentes de tutorías). A grandes rasgos, esta especialidad busca desarrollar métodos para la exploración de estos datos, que a menudo tienen múltiples niveles de jerarquía significativas, con el fin de descubrir nuevos conocimientos acerca de cómo aprenden las personas en el contexto de sus actividades.[1] .De este modo, EDM ha contribuido a las teorías del aprendizaje en psicología de la educación y en las ciencias del aprendizaje.[2] Esta disciplina está estrechamente ligada a la de la analítica de aprendizaje, y se ha investigado de manera clara las relaciones entre ambos mundos.[3] EDM se refiere a las técnicas, las herramientas y las investigaciones diseñadas para la extracción automática de conocimiento a partir de grandes repositorios de datos generados o relacionados con las actividades de aprendizaje de las personas en entornos educativos. Por otro lado, la cantidad de datos en distintos formatos (bases de datos, texto, multimedia, audio…) alrededor de los alumnos, tutores, recursos educativos y perfiles neuropsicológicos es cada vez más ingente y difícil de integrara, aunar y gestionar. Por ello, técnicas avanzadas de extracción del conocimiento relevante sobre ingentes volúmenes de datos, para la aplicación del mismo sobre la personalización de contenidos y acciones sobre los binomios tutor-alumno, es un paso natural en la estrategia de mejora educativa moderna. La idea general es dotar al educador, en base a ciertas entradas de diferentes sistemas, de un sistema automático que sea capaz de clasificar el “estado†concreto en el que se encuentra cada uno de los alumnos, en base a un posicionamiento de los mismos dentro de cada uno de los mapas de las diferentes “inteligenciasâ€, de forma que se “triangula†al alumno de forma desasistida, en base a valoraciones, situación formativa, “inputs†objetivos y subjetivos relacionados al alumno, contenidos asignados, evaluación de los mismos, etc… en un “estado†determinado. Y a partir de este estado, y en base, por un lado, a la introducción del conocimiento de los educadores en ciertas guías formativas que se deben aplicar en cada “estadioâ€, dentro de un sistema experto inteligente, y por otro lado, a la interpolación automática de los modelos de análisis sobre como han evolucionado alumnos similares en situaciones o estadios similares en el pasado, dónde se les aplicaron las mismas o distintas rutas formativas, seleccionar la mejor decisión a aplicar a la personalización de acciones a proponer a cada alumno, como herramienta d
from Aitor Moreno Fdz. de Leceta
]]> 416 2 https://cdn.slidesharecdn.com/ss_thumbnails/bigdataaplicadaaentornosformativos-150112072948-conversion-gate01-thumbnail.jpg?width=120&height=120&fit=bounds presentation Black http://activitystrea.ms/schema/1.0/post http://activitystrea.ms/schema/1.0/posted 0 Análisis de series temporales - Tecnología i3B https://es.slideshare.net/slideshow/anlisis-de-series-temporales-tecnologa-i3b/39985837 anlisisdeseriestemporales-tecnologaibermtica21-141007140245-conversion-gate02
Hoy en día todo se mide a lo largo de un estado contextual (tiempo y espacio), y los eventos que ocurren a lo largo de una secuencia temporal, cómo se ven afectados por otros eventos multidimensionales pasados, y cómo afectan estos nuevos eventos descubiertos a otros en el futuro, es la base de una predicción efectiva en el mundo de la analítica avanzada. I3B proporciona tecnología propia en base a modelos de aprendizaje automático multidimensionales sobre la línea del tiempo. La series temporales modelan todos nuestros comportamientos (consumos, energía, transporte, industria, medicina, meteorología), y sabemos cómo analizarlas., e incluso, como descubrir las relaciones entre concpetos a lo largo del tiempo. El conocimiento no es tener una gran cantidad de datos, sino conocer sus relaciones, y además, temporales...]]>
Hoy en día todo se mide a lo largo de un estado contextual (tiempo y espacio), y los eventos que ocurren a lo largo de una secuencia temporal, cómo se ven afectados por otros eventos multidimensionales pasados, y cómo afectan estos nuevos eventos descubiertos a otros en el futuro, es la base de una predicción efectiva en el mundo de la analítica avanzada. I3B proporciona tecnología propia en base a modelos de aprendizaje automático multidimensionales sobre la línea del tiempo. La series temporales modelan todos nuestros comportamientos (consumos, energía, transporte, industria, medicina, meteorología), y sabemos cómo analizarlas., e incluso, como descubrir las relaciones entre concpetos a lo largo del tiempo. El conocimiento no es tener una gran cantidad de datos, sino conocer sus relaciones, y además, temporales...]]> Tue, 07 Oct 2014 14:02:45 GMT https://es.slideshare.net/slideshow/anlisis-de-series-temporales-tecnologa-i3b/39985837 rtdibermatica@slideshare.net(rtdibermatica) Análisis de series temporales - Tecnología i3B rtdibermatica Hoy en día todo se mide a lo largo de un estado contextual (tiempo y espacio), y los eventos que ocurren a lo largo de una secuencia temporal, cómo se ven afectados por otros eventos multidimensionales pasados, y cómo afectan estos nuevos eventos descubiertos a otros en el futuro, es la base de una predicción efectiva en el mundo de la analítica avanzada. I3B proporciona tecnología propia en base a modelos de aprendizaje automático multidimensionales sobre la línea del tiempo. La series temporales modelan todos nuestros comportamientos (consumos, energía, transporte, industria, medicina, meteorología), y sabemos cómo analizarlas., e incluso, como descubrir las relaciones entre concpetos a lo largo del tiempo. El conocimiento no es tener una gran cantidad de datos, sino conocer sus relaciones, y además, temporales... <img style="border:1px solid #C3E6D8;float:right;" alt="" src="https://cdn.slidesharecdn.com/ss_thumbnails/anlisisdeseriestemporales-tecnologaibermtica21-141007140245-conversion-gate02-thumbnail.jpg?width=120&amp;height=120&amp;fit=bounds" /><br> Hoy en día todo se mide a lo largo de un estado contextual (tiempo y espacio), y los eventos que ocurren a lo largo de una secuencia temporal, cómo se ven afectados por otros eventos multidimensionales pasados, y cómo afectan estos nuevos eventos descubiertos a otros en el futuro, es la base de una predicción efectiva en el mundo de la analítica avanzada. I3B proporciona tecnología propia en base a modelos de aprendizaje automático multidimensionales sobre la línea del tiempo. La series temporales modelan todos nuestros comportamientos (consumos, energía, transporte, industria, medicina, meteorología), y sabemos cómo analizarlas., e incluso, como descubrir las relaciones entre concpetos a lo largo del tiempo. El conocimiento no es tener una gran cantidad de datos, sino conocer sus relaciones, y además, temporales...
from Aitor Moreno Fdz. de Leceta
]]> 1157 242 https://cdn.slidesharecdn.com/ss_thumbnails/anlisisdeseriestemporales-tecnologaibermtica21-141007140245-conversion-gate02-thumbnail.jpg?width=120&height=120&fit=bounds presentation Black http://activitystrea.ms/schema/1.0/post http://activitystrea.ms/schema/1.0/posted 0 Showorld Object Mining - Drones + ObjectMining https://es.slideshare.net/slideshow/showorld-object-mining-drones-objectmining/39985310 showorldobjectmining-141007134931-conversion-gate01
¿Necesita encontrar objetos concretos en ambientes hostiles, como en casos de naufragios, embarcaciones sospechosas, conatos de incendios en bosques, seguimiento de personas en zonas forestales o en entornos de seguridad, búsqueda de personas perdidas en zonas de riesgo? O simplemente ¿necesita realizar clasificaciones sobre mapas o imágenes aéreas para detectar e interpretar qué aparecen en las imágenes a vista de pájaro? I3B da solución a estos problemas de una manera óptima, sencilla y ajustada, en un proyecto en el que pone a disposición de sus clientes toda una la flota de drones o aeronaves no tripulados con múltiples posibilidades de captación de diferentes tipos de información (visual, termográfica, escáneres láser, unidades inerciales, cámaras multiespectrales, etc.), configurables para cada caso particular y necesidad personalizada, todo ello acoplado a una plataforma de software de almacenamiento y gestión de la información masiva que se recoge en cada uno de los vuelos realizados. La utilización de drones permite mayor agilidad, acceso y con costes más económicos (y por supuesto más seguros) con respecto a los vuelos tripulados, principalmente, para la inspección de zonas críticas. i3B acopla a la plataforma de control y seguimiento automático de vuelos no tripulados, las capacidades de plataforma “ObjectMining†de i3B, una platafoma capaz de extractar, de forma automática, de las imágenes (datos en bruto), objetos, detalles, características, etc. Es capaz de clasificar y anotar lo que aparece en la información recogida por los “dronesâ€, georeferenciarla y mostrar al usuario de la aplicación, sólo aquella información relevante, ya anotada y acotada, de las zonas de interés que aparecen en el vuelo, en tiempo real, para que los gestores puedan tomar decisiones inmediatas sobre dichas detecciones.]]>
¿Necesita encontrar objetos concretos en ambientes hostiles, como en casos de naufragios, embarcaciones sospechosas, conatos de incendios en bosques, seguimiento de personas en zonas forestales o en entornos de seguridad, búsqueda de personas perdidas en zonas de riesgo? O simplemente ¿necesita realizar clasificaciones sobre mapas o imágenes aéreas para detectar e interpretar qué aparecen en las imágenes a vista de pájaro? I3B da solución a estos problemas de una manera óptima, sencilla y ajustada, en un proyecto en el que pone a disposición de sus clientes toda una la flota de drones o aeronaves no tripulados con múltiples posibilidades de captación de diferentes tipos de información (visual, termográfica, escáneres láser, unidades inerciales, cámaras multiespectrales, etc.), configurables para cada caso particular y necesidad personalizada, todo ello acoplado a una plataforma de software de almacenamiento y gestión de la información masiva que se recoge en cada uno de los vuelos realizados. La utilización de drones permite mayor agilidad, acceso y con costes más económicos (y por supuesto más seguros) con respecto a los vuelos tripulados, principalmente, para la inspección de zonas críticas. i3B acopla a la plataforma de control y seguimiento automático de vuelos no tripulados, las capacidades de plataforma “ObjectMining†de i3B, una platafoma capaz de extractar, de forma automática, de las imágenes (datos en bruto), objetos, detalles, características, etc. Es capaz de clasificar y anotar lo que aparece en la información recogida por los “dronesâ€, georeferenciarla y mostrar al usuario de la aplicación, sólo aquella información relevante, ya anotada y acotada, de las zonas de interés que aparecen en el vuelo, en tiempo real, para que los gestores puedan tomar decisiones inmediatas sobre dichas detecciones.]]> Tue, 07 Oct 2014 13:49:31 GMT https://es.slideshare.net/slideshow/showorld-object-mining-drones-objectmining/39985310 rtdibermatica@slideshare.net(rtdibermatica) Showorld Object Mining - Drones + ObjectMining rtdibermatica ¿Necesita encontrar objetos concretos en ambientes hostiles, como en casos de naufragios, embarcaciones sospechosas, conatos de incendios en bosques, seguimiento de personas en zonas forestales o en entornos de seguridad, búsqueda de personas perdidas en zonas de riesgo? O simplemente ¿necesita realizar clasificaciones sobre mapas o imágenes aéreas para detectar e interpretar qué aparecen en las imágenes a vista de pájaro? I3B da solución a estos problemas de una manera óptima, sencilla y ajustada, en un proyecto en el que pone a disposición de sus clientes toda una la flota de drones o aeronaves no tripulados con múltiples posibilidades de captación de diferentes tipos de información (visual, termográfica, escáneres láser, unidades inerciales, cámaras multiespectrales, etc.), configurables para cada caso particular y necesidad personalizada, todo ello acoplado a una plataforma de software de almacenamiento y gestión de la información masiva que se recoge en cada uno de los vuelos realizados. La utilización de drones permite mayor agilidad, acceso y con costes más económicos (y por supuesto más seguros) con respecto a los vuelos tripulados, principalmente, para la inspección de zonas críticas. i3B acopla a la plataforma de control y seguimiento automático de vuelos no tripulados, las capacidades de plataforma “ObjectMining†de i3B, una platafoma capaz de extractar, de forma automática, de las imágenes (datos en bruto), objetos, detalles, características, etc. Es capaz de clasificar y anotar lo que aparece en la información recogida por los “dronesâ€, georeferenciarla y mostrar al usuario de la aplicación, sólo aquella información relevante, ya anotada y acotada, de las zonas de interés que aparecen en el vuelo, en tiempo real, para que los gestores puedan tomar decisiones inmediatas sobre dichas detecciones. <img style="border:1px solid #C3E6D8;float:right;" alt="" src="https://cdn.slidesharecdn.com/ss_thumbnails/showorldobjectmining-141007134931-conversion-gate01-thumbnail.jpg?width=120&amp;height=120&amp;fit=bounds" /><br> ¿Necesita encontrar objetos concretos en ambientes hostiles, como en casos de naufragios, embarcaciones sospechosas, conatos de incendios en bosques, seguimiento de personas en zonas forestales o en entornos de seguridad, búsqueda de personas perdidas en zonas de riesgo? O simplemente ¿necesita realizar clasificaciones sobre mapas o imágenes aéreas para detectar e interpretar qué aparecen en las imágenes a vista de pájaro? I3B da solución a estos problemas de una manera óptima, sencilla y ajustada, en un proyecto en el que pone a disposición de sus clientes toda una la flota de drones o aeronaves no tripulados con múltiples posibilidades de captación de diferentes tipos de información (visual, termográfica, escáneres láser, unidades inerciales, cámaras multiespectrales, etc.), configurables para cada caso particular y necesidad personalizada, todo ello acoplado a una plataforma de software de almacenamiento y gestión de la información masiva que se recoge en cada uno de los vuelos realizados. La utilización de drones permite mayor agilidad, acceso y con costes más económicos (y por supuesto más seguros) con respecto a los vuelos tripulados, principalmente, para la inspección de zonas críticas. i3B acopla a la plataforma de control y seguimiento automático de vuelos no tripulados, las capacidades de plataforma “ObjectMining†de i3B, una platafoma capaz de extractar, de forma automática, de las imágenes (datos en bruto), objetos, detalles, características, etc. Es capaz de clasificar y anotar lo que aparece en la información recogida por los “dronesâ€, georeferenciarla y mostrar al usuario de la aplicación, sólo aquella información relevante, ya anotada y acotada, de las zonas de interés que aparecen en el vuelo, en tiempo real, para que los gestores puedan tomar decisiones inmediatas sobre dichas detecciones.
from Aitor Moreno Fdz. de Leceta
]]> 2027 1 https://cdn.slidesharecdn.com/ss_thumbnails/showorldobjectmining-141007134931-conversion-gate01-thumbnail.jpg?width=120&height=120&fit=bounds presentation Black http://activitystrea.ms/schema/1.0/post http://activitystrea.ms/schema/1.0/posted 0 Análisis Predictivo en i3B - Casos de Uso (BigData/Smalldata) en Ibermática https://es.slideshare.net/slideshow/anlisis-predictivo-en-i3b-casos-de-uso-bigdatasmalldata-en-ibermtica/28846228 presentacini3bbigdataspss-131203090654-phpapp02
Análisis Predictivo en i3B - Casos de Uso (BigData/Smalldata) en Ibermática]]>
Análisis Predictivo en i3B - Casos de Uso (BigData/Smalldata) en Ibermática]]> Tue, 03 Dec 2013 09:06:54 GMT https://es.slideshare.net/slideshow/anlisis-predictivo-en-i3b-casos-de-uso-bigdatasmalldata-en-ibermtica/28846228 rtdibermatica@slideshare.net(rtdibermatica) Análisis Predictivo en i3B - Casos de Uso (BigData/Smalldata) en Ibermática rtdibermatica Análisis Predictivo en i3B - Casos de Uso (BigData/Smalldata) en Ibermática <img style="border:1px solid #C3E6D8;float:right;" alt="" src="https://cdn.slidesharecdn.com/ss_thumbnails/presentacini3bbigdataspss-131203090654-phpapp02-thumbnail.jpg?width=120&amp;height=120&amp;fit=bounds" /><br> Análisis Predictivo en i3B - Casos de Uso (BigData/Smalldata) en Ibermática
from Aitor Moreno Fdz. de Leceta
]]> 1238 5 https://cdn.slidesharecdn.com/ss_thumbnails/presentacini3bbigdataspss-131203090654-phpapp02-thumbnail.jpg?width=120&height=120&fit=bounds presentation Black http://activitystrea.ms/schema/1.0/post http://activitystrea.ms/schema/1.0/posted 0 https://cdn.slidesharecdn.com/profile-photo-rtdibermatica-48x48.jpg?cb=1730283835 Desde septiembre de 2008 es director del Departamento Sistemas Inteligentes de Control y Gestión de Ibermática. Gestiona proyectos relacionados con la implantación de sistemas de control basados en redes neuronales, algoritmos genéticos, sistemas de lógica difusa y sistemas expertos; con el análisis de grandes volúmenes de información (DataMining) y con la detección de información relevante en Internet (semántica, ontologías y LinkedData). Participa en la gestión de proyectos de I+D europeos y nacionales en áreas de aplicación de Inteligencia Artificial. http://www.ibermatica.com/ai.moreno https://cdn.slidesharecdn.com/ss_thumbnails/bigdataaplicadaaentornosformativos-150112072948-conversion-gate01-thumbnail.jpg?width=320&height=320&fit=bounds slideshow/bigdata-aplicada-a-entornos-formativos/43426180 Bigdata aplicada a ent... https://cdn.slidesharecdn.com/ss_thumbnails/anlisisdeseriestemporales-tecnologaibermtica21-141007140245-conversion-gate02-thumbnail.jpg?width=320&height=320&fit=bounds slideshow/anlisis-de-series-temporales-tecnologa-i3b/39985837 Análisis de series tem... https://cdn.slidesharecdn.com/ss_thumbnails/showorldobjectmining-141007134931-conversion-gate01-thumbnail.jpg?width=320&height=320&fit=bounds slideshow/showorld-object-mining-drones-objectmining/39985310 Showorld Object Mining...