Big data
Big data » Notas
Página 16 de 16
Notas
1. https://www.big-data-europe.eu/
2. https://aws.amazon.com
3. https://www.tensorflow.org/
4. https://www.teradatauniversitynetwork.com/
5. https://www.ibm.com/watson-analytics?lnk=hmhm
6. https://www.kaggle.com/. Si el lector no consigue resolver su problema big data y no encuentra disponible al DataLab del ICMAT, una buena oportunidad puede ser emplear Kaggle.
7. https://datausa.io/
8. https://www.mturk.com/. El nombre proviene de un “invento” construido en 1770 en el que un supuesto autómata, ataviado según la tradición otomana, jugaba al ajedrez de manera mecánica, llegando a vencer a estadistas como Benjamin Franklin o Napoleón Bonaparte. Este “precursor” de los modernos programas de ajedrez era en realidad un gran maestro escondido debajo de la mesa, que movía las piezas con un imán.
9. Y análogamente en el caso de regresión.
10. El principal fabricante de tarjetas gráficas es la empresa Nvidia, que ha visto ampliado su negocio desde el mercado de los videojuegos hasta los grandes centros de datos dedicados a la inteligencia artificial (y la minería de bitcoins).
11. En opinión de David Donoho, galardonado en 2018 con el premio Gauss de la International Mathematical Union, este tipo de competiciones por una tarea común (common task frameworks) han marcado el desarrollo metodológico en ciencia de datos y su carácter práctico está diferenciando esta disciplina de la estadística tradicional.
12. https://datapopalliance.org
13. https://www.opalproject.org/
14. Algunos diríamos siempre.
15. Sin embargo, no se comienza el modelo con una red desde cero, sino que de partida se toma una red profunda ya entrenada en clasificación con 15 millones de imágenes y, manteniendo los mismos pesos, se recalculan solo los pesos de las capas más superficiales para la tarea específica (clasificación de tumores). Esto se conoce como “aprendizaje por transferencia” (transfer learning) y permite aprovechar el trabajo previo en la abstracción de características de bajo nivel para la interpretación de imágenes.
16. https://gdc.cancer.gov/
17. https://camelyon17.grand-challenge.org/
18. https://samantree.com/product/
19. https://www.pathai.com/
20. https://www.usa.philips.com/healthcare/solutions/pathology
21. http://quantifiedself.com/
22. http://webkay.robinlinus.com/
23. Como experiencia ilustrativa, sugerimos una visita a https://clickclickclick.click/, una iniciativa pedagógica del VPRO Medialab.
24. Para los lectores más jóvenes: duro es la forma coloquial de referirse a una moneda de cinco pesetas.
25. “Winston Smith: Does Big Brother exist? / O’Brien: Of course he exists. / Winston Smith: Does he exist like you or me? / O’Brien: You do not exist”.
26. Los archivos de la Stasi fueron destruidos tras su disolución en 1989 y, curiosamente, un proyecto de inteligencia artificial pretende reconstruir todos los documentos en papel destruidos por la trituradora.
27. El reconocimiento facial es también un problema de aprendizaje supervisado en el que las redes neuronales convolutivas han alcanzado una eficiencia notable.
28. Catalogar un mensaje como positivo o negativo es una tarea que se conoce como “análisis de sentimientos”. Es un problema relativamente sencillo de aprendizaje supervisado en procesamiento de lenguaje natural.
29. Otro ejemplo es la implantación en 2018 de patinetes eléctricos: la compañía Lime comenzó a colocar miles de patinetes en las ciudades sin apenas conocimiento de las autoridades locales ni normativa sobre su circulación.
30. https://citp.princeton.edu/
31. https://freedom-to-tinker.com
32. https://www.eff.org
33. El lector interesado en proteger su navegador frente a cookies de terceros puede instalar una extensión elaborada por la Electronic Frontier Foundation (https://www.eff.org/es/node/99095).
34. https://ainowinstitute.org/
35. En relación con el RGPD se puede consultar https://gdprexplained.eu/ o alguno de los múltiples artículos en internet que explican la nueva normativa.
Índice de contenido
Big data
Créditos
Dedicatoria
Agradecimientos
Prólogo
Capítulo 1. Frente al mar de datos
Introducción
Analítica para negocios
Analítica para políticas públicas
El camino que nos espera
Capítulo 2. Tecnologías del big data
Introducción
Del small al big data
Pero ¿cuán grande es el big de big data?
Las otras ‘uves’ del big data
Tecnologías del big data
Para saber más
Capítulo 3. Métodos estadísticos y de aprendizaje automático para el tratamiento de big data
Introducción
Preprocesamiento, análisis y visualización
Aprendizaje supervisado, no supervisado y por refuerzo
Entrenamiento, validación y test
Aprendizaje profundo
Algunos campos de aplicación del aprendizaje automático
Para saber más
Capítulo 4. Big data para la política y la Administración
Introducción
Big data para políticas públicas
De la mercadotecnia política…
… a las noticias falsas
Para saber más
Capítulo 5. Big data en sanidad
Introducción
Diagnóstico y prognosis
Ampliando la base estadística
Aprendizaje profundo para diagnóstico por imágenes
Sensores portátiles, redes sociales y salud pública
Para saber más
Capítulo 6. Big data y ciberseguridad
Introducción
Ciberseguridad: algo de contexto
Metodologías para la ciberseguridad
Big data para ciberseguridad
Para saber más
Capítulo 7. La otra cara del big data
Introducción
¿Quién almacena nuestros datos? ¿Qué datos? ¿Con qué fin?
El verdadero negocio de los gigantes de internet
Big brother is watching: ciencia de datos al servicio del poder político
Experimentos sociales en la era digital: el caso de Cambridge Analytica
Círculos viciosos y sesgos en el sistema
Mirando al futuro (positivamente)
Para saber más
Capítulo 8. A modo de conclusión
Bibliografía
Notas
Has llegado a la página final