Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 11 vistas

    Ciclo de Vida de Proyectos de Big Data

    Cargado por

    kanyewestlover0313
    El documento describe el ciclo de vida de proyectos de Big Data, incluyendo etapas como la definición del proyecto, recopilación de datos, almacenamiento y procesamiento de datos, análisis de datos, visualización y presentación de resultados, implementación y despliegue, y monitoreo y mantenimiento. También cubre metodologías comunes como CRISP-DM y KDD.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Ciclo de Vida de Proyectos de Big Data

    Cargado por

    kanyewestlover0313
    11 vistas3 páginas
    El documento describe el ciclo de vida de proyectos de Big Data, incluyendo etapas como la definición del proyecto, recopilación de datos, almacenamiento y procesamiento de datos, análisis de datos, visualización y presentación de resultados, implementación y despliegue, y monitoreo y mantenimiento. También cubre metodologías comunes como CRISP-DM y KDD.

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El documento describe el ciclo de vida de proyectos de Big Data, incluyendo etapas como la definición del proyecto, recopilación de datos, almacenamiento y procesamiento de datos, análisis de datos, visualización y presentación de resultados, implementación y despliegue, y monitoreo y mantenimiento. También cubre metodologías comunes como CRISP-DM y KDD.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    11 vistas3 páginas

    Ciclo de Vida de Proyectos de Big Data

    Cargado por

    kanyewestlover0313
    El documento describe el ciclo de vida de proyectos de Big Data, incluyendo etapas como la definición del proyecto, recopilación de datos, almacenamiento y procesamiento de datos, análisis de datos, visualización y presentación de resultados, implementación y despliegue, y monitoreo y mantenimiento. También cubre metodologías comunes como CRISP-DM y KDD.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 3

    Nombre:

    Oliver

    Apellidos:
    Taveras Méndez

    Matrícula:
    2021-0328

    Asignatura:
    Electiva 1

    Tema:
    Ciclo de Vida de Proyectos de Big Data

    Maestro:
    Francis Ramírez
    Investigación:

    Regresiones lineales y no lineales clásicas:

    Las regresiones clásicas son métodos estadísticos utilizados para modelar la relación entre una variable
    dependiente y una o más variables independientes. Las regresiones lineales y no lineales son dos tipos
    comunes de regresiones clásicas.

    Regresión lineal:

    La regresión lineal es un modelo estadístico que asume una relación lineal entre la variable dependiente
    y las variables independientes. El objetivo es encontrar la mejor línea recta que se ajuste a los datos.

    Regresión no lineal:

    A diferencia de la regresión lineal, la regresión no lineal asume una relación no lineal entre la variable
    dependiente y las variables independientes. Puede tomar muchas formas, como polinómica,
    exponencial, logarítmica, sigmoide, entre otras. La ecuación general de una regresión no lineal puede ser
    más compleja y depende del tipo específico de relación que se esté modelando.

    Elementos del ciclo de vida:

    • Definición del proyecto: En esta etapa inicial, se identifican los objetivos y requisitos del proyecto
    de Big Data.

    • Recopilación de datos: En esta etapa, se recopilan los datos necesarios para el proyecto de Big
    Data.

    • Almacenamiento y procesamiento de datos: En esta etapa, los datos recopilados se almacenan


    en un entorno adecuado, como un data lake o un data warehouse.

    • Análisis de datos: En esta etapa, se aplican técnicas de análisis de datos para extraer información
    y conocimiento significativo.

    • Visualización y presentación de resultados: En esta etapa, se utilizan herramientas de


    visualización de datos para representar los resultados del análisis de manera comprensible y
    significativa.
    • Implementación y despliegue: En esta etapa, se implementa la solución de Big Data desarrollada
    y se despliega en el entorno de producción.
    • Monitoreo y mantenimiento: Una vez implementada la solución, es importante monitorear su
    rendimiento y asegurarse de que cumple con los requisitos establecidos.

    • Evaluación y mejora: En esta etapa, se evalúa el éxito del proyecto de Big Data en función de los
    objetivos establecidos.

    Metodologías para proyectos de Ciencia de Datos:

    Existen varias metodologías que pueden utilizarse para gestionar proyectos de manera efectiva. Estas
    metodologías proporcionan un enfoque estructurado para planificar, ejecutar y controlar proyectos de
    Ciencia de Datos. Estas son:

    • CRISP-DM (Cross Industry Standard Process for Data Mining): Es una metodología ampliamente
    utilizada que consta de seis fases: comprensión del negocio, comprensión de los datos,
    preparación de los datos, modelado, evaluación y despliegue.

    • KDD (Knowledge Discovery in Databases): Es una metodología similar a CRISP-DM y se utiliza


    para extraer conocimiento útil a partir de grandes conjuntos de datos.

    • Agile Data Science: Esta metodología se basa en los principios del desarrollo ágil de software y se
    adapta a la Ciencia de Datos. Se enfoca en la colaboración y la iteración continua a lo largo del
    proyecto.

    • TDSP (Team Data Science Process): Es una metodología desarrollada por Microsoft que
    proporciona un enfoque completo para proyectos de Ciencia de Datos.

    • Lean Data Science: Esta metodología se basa en los principios del pensamiento lean y se centra
    en la maximización del valor y la minimización del desperdicio en proyectos de Ciencia de Datos.

    Evaluación del Tema:

    El tema a investigar ha sido interesante ya que el Big Data para mí es un tema completamente nuevo,
    pero claro, estoy aprendiendo poco a poco del tema, ya que me parece un tema interesante dentro de lo
    que cabe, ya que siempre he visto interesante el manejo de datos.

    También podría gustarte