Segunda Edición(Curso 2017)

En la primera edición hemos comenzado con un grupo de 19 alumnos de diferentes titulaciones. Una vez hemos alcanzado el final del primer trimestre del máster, comenzamos a planificar la siguiente edición. Como parte de esta planificación queremos conocer el perfil de las personas interesadas en cursarlo desde Octubre de 2017. Esta información la usaremos principalmente para dar soporte a aquellos alumnos que tenga necesidades de formación previa en tecnologías informáticas (lenguajes de programación, bases de datos, sistemas de virtualización, etc.).

Si estás interesado en cursar este máster rellena tus datos en este portal. Gracias a la información recibida además de ajustar la nueva edición a los intereses de las personas interesadas, os podremos ofrecer:

  • Material de formación previa al máster.
  • Cursos de formación complementaria para aquellos alumnos que lo necesiten.
  • Información sobre los plazos oficiales de inscripción y matrícula.
  • Precios y condiciones del máster (prácticas en empresas).
Anuncios

Mejorando la producción de proteínas a través de la innovación digital

El Blog de la Innovación Digital

El análisis de texto o procesamiento de lenguaje natural es un área innovadora en la intersección de las ciencias de la computación, la inteligencia artificial y la lingüística. Esta área de conocimiento ha cobrado gran importancia con el surgimiento del análisis de redes sociales, donde casi la totalidad de los análisis se basan en el descubrimiento de información en textos.

El descubrimiento de entidades y el cálculo de las relaciones semánticas existentes entre las mismas en diferentes textos representa un reto tecnológico. Este reto es incluso más importante cuando se trata de aprovechar esta información para la extracción de conocimiento y el tratamiento automatizado en ámbitos como el biomédico, donde nos encontramos con textos en ámbitos relacionados como la biología y la medicina. Es esto se une el hecho de la gran cantidad de información textual publicada en estos ámbitos cada año.

Vamos a mostrar cómo es posible hacer uso…

Ver la entrada original 901 palabras más

Evaluación del Fraude en Transacciones de Comercio Electrónico

El Blog de la Innovación Digital

A medida que el volumen de transacciones de comercio electrónico aumenta a través de los canales web y móviles y surgen nuevas formas de pago alternativas, la capacidad de identificar y prevenir las pérdidas por fraude es cada vez más difícil.  Según los datos de último índice de fraude global, elaborado por PYMNTS.com y Forter, los vendedores de comercio online perdieron de media el 1,32% de sus ingresos debido al fraude durante 2015, cifra que dobla a la del año anterior.

La autenticación adaptativa para comercio electrónico es una solución de autenticación basada en riesgos en el ecosistema “3D Secure”, lo que aumenta significativamente la detección de fraudes, aparte de mejorar la experiencia del titular de la tarjeta a través de la eliminación de contraseñas, y de proteger aún más los ingresos mediante la reducción de abandonos de las compras. La autenticación adaptativa en el comercio electrónico…

Ver la entrada original 1.761 palabras más

Open Big Data Analytics for eHealth

El grupo Khaos, liderado por el Catedrático de la Universidad de Málaga José F. Aldana Montes  ha obtenido una ayuda para el desarrollo de proyectos dentro del II Plan de Docencia Andalucía TECH para ofrecer formación técnica complementaria a los alumnos de la Mención en Bioinformática (Grado en Ingeniería de la Salud) en la integración y el análisis de datos y del Big Data. Esta ayuda permitirá poner estas técnicas en relación con la investigación clínica, la gestión de la EHR (historia clínica electrónica) o de los sistemas de información sanitarios y de la innovación en salud.

El objetivo de este proyecto es mejorar la formación y empleabilidad de todos los alumnos matriculados en el último curso de la intensificación en Bioinformática del Grado de Ingeniería de la Salud.

Estos alumnos, tras recibir esta formación adicional, podrán acercar el anális del Big Data a la comunidad médica, a través de los investigadores clínicos y los gestores de los hospitales usando el conocimiento interdisciplinar de estos alumnos.

Los alumnos afrontarán los siguientes retos para alcanzar este objetivo:

  1. Identificar los problemas de análisis de datos de varios grupos de investigación clínica de IBIMA.
  2. Diseñar soluciones de análisis de datos para resolver estos problemas concretos.
  3. Desarrollar una plataforma genérica para el análisis del Big Data usando un clúster Hadoop y herramientas estándar de análisis (Apache Spark, Apache Spark MLLib, Mahout, Apache Hive, RHadoop, etc.).
  4. Dar soporte a personal externo al proyecto, aportado por los grupos de investigación clínica que se incluyan en el programa, para el desarrollo de las soluciones de análisis diseñadas en este proyecto.

Por tanto, el ámbito de este proyecto es el desarrollo de tecnologías de análisis del Big Data que pueda servir a la implementación de soluciones concretas para casos prácticos reales de grupos de investigación clínica o para la gestion de hospitales o la innovación en salud.
Se espera que este proyecto sirva de semilla generando la parte común y estableciendo un análisis exahustivo de las necesidades de los grupos investigación clínicos o de las ideas de innovación en la gestión o en los procedimientos que se adscriban a él. Generandose así prototipos y demostradores tecnológicos que planteen la solución a los problemas establecidos.

Análisis de sentimiento

Las redes sociales están convirtiendose en la principal herramienta de interacción social. En este sentido, existe gran actividad en torno al análisis de los mensajes de los usuairos de estas redes sociales, para conseguir extraer información de las opiniones de los usuarios sobre cualquier aspecto relevante. Este proceso de análisis se ha denominado Análisis de Sentimiento, aunque no sea el término más apropiado desde el punto devista psicológico (profundizaremos en ello en alguna entrada posterior).

Las empresas están utilizando este tipo de análisis para comprender mejor el éxito de nuevos productos y servicios . En este contexto, Twitter ha crecido en popularidad en los últimos años y a 30 de septiembre de 2015 tenía un volumen de aproximadamente 500 millones de tweets enviados por día y 320 millones de usuarios activos mensuales. Por lo tanto, Twitter es una fuente clave de opiniones en tiempo real de millones de clientes o posibles clientes, convirtiéndose en una valiosa fuente de información para las empresas.

onemilliontweetmap.jpg
Visita el portal The One Million Tweet Map

Proceso de análisis de sentimiento

Existen numerosas propuestas académicas o comerciales para realizar el proceso de Análisis de Sentiemiento. La aproximación típica se divide en tres fases principalmente:

  • La extracción de los mesajes de los usuarios. En el caso de Twitter es posible realizar estre proceso usando filtros para enfocar el análisis a aquellos Tweets que podrían contener expresiones de sentimiento en la temática, producto o servicio de interés.
  • El análisis del texto (NLP del inglés Natural Language Processing) de los mensajes extraídos en la fase anterior. Las herramientas de análisis deberán tener en cuenta que se tratan de textos muy cortos y en los que nos podemos encontrar con emoticonos que sean de interés para el análisis de sentimiento.
  • El cálculo del valor de sentimiento expresado por los usuarios. En este paso se realiza algún proceso de agregación de los datos de forma que se pueda obtener este valor.
sentimiento
El uso de análisis de sentimiento es de gran utilidad en la economía digital

Medición de la calidad de los algoritmos de análisis

Sin embargo, es difícil saber lo bueno o malo que es el algoritmo de Análisis de Sentimiento usado, ya que no existen bancos de pruebas para ello. Por esta razón en el artículo “A Fine Grain Sentiment Analysis with Semantics in Tweets” se propone el uso de eventos deportivos, donde es posible conocer el sentimiento de los fans dependiendo de como evolucione el juego. En concreto se hace uso en este artículo de una competición deportiva universitaria en Estados Unidos: Big 12 Men’s Basketball Championship.Se vió en el experimento como el sentimiento calculado coincidía con la evolución de los diferentes partidos, haciendo de este banco de pruebas una fuente relevante para probar la calidad de los algoritmos de análisis de sentimiento.

Análisis de sentimiento en la economía digital

A los fabricantes de productos, el análisis de sentimiento ayuda a rastrear los productos que están generando críticas positivas en las redes sociales y donde la gente está expresando valores negativos de sentimiento sobre estos productos. Este análisis ayudará a los fabricantes a detectar problemas en sus productos y resolver esos problemas, mejorando el servicio ofrecido a los clientes.
Los vendedores pueden hacer uso de estas técnicas de análisis para conocer el sentimiento de sus clientes respecto a los productos y el servicio ofrecido. De esta forma será posible solucionar problemas en productos (lo que requiere de transmitir esta información al proveedor o cambiar de proveedor) y en los servicios ofrecidos.

Workshop de Introducción al Análisis del Big DAta: Movilidad Urbana

El próximo 1 de Julio de 2016 se celebra en Link by UMA un Workshop dirigido a estudiantes de últimos cursos de carrera o recien graduados y profesionales con interés en adquirir conocimientos en Big Data Analytics.

Inscríbete en el formulario que aparece en esta página: https://workshopbigdatauma.splashthat.com/

El objetivo principal de este taller es de dar a conocer, de forma práctica y amena, una serie de técnicas y procesos fundamentales en el análisis del Big Data con un caso de estudio aplicado en el entorno del Smart City. Además, este evento pretende servir de foro de comunicación y reflexión sobre el estado actual y futuro en la aplicación del Big Data, dando a conocer problemas industriales reales para su aplicación.

El caso de uso de las Smart Cities conlleva una serie de tareas como capturar, almacenar, procesar y analizar gran cantidad de datos procedentes de fuentes muy diversas para poder transformarlos en conocimiento útil para la toma de decisiones y poder anticiparnos a lo que va a pasar.

Algunas de las áreas susceptibles de mejora gracias al uso de Big Data son: la seguridad ciudadana, la movilidad urbana, la gestión de la eficiencia energética y los residuos urbanos y el análisis de sentimiento del ciudadano.

Como caso práctico, presentaremos una ejercicio de predicción de la densidad del tráfico en una zona del área metropolitana de Manhatan, en Nueva York. Nos basamos para este caso en datos reales obtenidos a partir de sensores de tráfico y disponibles desde el área de movilidad del ayuntamiento de Nueva York. Utilizaremos aplicaciones como Hive y HCatalog para el almacenamiento y procesado de los datos. El análisis de las densidades de tráfico se llevará a cabo utilizando algoritmos y modelos de predicción mediante las librerías de minería de datos de Rhadoop.

Mejorando la producción de proteínas mediante el análisis de la bibliografía científica

El análisis de texto o procesamiento de lenguaje natural es un área innovadora en la intersección de las ciencias de la computación, la inteligencia artificial y la lingüística. Esta área de conocimiento ha cobrado gran importancia con el surgimiento del análisis de redes sociales, donde casi la totalidad de los análisis se basan en el descubrimiento de información en textos.

El descubrimiento de entidades y el cálculo de las relaciones semánticas existentes entre las mismas en diferentes textos representa un reto tecnológico. Este reto es incluso más importante cuando se trata de aprovechar esta información para la extracción de conocimiento y el tratamiento automatizado en ámbitos como el biomédico, donde nos encontramos con textos en ámbitos relacionados como la biología y la medicina. Es esto se une el hecho de la gran cantidad de información textual publicada en estos ámbitos cada año.

Vamos a mostrar cómo es posible hacer uso de técnicas de análisis de texto para descubrir información científica relevante en contextos en los que es posible tener un conocimiento amplio del problema a resolver. Sin embargo, estas técnicas suelen requerir que un experto del dominio del problema exprese las necesidades de extracción de información.

bioledge1
La información contenida en artículos científicos forma redes de conocimiento implícito

Continúa leyendo Mejorando la producción de proteínas mediante el análisis de la bibliografía científica