Mostrar el registro sencillo del ítem

Big data para sistemas de información geográfica (SIG)

dc.contributor.authorCorporación Universidad de la Costaspa
dc.date.accessioned2020-07-21T19:46:13Z
dc.date.available2020-07-21T19:46:13Z
dc.date.issued2020
dc.identifier.urihttps://hdl.handle.net/11323/6765spa
dc.description.abstractEl crecimiento en el volumen de datos generados por diferentes sistemas y actividades cotidianas en la sociedad ha forjado la necesidad desde la Ingeniería 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 surgió la implementación de Big Data, término que incluye diferentes tecnologías asociadas a la administración y el procesamiento de grandes volúmenes de datos provenientes de diferentes fuentes y que se generan con rapidez. De esta manera, herramientas como los Sistemas de Información Geográfica (SIG) constituyen una herramienta innovadora para el almacenamiento de información general y específica de nuestro entorno. Esta enorme cantidad de datos, así como los datos que se generarán a futuro con la evolución de los SIG, acarrean la necesidad de contar con profesionales en el ámbito de la Ingeniería idóneos y con amplias competencias en sistemas de gestión de datos mejoradosspa
dc.language.isospa
dc.publisherUniversidad de la Costaspa
dc.relation.ispartofseriesContenidos académicos por cátedraspa
dc.rightsCC0 1.0 Universalspa
dc.rights.urihttp://creativecommons.org/publicdomain/zero/1.0/spa
dc.subjectModelos de almacenamientospa
dc.subjectBases de datosspa
dc.subjectBig dataspa
dc.titleBig data para sistemas de información geográfica (SIG)spa
dc.typeOtrosspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.identifier.instnameCorporación Universidad de la Costaspa
dc.identifier.reponameREDICUC - Repositorio CUCspa
dc.identifier.repourlhttps://repositorio.cuc.edu.co/spa
dc.publisher.programIngeniería Industrialspa
dc.relation.referencesCate, Fred H. (2014). The Big Data Debate. Science 346(6211): 818-818.spa
dc.relation.referencesGotway, Carol A., and Linda J. Young. (2002). Combining Incompatible Spatial Data. Journal of the American Statistical Association 97(458): 632-648.spa
dc.relation.referencesMa, Y. (2015). Remote sensing big data computing: Challenges and opportunities. Future Generat. Comput. Syst. 51:47–60.spa
dc.relation.referencesMohamed, A., Nahafabadi, M.K., Wah, Y.B., Zaman, E.A.K., Maskat, R. (2019). The state of the art and taxonomy of big data analytics: View from the new big data framework. Artif. Intell. Rev. 1–49.spa
dc.relation.referencesOlaya, V. (2011). Sistemas de Información Geográfica. http://wiki.osgeo.org/wiki/Libro_SIG.spa
dc.relation.referencesPenchikala, Srini. (2015). Big Data Processing in Apache Spark – Part 1: Introduction. InfoQ Article.spa
dc.relation.referencesSmith, MJ, MF Goodchild and PA Longley. (2006-2011). Geospatial Analysis: A Comprehensive Guide to Principles, Techniques and Software Tools, 3rd Edition.spa
dc.relation.referencesCastro Zuluaga, C., Uribe Cadavid, D., & Castro Urrego, J. (2014). Marco de referencia para el desarrollo de un sistema de apoyo para la toma de decisiones para la gestión de inventarios. INGE CUC, 10(1), 30-42. Retrieved from https://revistascientificas.cuc.edu.co/ingecuc/article/view/340spa
dc.relation.referencesBustacara Prasca, A., Becerra Rueda, E., & Niebles-Atencio, F. (2016). Programación multiobjetivo de las operaciones en un laboratorio de análisis de minerales usando colonia de hormigas. IJMSOR: International Journal of Management Science & Operation Research, 1(1), 8-19. Recuperado a partir de http://ijmsoridi.com/index.php/ijmsor/article/view/72spa
dc.relation.referencesGómez Montoya, R., Sánchez Alzate, J., & Palacio Muñoz, J. (2011). Análisis de la operación despacho en un centro de distribución basado en gestión de procesos y simulación. INGE CUC, 7(1), 75-86. Recuperado a partir de https://revistascientificas.cuc.edu.co/ingecuc/article/view/278spa
dc.relation.referencesDutcher, Jenna. (2014). What is Big Data? UC Berkeley Data Science Blog.spa
dc.relation.referencesPress, Gil. (2014). 12 Big Data Definitions: What’s Yours? Forbes Blog.spa
dc.relation.referencesAtz, Ulrich. (2013). 11 Tips on How to Handle Big Data in R. Open Data Institute Blog.spa
dc.relation.referencesViloria, A., Torres, M., Vargas, J., & Pineda, O. B. (2020). Enrichment of Metabolic Routes through Big Data. In S. E. & Y. A.-U.-H. (Eds.), Procedia Computer Science (Vol. 170, pp. 899–904). Universidad de la Costa, Barranquilla, Colombia: Elsevier B.V. https://doi.org/10.1016/j.procs.2020.03.113spa
dc.relation.referencesViloria, A., Guiliany, J. G., Llinás, N. O., Hernandez-P, H., Sanabria, E. S., & Lezama, O. B. P. (2020). Selecting electrical billing attributes: big data preprocessing improvements. Lecture Notes in Electrical Engineering. Universidad de la Costa, St. 58 #66, Barranquilla, Atlántico, Colombia: Springer. https://doi.org/10.1007/978-981-15-3125-5_44spa
dc.relation.referencesVarela, N., Silva, J., Gonzalez, F. M., Palencia, P., Palma, H. H., & Pineda, O. B. (2020). Method for the Recovery of Images in Databases of Rice Grains from Visual Content. In S. E. & Y. A.-U.-H. (Eds.), Procedia Computer Science (Vol. 170, pp. 983–988). Universidad de la Costa, Barnaquila, Colombia: Elsevier B.V. https://doi.org/10.1016/j.procs.2020.03.097spa
dc.relation.referencesViloria, A., Senior Naveda, A., Hernández Palma, H., Niebles Núẽz, W., & Niebles Núẽz, L. (2020). Using Big Data to Determine Potential Dropouts in Higher Education. In Journal of Physics: Conference Series (Vol. 1432, p. 012077). https://doi.org/10.1088/1742-6596/1432/1/012077spa
dc.relation.referencesSilva, J., Hernández Palma, H., Niebles Núẽz, W., Ruiz-Lazaro, A., & Varela, N. (2020). Big Data and Automatic Detection of Topics: Social Network Texts. In Journal of Physics: Conference Series (Vol. 1432, p. 012073). https://doi.org/10.1088/1742-6596/1432/1/012073spa
dc.relation.referencesViloria, A., Wang, G., & Gaitan, M. (2020). Segmentation of Sales for a Mobile Phone Service Through CART Classification Tree Algorithm. Smart Innovation, Systems and Technologies (Vol. 164). https://doi.org/10.1007/978-981-32-9889-7_7spa
dc.relation.referencesViloria, A., Sierra, D. M., Camargo, J. F., Zea, K. B., Fuentes, J. P., Hernández-Palma, H., & Kamatkar, S. J. (2020). Demand in the Electricity Market: Analysis Using Big Data. Advances in Intelligent Systems and Computing (Vol. 1039). https://doi.org/10.1007/978-3-030-30465-2_36spa
dc.relation.referencesViloria, A., Lis-Gutiérrez, J. P., Gaitán-Angulo, M., Godoy, A. R. M., Moreno, G. C., & Kamatkar, S. J. (2018). Methodology for the design of a student pattern recognition tool to facilitate the teaching - Learning process through knowledge data discovery (big data). Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) (Vol. 10943 LNCS). https://doi.org/10.1007/978-3-319-93803-5_63spa
dc.relation.referencesChávez Porras, Álvaro, Pinzón Uribe, L., & Velasquez Castiblanco, Y. (2017). Análisis comparativo de ensayos de Fito-remediación en lodos de lixiviado aplicando Análisis Envolvente de Datos. INGE CUC, 13(2), 79-83. https://doi.org/10.17981/ingecuc.13.2.2017.07spa
dc.relation.referencesArdila Gamboa, C., & Ballesteros Riveros, F. (2018). Análisis Envolvente de Datos (DEA) para medir el desempeño relativo basado en indicadores de una red de abastecimiento con Logística Inversa. INGE CUC, 14(2), 137-146. https://doi.org/10.17981/ingecuc.14.2.2018.13spa
dc.relation.referencesArdila Gamboa, C., & Ballesteros Riveros, F. (2018). Análisis Envolvente de Datos (DEA) para medir el desempeño relativo basado en indicadores de una red de abastecimiento con Logística Inversa. INGE CUC, 14(2), 137-146. https://doi.org/10.17981/ingecuc.14.2.2018.13spa
dc.relation.referencesSegura, E. (2016). Información, estabilidad y complejidad de aprendizaje en memorias asociativas. IJMSOR: International Journal of Management Science & Operation Research, 1(1), 49-53. Recuperado a partir de http://ijmsoridi.com/index.php/ijmsor/article/view/77spa
dc.relation.referencesIBM. (2014). IBM What is big data? — Bringing big data to the enterprise. www.ibm.com. Retrieved from http://www.ibm.com/big-data/us/en/spa
dc.relation.referencesThe R Project for Statistical Computing. Available online: http://www.r-project.org/spa
dc.type.coarhttp://purl.org/coar/resource_type/c_1843spa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/otherspa
dc.type.redcolhttp://purl.org/redcol/resource_type/ARTOTRspa
dc.type.versioninfo:eu-repo/semantics/acceptedVersionspa
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa


Ficheros en el ítem

Thumbnail
Nombre:
Big data para sistemas de ...
Tamaño:
270.7Kb
Formato:
PDF
Ver/
Thumbnail
Nombre:
license_rdf
Tamaño:
701bytes
Formato:
application/rdf+xml
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

  • Planes de Asignaturas [356]
    Contenidos académicos e investigativos de las asignaturas impartidas en los diferentes programas de la Universidad de la Costa.

Mostrar el registro sencillo del ítem

CC0 1.0 Universal
Excepto si se señala otra cosa, la licencia del ítem se describe como CC0 1.0 Universal