Búsqueda · 32 momentos en 18 episodios
Sara RobiscoJuan Carlos GilFrancis VillatoroHéctor Socascubos de datos y sara robiscomachine learning en cubos de datosredes neuronales para anomalíasestudio climático con machine learningdatos temperatura y humedad superficialanomalías en datos de temperaturasequías a lo largo de la historiagrandes procesos de sequíamachine learning para anomalíasminería de datos en cubosanomalías indican grandes sequíasvisualización de datos para decisionessara robisco y machine learningMachine LearningSara RobiscoTierraDavid MonteroUniversidad de LeithpigLeipzigMinería de DatosiCubo
Estudio climático con Machine Learning
Con
0:000:301:001:302:002:303:003:21
Sara Robisco explica la flexibilidad de los cubos de datos, destacando su capacidad para responder preguntas sobre todo el cubo o segmentos específicos, permitiendo eliminar o agregar dimensiones y aplicar Machine Learning.
…preparas tus dimensiones y qué quieres preguntar; tú configuras porque el cubo me vas a decir: bueno, ¿y qué quieres preguntar? Pues tú las dimensiones; bueno que tiene el cubo es que le puedes girar, puedes cambiar preguntas y luego además puedes cambiar la Resolución. Podemos hacer preguntas sobre todo el cubo o sobre pequeños segmentos del cubo; podemos quitar dimensiones, podemos agregar dimensiones, podemos hacer lo que queramos, súper versátil. Una vez hacemos esto, podemos aplicar Machine Learning para hacer transformación de los datos, por ejemplo, podemos aplicar redes neuronales o cualquier sistema para detectar anomalías. Imagínate: estamos haciendo un estudio climático, un Estudio de las temperaturas de la Tierra, tenemos nuestros sistemas captando, captando, captando y de repente dices: vale, pero ¿cuál es de todo esto que estoy captando? Imagínate, datos de temperatura y tal, y sequedad de humedad de superficie, por ejemplo dices: vale, pero ¿cuáles son anómalos? ¿Cuáles responderían con una gran sequía? Imagínate que queremos saber cuántas sequías se han dado a lo largo de la historia, grandes procesos de sequía, pues. Lo que haces es hacer un algoritmo de Machine Learning, minería de datos, que te saque estas anomalías, situaciones anómalas y te las da. Entonces tú ya tendrías tu pequeño cubo con esas situaciones que a ti te interesan. Una vez tienes esto, pues tú ya haces tus análisis, tu visualización de datos si quieres mostrarlo al mundo, mostrarlo a alguien o tomar decisiones y luego está una parte. Que quizás es la más complicada cuando hablamos de cubos, que es la reutilización, porque aquí tenemos dos opciones: dejar este cubo ya estático, se quedó ahí, o en ciencias de la tierra esto no vale ¿Por qué? Porque la Tierra es un mecanismo, está viva, va…
Significado #1 · Palabras #1
Sara Robisco introduce un trabajo sobre el análisis de datos de geociencias, destacando la gran cantidad de fuentes de datos disponibles, incluyendo sensores, satélites y datos generados por humanos como los climáticos y meteorológicos.
Habla: Sara RobiscoSignificado #9datos climáticos meteorológicos humanosdavid montero universidad leipziginvestigación española geosciencias…Trek, pero no, cubos de datos. Es cubos de datos. Cubos de datos, no que traigas un montón de datos así en cubos, ¿no? Ya sabéis que a los científicos de datos siempre nos ha gustado el cubo y la pala. La pala, exacto. El cubo y la pala, somos el cubo y pala. Pues cuéntanos este trabajo que nos proponías, que hablaban del análisis de datos de geosciencias en este caso Exacto, en el tema de las geosciencias tenemos un problemilla y es que tenemos múltiples datos, una enorme cantidad de datos, tenemos una enorme cantidad de fuentes de datos Algunos de ellos recogidos por sensores que tenemos, satélites, recogidos in situ, pero también tenemos datos que han sido generados por los humanos como los datos climáticos y datos meteorológicos que esas previsiones y esos estudios han sido generados pero también son importantes Todos estos datos y modelos pues están ahí y lo que propone este artículo que tiene gente, hay gente española en él, o sea David Montero que es de la Universidad de Leithpig Son casi todos, vienen de Leipzig y tal, pero hay gente española en esta investigación. Bueno, realmente no es una investigación. ¿Qué proponen? Ante esta dificultad de orígenes de datos, este batiburrillo de datos de diferentes escalas, diferentes tipos, que cada uno pone los datos como quiere, diferentes medidas, datos incompletos, tenemos un batiburrillo que no veas, y claro, ellos dicen, oye, ¿hay…
Sara Robisco explica cómo los cubos de datos facilitan el estudio de series temporales, la adjudicación de costes y el análisis de cambios en la distribución climática.
Habla: Sara RobiscoSignificado #5 · Palabras #2cubos de datos para series temporalesmachine learning en cubos de datosextrapolación con machine learninganálisis de distribución climática robisco…esto es lo que vas a usar y cómo se va a actualizar y todas estas cosas para que ellos simplemente dediquen su esfuerzo en lo que realmente importa para ellos, que es analizar su dato con sus conocimientos. Las herramientas o lab, que son los cubos, pues se Les ayuda un montón. ¿A qué? A estudiar series temporales, a adjudicar costes, a ver cambios en la distribución climática, todo lo que quieras. Porque tú piensas que cuando tienes una tabla de datos, tú preguntas: bueno, ¿qué y a quién? Por ejemplo, una compra, ¿qué? ¿Qué se ha comprado y a quién? Vale, pero es que en un cubo de datos podemos preguntar: ¿por qué? ¿Qué pasa si podemos hacer cálculos de datos y añadir nuevos elementos y preguntar qué pasaría si podemos extrapolar si aplicamos herramientas como son Machine Learning a nuestro cubo? Entonces da una potencia muy buena sin tener que estar perdiendo tiempo. Estos cubos también, una vez los tenemos construidos, se comparten muy fácilmente porque tú no compartes el dato en crudo, tú compartes, cuelgas en internet y la persona pues tiene su cubo y dice: no quiero hacer esta pregunta de dato y sin tener que lanzar…
Sara Robisco explica cómo las visualizaciones atractivas de datos, como modelos climáticos y mapas coloreados, se generan a partir de 'cubos de datos'. También describe cómo esta información puede almacenarse en cubos que incluyen imágenes satelitales escaneadas junto con sus metadatos asociados.
Habla: Sara RobiscoSignificado #18visualizaciones datos modelos climáticoscubos datos imágenes satelitalesmetadatos asociados dimensiones…el dato en crudo, tú compartes, cuelgas en internet y la persona pues tiene su cubo y dice: no quiero hacer esta pregunta de dato y sin tener que lanzar una query, pregunta y obtiene su respuesta. Muchas veces os veréis los cubos que los compartimos en forma de visualización de datos, esas visualizaciones de datos que veis tan bonitas que pues sobre modelos climáticos, sobre los mapas coloreados, todo eso viene de estos cubos, o sea se está haciendo ya y luego esta información se puede guardar y no se guarda de una forma ala, repositorio con imágenes, no, se hace un cubo en el que obtienes tus imágenes escaneadas de satelitales por ejemplo y sus metadatos asociados como dimensiones, entonces que te da mucha más información para la persona que tiene que trabajar con ese dato. Al final la idea de iCubo como que pega, para Hacer ciencia viene muy bien sobre todo si queremos que la gente que hace ciencia no esté picando código que para ellos sinceramente no les aporta valor añadido. Entonces, otra, aparte de estas características que he anunciado, pues la multidimensionalidad…
Sara Robisco explica la flexibilidad de los cubos de datos, destacando su capacidad para responder preguntas sobre todo el cubo o segmentos específicos, permitiendo eliminar o agregar dimensiones y aplicar Machine Learning.
Habla: Sara RobiscoSignificado #1 · Palabras #1cubos de datos y sara robiscomachine learning en cubos de datosredes neuronales para anomalíasestudio climático con machine learningdatos temperatura y humedad superficialanomalías en datos de temperaturasequías a lo largo de la historiagrandes procesos de sequíamachine learning para anomalíasminería de datos en cubosanomalías indican grandes sequíasvisualización de datos para decisionessara robisco y machine learning…preparas tus dimensiones y qué quieres preguntar; tú configuras porque el cubo me vas a decir: bueno, ¿y qué quieres preguntar? Pues tú las dimensiones; bueno que tiene el cubo es que le puedes girar, puedes cambiar preguntas y luego además puedes cambiar la Resolución. Podemos hacer preguntas sobre todo el cubo o sobre pequeños segmentos del cubo; podemos quitar dimensiones, podemos agregar dimensiones, podemos hacer lo que queramos, súper versátil. Una vez hacemos esto, podemos aplicar Machine Learning para hacer transformación de los datos, por ejemplo, podemos aplicar redes neuronales o cualquier sistema para detectar anomalías. Imagínate: estamos haciendo un estudio climático, un Estudio de las temperaturas de la Tierra, tenemos nuestros sistemas captando, captando, captando y de repente dices: vale, pero ¿cuál es de todo esto que estoy captando? Imagínate, datos de temperatura y tal, y sequedad de humedad de superficie, por ejemplo dices: vale, pero ¿cuáles son anómalos? ¿Cuáles responderían con una gran sequía? Imagínate que queremos saber cuántas sequías se han dado a lo largo de la historia, grandes procesos de sequía, pues. Lo que haces es hacer un algoritmo de Machine Learning, minería de datos, que te saque estas anomalías, situaciones anómalas y te las da. Entonces tú ya tendrías tu pequeño cubo con esas situaciones que a ti te interesan. Una vez tienes esto, pues tú ya haces tus análisis, tu visualización de datos si quieres mostrarlo al mundo, mostrarlo a alguien o tomar decisiones y luego está una parte. Que quizás es la más complicada cuando hablamos de cubos, que es la reutilización, porque aquí tenemos dos opciones: dejar este cubo ya estático, se quedó ahí, o en ciencias de la tierra esto no vale ¿Por qué? Porque la Tierra es un mecanismo, está viva, va…