Session: Qué es Big Data? Análisis con BigInsights. Luis Reina IBM. 13 Noviembre de 2012

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Session: Qué es Big Data? Análisis con BigInsights. Luis Reina IBM. 13 Noviembre de 2012"

Transcripción

1 Session: Qué es Big Data? Análisis con BigInsights Luis Reina IBM 13 Noviembre de

2 Agenda Qué es Big Data? Datos en Reposo Hadoop IBM BigInsights Demo 2

3 Un poco de Historia de los Datos OLTP OLAP Bases de Datos Operacionales Data Warehousing 1968 Base de datos Jerárquicas IMS 1970 Bases de datos Relacionales System R 1983 DB2 v1 3

4 La Revolución de los Datos IT Logs? TBs of data every day TBs of tweet data every day 25+ TBs of log data every day 30 billion RFID tags today (1.3B in 2005) 80% Of world s data is unstructured 76 million smart meters in M by billion camera phones world wide 100s of millions of GPS enabled devices sold annually 2+ billion people on the Web by end 2011

5 5 Tiempo Zona de Ignorancia Cantidad de Datos que la empresa puede procesar Zona de Ignorancia Crece día a día Datos disponible a las empresas (Internos + Externos) Volumen de Datos

6 Qué podría hacer si fuese capaz de Analizar estos datos? Algunos Ejemplos: Análisis de Sentimiento. Tomar decisiones de riesgo basado en información transaccional en tiempo real. Predecir patrones de tiempo para optimizar el uso de turbinas de viento. Detectar a tiempo en pacientes de hospitales situaciones críticas. 6 6 Identificar criminales y amenazas desde información diversa como video, audio u otras fuentes.

7 Cúal es la Solución para abordar Big Data? Clasificación de Big Data: Datos en Reposo: Los Datos analizados están almacenados. Ejemplos: Información de logs, facebook, twitter, etc. Solución: Hadoop (open source) / IBM BigInsight (Hadoop Empresarial) Datos en Movimiento: Los Datos son analizados en vuelo, en tiempo real, según se generán sin esperar a almacenarlos. Ejemplos: Sensores, Información de fraude, etc. Solución: IBM Infosphere Streams 7 7

8 DATOS EN REPOSO 8

9 Hadoop es un framework de desarrollo y Entorno de Ejecución Un framework de desarrollo y un entorno de ejecución para realizar aplicaciones capaces de procesar gran volumen de datos (Big Data). Las aplicaciones generadas son de tipo batch y de lectura intensiva. Basado en tecnología de Google. Es Open Source (gratuito): Apache Hadoop 9

10 Hadoop no es un Sistema Gestor de Base de Datos Es un entorno de desarrollo no un SGBD. No pretende sustituir los Data Warehouse actuales. Las aplicaciones generadas usan CPU y disco de ordenadores baratos de tipo commodity. Las aplicaciones funcionan en Cluster de muchas máquinas trabajando en paralelo. Se pueden añadir máquinas sin cambiar las aplicaciones, ni como se cargan los datos, ni los formatos de datos. Si se rompe una máquina otra realiza su trabajo. 10

11 Componentes Claves de Hadoop Sistema de Ficheros: HDFS Donde Hadoop almacena los datos. Usa discos locales pero trababa como un gran sistema de ficheros entre multiples nodos. Map/Reduce Algoritmo para procesar los datos en el cluster. Son 2 pasos MAP y REDUCE. Divide y Vencerás 11

12 HDFS es un sistema de ficheros para el Cluster HDFS= HAdOOP Distributed FILESYSTEM HDFS es un sistema de ficheros para almacenar los datos que se van a analizar. Es un único sistema de ficheros distribuido. Los datos se reparten por todo el cluster. Cada nodo del cluster tiene un cachito de los datos. Esto cachitos se llamas bloques y son de 64MB por defecto. 12

13 Qué es Map/Reduce? Algoritmo para analizar los datos. Partimos de que se han distribuido los datos por el cluster (HDFS). El programa que analiza estos datos hace uso del algoritmo Map/Reduce. Estos programas se llaman Jobs que se dividen en Tareas (Tasks) de tipo Map y Reduce Paso 1: Tarea Map Convierte los datos en Tuplas: (clave, valor) Paso 2: Tarea Reduce Reduce el número de Tuplas generadas por Map (e.g. agregando) 13

14 Ejemplo de MapReduce Contar el número de apariciones de cada palabra Datos Entrada Hello World Bye World Hello IBM Proceso Map Map 1 emite: < Hello, 1> < World, 1> < Bye, 1> < World, 1> Map 2 emite: < Hello, 1> < IBM, 1> Proceso Reduce Reduce (output final): < Bye, 1> < IBM, 1> < Hello, 2> < World, 2> 14

15 Hadoop Explained Hadoop computation model Data stored in a distributed file system spanning many inexpensive computers Bring function to the data Distribute application to the compute resources where the data is stored Scalable to thousands of nodes and petabytes of data Hadoop Data Nodes ( ( + +,,,,,,!"#$!"#$!#$!#$ & & %! %! ) ) ( ) ( )! *+! *+ *! * *! * *! *!!! * *!##!##!##$!##$ #$ #$ ( ( ' ' )!##$ )!##$ 1. Map Phase (break job into small parts) ( %( %- -!#$!#$!! % %!! % 0 % 0.$.$ *)!#$ *)!#$ & & / / ' ' # # # # Distribute map tasks to cluster * * * * * * Shuffle 15 (transfer interim output for final processing) 3. Reduce Phase MapReduce Application Result Set 2. Shuffle (boil all output down to a single result set) Return a single result set

16 Como crear Programas Hadoop (Jobs Map/Reduce) Desarrollos Map/reduce en Java Muy Complejo Difícil Pig Lenguaje Open/Source de más alto nivel Estándar PIG Hive Lenguaje Open/Source Similar al SQL Jaql Inventado por IBM Research Más potente que Pig Visa ha sido un partner del desarrollo Herramienta BigSheets Navegador/Hoja de Cálculo No requiere desarrollo La más fácil de Usar 16 Fácil

17 IBM BIGINSIGHTS 17

18 Qué es IBM BigInsights? Producto basado en Hadoop. Mejora Hadoop para que sea Enterprise Ready añadiendo distintos elementos como: Administración. Seguridad. Sistema de ficheros GPFS. Capacidades analíticas avanzadas de IBM Research. Workflow. Aprovisonamiento. Facilidad de Uso (BigSheets). Se integra con las Bases de datos y Warehouse existentes de IBM: DB2 Infosphere Warehouse, Smart Analytics y Netezza

19 InfoSphere BigInsights Architecture IBM element= Blue Box Open sources element= Orange Box Analytics ML Analytics Text Analytics BigSheets Interface Application Zookeeper IBM LZO Compression PIG Hive MapReduce AdaptiveMR Oozie Jaql BigIndex Lucene Avro Management Console (browser-based) Development Tooling (Eclipse plug-ins) Storage HBase HDFS GPFS-SNC Data Sources/ Connectors Streams Netezza BoardReade r R Data Stage DB2 CSV / XML / JSON SPSS Flume JDBC Web Crawler 19

20 InfoSphere BigInsights Architecture IBM element= Blue Box Open sources element= Orange Box Analytics ML Analytics Text Analytics BigSheets Interface Application Zookeeper IBM LZO Compression PIG Hive MapReduce AdaptiveMR Oozie Jaql BigIndex Lucene Avro Management Console (browser-based) Development Tooling (Eclipse plug-ins) Storage HBase HDFS GPFS-SNC Data Sources/ Connectors Streams Netezza BoardReade r R Data Stage DB2 CSV / XML / JSON SPSS Flume JDBC Web Crawler 20

21 Consola Web de BigInsight Gestiona BigInsights Inspeccionar el Sistema Añadir/Quitar nodos Arrancar/Parar servicios Ejecutar y monitorizar jobs (aplicaciones) Explorar el sistema de ficheros... Lanza Aplicaciones Herramienta de análisis con formato de hoja de cálculo. Aplicaciones preconstruidas (suministradas por IBM o desarrolladas por el usuario) Publica Aplicaciones 21

22 InfoSphere BigInsights Architecture IBM element= Blue Box Open sources element= Orange Box Analytics ML Analytics Text Analytics BigSheets Interface Application Zookeeper IBM LZO Compression PIG Hive MapReduce AdaptiveMR Oozie Jaql BigIndex Lucene Avro Management Console (browser-based) Development Tooling (Eclipse plug-ins) Storage HBase HDFS GPFS-SNC Data Sources/ Connectors Streams Netezza BoardReader R Data Stage DB2 CSV / XML / JSON SPSS Flume JDBC Web Crawler 22

23 InfoSphere BigInsights Architecture IBM element= Blue Box Open sources element= Orange Box Analytics ML Analytics Text Analytics BigSheets Interface Application Zookeeper IBM LZO Compression PIG Hive MapReduce AdaptiveMR Oozie Jaql BigIndex Lucene Avro Management Console (browser-based) Development Tooling (Eclipse plug-ins) Storage HBase HDFS GPFS-SNC Data Sources/ Connectors Streams Netezza BoardReader R Data Stage DB2 CSV / XML / JSON SPSS Flume JDBC Web Crawler 23

24 Desarrollos con Eclipse Eclipse based development tools For JAQL, Hive, Java MapReduce, Text Analytics 24

25 InfoSphere BigInsights Architecture IBM element= Blue Box Open sources element= Orange Box Analytics ML Analytics Text Analytics BigSheets Interface Application Zookeeper IBM LZO Compression PIG Hive MapReduce AdaptiveMR Oozie Jaql BigIndex Lucene Avro Management Console (browser-based) Development Tooling (Eclipse plug-ins) Storage HBase HDFS GPFS-SNC Data Sources/ Connectors Streams Netezza BoardReade r R Data Stage DB2 CSV / XML / JSON SPSS Flume JDBC Web Crawler 25

26 InfoSphere BigInsights Architecture IBM element= Blue Box Open sources element= Orange Box Analytics ML Analytics Text Analytics BigSheets Interface Application Zookeeper IBM LZO Compression PIG Hive MapReduce AdaptiveMR Oozie Jaql BigIndex Lucene Avro Management Console (browser-based) Development Tooling (Eclipse plug-ins) Storage HBase HDFS GPFS-SNC Data Sources/ Connectors Streams Netezza BoardReade r R Data Stage DB2 CSV / XML / JSON SPSS Flume JDBC Web Crawler 26

27 Big Sheets: Collection Sample Spreadsheet-like structures defined by user Based on data accessible through BigInsights Web console e.g., file system data, output from Web crawl, etc. 27

28 InfoSphere BigInsights Architecture IBM element= Blue Box Open sources element= Orange Box Analytics ML Analytics Text Analytics BigSheets Interface Application Zookeeper IBM LZO Compression PIG Hive MapReduce AdaptiveMR Oozie Jaql BigIndex Lucene Avro Management Console (browser-based) Development Tooling (Eclipse plug-ins) Storage HBase HDFS GPFS-SNC Data Sources/ Connectors Streams Netezza BoardReade r R Data Stage DB2 CSV / XML / JSON SPSS Flume JDBC Web Crawler 28

29 InfoSphere BigInsights Architecture IBM element= Blue Box Open sources element= Orange Box Analytics ML Analytics Text Analytics BigSheets Interface Application Zookeeper IBM LZO Compression PIG Hive MapReduce AdaptiveMR Oozie Jaql BigIndex Lucene Avro Management Console (browser-based) Development Tooling (Eclipse plug-ins) Storage HBase HDFS GPFS-SNC Data Sources/ Connectors Streams Netezza BoardReade r R Data Stage DB2 CSV / XML / JSON SPSS Flume JDBC Web Crawler 29

30 What is Text Analytics? 30 High Performance and Scalable rule based Information Extraction Engine. Distill structured information from unstructured data - Rich annotator library supports multiple languages Provides sophisticated tooling to help build, test, and refine rules. Developer tools, an easy to use text analytics language, and a set of extractors for fast adoption. Multilingual support, including support for DBCS languages. Developed at IBM Research since 2004: System T Embedded in several IBM products Infosphere Warehouse Infosphere Streams. Lotus Notes Cognos Consumer Insights BigInsights is the first time IBM opens up the Text Analytics Engine technology for customization and development

31 Annotator Query Language (AQL) Language to create rules for Text Analytics. SQL Like Language. Fully declarative text analytics language. Once compiled produced an AOG plan to work in the data. No black boxes or modules that can t be customized. Tooling for easy customization because you are abstracted from the programmatic details. Competing solutions make use of locked up black-box modules that cannot be customized, which restricts flexibility and are difficult to optimize for performance create view AmountWithUnit as extract pattern <N.match> <U.match> as match from Number N, Unit U; 31

32 BigInsights Text Analytics Components AQL Language Optimizer Compiled Plan Eclipse Tools Develop and maintain extractors in AQL Pre-compiled extractor library Western languages: Named Entities (person, organization, location, phone, URL, , date/time) and financial events (merger, acquisition, company earnings) Chinese/Japanese: Named Entities (Person, Organization, Location) Jaql Text Analytics module Execute extractors on the cluster from Jaql Input Document BigInsights Cluster Extracted objects Text Analytics Java API Invoke Text Analytics directly from your application 32

33 Text Analytic: Simple Example Football World Cup 2010, one team distinguished well from the rest winning the final. Early in the second half, Netherlands striker, Arjen Robben, had a chance to score, but the awesome keeper for Spain, Iker Casillas made the save. Winner superiority was reflected when Winger Andres Iniesta scored for Spain for the win. World Cup 2010 Highlights Arjen Robben Iker Casillas Andres Iniesta Striker Keeper Winger Netherlands Spain Spain 33

34 InfoSphere BigInsights Architecture IBM element= Blue Box Open sources element= Orange Box Analytics ML Analytics Text Analytics BigSheets Interface Application Zookeeper IBM LZO Compression PIG Hive MapReduce AdaptiveMR Oozie Jaql BigIndex Lucene Avro Management Console (browser-based) Development Tooling (Eclipse plug-ins) Storage HBase HDFS GPFS-SNC Data Sources/ Connectors Streams Netezza BoardReade r R Data Stage DB2 CSV / XML / JSON SPSS Flume JDBC Web Crawler 34

35 InfoSphere BigInsights Architecture IBM element= Blue Box Open sources element= Orange Box Analytics ML Analytics Text Analytics BigSheets Interface Application Zookeeper IBM LZO Compression PIG Hive MapReduce AdaptiveMR Oozie Jaql BigIndex Lucene Avro Management Console (browser-based) Development Tooling (Eclipse plug-ins) Storage HBase HDFS GPFS-SNC Data Sources/ Connectors Streams Netezza BoardReade r R Data Stage DB2 CSV / XML / JSON SPSS Flume JDBC Web Crawler 35

36 BigInsights Operational Excellence Integration Netezza DB2 JDBC Streams DataStage Sample UDFs to submit BigInsights jobs, consume results Jaql read/write DB2 LUW, IW with DPF Netezza R BigInsights JDBC DBMS Jaql read/write 36

37 Querying DB2 from BigInsights SQL Query Result Set JAQL DB2 Connector Results DB2 InfoSphere Warehouse IBM Smart Analytics System GPFS / HDFS 37

38 Calling BigInsights from DB2 Query JAQLSubmit UDF JAQL XML Result or HDFS file handle Results DB2 HDFSRead UDF InfoSphere Warehouse IBM Smart Analytics System Result Set GPFS / HDFS 38

39 Más información de BigInsights Wiki de BigInsight con enlaces, demos, forums, etc

Cómo IBM BigInsights acelera la generación de valor de Implantaciones HADOOP. Subtítulo

Cómo IBM BigInsights acelera la generación de valor de Implantaciones HADOOP. Subtítulo Cómo IBM BigInsights acelera la generación de valor de Implantaciones HADOOP. Subtítulo Resumen Big Data: Ideas Arquitectura Completa Principales aplicaciones en Big Data Hadoop IBM InfoSphere BigInsights:

Más detalles

The H Hour: Hadoop The awakening of the BigData. Antonio Soto SolidQ COO asoto@solidq.com @antoniosql

The H Hour: Hadoop The awakening of the BigData. Antonio Soto SolidQ COO asoto@solidq.com @antoniosql The H Hour: Hadoop The awakening of the BigData Antonio Soto SolidQ COO asoto@solidq.com @antoniosql Tendencias de la Industria El nuevo rol del operador El operador de ayer Sigue el proceso basado en

Más detalles

ÍNDICE. Introducción... Capítulo 1. Conceptos de Big Data... 1

ÍNDICE. Introducción... Capítulo 1. Conceptos de Big Data... 1 ÍNDICE Introducción... XIII Capítulo 1. Conceptos de Big Data... 1 Definición, necesidad y características de Big Data... 1 Aplicaciones típicas de Big Data... 4 Patrones de detección del fraude... 4 Patrones

Más detalles

Big data A través de una implementación

Big data A través de una implementación Big data A través de una implementación Lic. Diego Krauthamer Profesor Adjunto Interino del Área Base de Datos Universidad Abierta Interamericana Facultad de Tecnología Informática Buenos Aires. Argentina

Más detalles

La Analítica de Datos no Estructurados

La Analítica de Datos no Estructurados La Analítica de Datos no Estructurados Análisis Big Data con Hadoop Big Data es Más Que Solamente Hadoop Que me podría decir de Big Data? Quiero saber de Hadoop. Big Data es mucho mas que Hadoop! Nuestros

Más detalles

Conectores Pentaho Big Data Community VS Enterprise

Conectores Pentaho Big Data Community VS Enterprise Conectores Pentaho Big Data Community VS Enterprise Agosto 2014 Stratebi Business Solutions www.stratebi.com info@stratebi.com Índice 1. Resumen... 3 2. Introducción... 4 3. Objetivo... 4 4. Pentaho Community

Más detalles

Hadoop. Cómo vender un cluster Hadoop?

Hadoop. Cómo vender un cluster Hadoop? Hadoop Cómo vender un cluster Hadoop? ÍNDICE Problema Big Data Qué es Hadoop? Descripción HDSF Map Reduce Componentes de Hadoop Hardware Software 3 EL PROBLEMA BIG DATA ANTES Los datos los generaban las

Más detalles

Big Data y Supercómputo. Dr. Jesús Antonio González (jagonzalez@inaoep.mx) Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE)

Big Data y Supercómputo. Dr. Jesús Antonio González (jagonzalez@inaoep.mx) Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE) Big Data y Supercómputo Dr. Jesús Antonio González (jagonzalez@inaoep.mx) Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE) Big Data 2 Hasta qué cantidad de datos podemos procesar en nuestra

Más detalles

#siempreparaapoyarte. Av. Arenales 395 Oficina 403 405 / 43376948 3327162 / info@cjavaperu.com

#siempreparaapoyarte. Av. Arenales 395 Oficina 403 405 / 43376948 3327162 / info@cjavaperu.com Quienes Somos Somos una organización peruana orientada a desarrollar, capacitar e investigar tecnología JAVA a través de un prestigioso staff de profesionales a nivel nacional. Visión Poder aportar al

Más detalles

HDInsight. Big Data, al estilo Microsoft

HDInsight. Big Data, al estilo Microsoft HDInsight Big Data, al estilo Microsoft PABLO DOVAL SQL/BI Team Lead palvarez@plainconcepts.com http://geeks.ms/blogs/palvarez @PabloDoval Big Data ALGUNAS ESTADÍSTICAS DE SQL SERVER Categoría Metrica

Más detalles

Luis Reina Juliá luis_reina@es.ibm.com IBM Software Group Arquitecto de Datos. Data Warehousing: el reto de extraer el valor de los datos

Luis Reina Juliá luis_reina@es.ibm.com IBM Software Group Arquitecto de Datos. Data Warehousing: el reto de extraer el valor de los datos Luis Reina Juliá luis_reina@es.ibm.com IBM Software Group Arquitecto de Datos Data Warehousing: el reto de extraer el valor de los datos AGENDA Data Warehouses Problemáticas típicas de Data Warehouse Soluciones

Más detalles

Big Data con nombres propios

Big Data con nombres propios Febrero 2014 Big Data con Al hablar de tecnología Big Data se está obligado, sin duda alguna, a hablar de programación paralela y procesamiento distribuido, ya que éstas serán las características que permitirán

Más detalles

XII Encuentro Danysoft en Microsoft Abril 2015. Business Intelligence y Big Data XII Encuentro Danysoft en Microsoft Directos al código

XII Encuentro Danysoft en Microsoft Abril 2015. Business Intelligence y Big Data XII Encuentro Danysoft en Microsoft Directos al código Business Intelligence y Big Data XII Encuentro Danysoft en Microsoft Directos al código Ana María Bisbé York Servicios Profesionales sp@danysoft.com 916 638683 www.danysoft.com Abril 2015 Sala 1 SQL Server

Más detalles

Como extender la capacidad Analítica conectando fuentes de datos Big Data en ArcGIS

Como extender la capacidad Analítica conectando fuentes de datos Big Data en ArcGIS Como extender la capacidad Analítica conectando fuentes de datos Big Data en ArcGIS César Rodríguez Reinaldo Cartagena Agenda Fundamentos para Big Data La Analítica y Big Data generar conocimiento ArcGIS

Más detalles

NubaDat An Integral Cloud Big Data Platform. Ricardo Jimenez-Peris

NubaDat An Integral Cloud Big Data Platform. Ricardo Jimenez-Peris NubaDat An Integral Cloud Big Data Platform Ricardo Jimenez-Peris NubaDat Market Size 3 Market Analysis Conclusions Agenda Value Proposition Product Suite Competitive Advantages Market Gaps Big Data needs

Más detalles

Big Data. Analisís de grandes cantidades de datos. Sergio Marchena Quirós

Big Data. Analisís de grandes cantidades de datos. Sergio Marchena Quirós Big Data Analisís de grandes cantidades de datos Sergio Marchena Quirós Índice 1.0 Introducción...3 1.1 Objetivos del proyecto...3 1.1.1 Estudio Teórico...3 2.0 Big Data...3 2.1 las 5 V...3 2.2 Tipos de

Más detalles

CURSO: DESARROLLADOR PARA APACHE HADOOP

CURSO: DESARROLLADOR PARA APACHE HADOOP CURSO: DESARROLLADOR PARA APACHE HADOOP CAPÍTULO 3: HADOOP CONCEPTOS BÁSICOS www.formacionhadoop.com Índice 1 Introducción a Hadoop 1.1 Proyecto Hadoop 1.2 Conceptos de Hadoop 2 Cluster Hadoop 2.1 Demonios

Más detalles

Universidad de Guadalajara

Universidad de Guadalajara Universidad de Guadalajara Centro Universitario de Ciencias Económico-Administrativas Maestría en Tecnologías de Información Ante-proyecto de Tésis Selection of a lightweight virtualization framework to

Más detalles

APACHE HADOOP. Daniel Portela Paz Javier Villarreal García Luis Barroso Vázquez Álvaro Guzmán López

APACHE HADOOP. Daniel Portela Paz Javier Villarreal García Luis Barroso Vázquez Álvaro Guzmán López APACHE HADOOP Daniel Portela Paz Javier Villarreal García Luis Barroso Vázquez Álvaro Guzmán López Objetivos 1. Qué es Apache Hadoop? 2. Funcionalidad 2.1. Map/Reduce 2.2. HDFS 3. Casos prácticos 4. Hadoop

Más detalles

Soluciones Big Data & Analytics Martes 10 de junio de 2014 Museu Nacional d'art de Catalunya

Soluciones Big Data & Analytics Martes 10 de junio de 2014 Museu Nacional d'art de Catalunya Software & Servicios Soluciones Big Data & Analytics Martes 10 de junio de 2014 Museu Nacional d'art de Catalunya Juan Carlos Morán Software & Servicios Saytel E-mail: jcmoran@saytel.es Agenda Qué es Big

Más detalles

Introducción a Big Data Analytics

Introducción a Big Data Analytics Introducción a Big Data Analytics Luis Zamora - Sales Manager Iberia Greenplum Pedro Algaba - EMC Greenplum Solutions Architect 1 BIG DATA: Retos y Requerimientos Big Data Analytics plantea unos requerimientos

Más detalles

ANÁLISIS Y DESARROLLO DE UNA PLATAFORMA BIG DATA

ANÁLISIS Y DESARROLLO DE UNA PLATAFORMA BIG DATA ANÁLISIS Y DESARROLLO DE UNA PLATAFORMA BIG DATA Autor: de la Cierva Perreau de Pinninck, Leticia Director: Sonia García, Mario Tenés Entidad Colaboradora: VASS RESUMEN DEL PROYECTO Tras la realización

Más detalles

BIG DATA & SEGURIDAD UN MATRIMONIO DE FUTURO

BIG DATA & SEGURIDAD UN MATRIMONIO DE FUTURO BIG DATA & SEGURIDAD UN MATRIMONIO DE FUTURO PRESENTACIÓN ANTONIO GONZÁLEZ CASTRO IT SECURITY DIRECTOR EN PRAGSIS TECHNOLOGIES agcastro@pragsis.com antoniogonzalezcastro.es @agonzaca linkedin.com/in/agonzaca

Más detalles

Nuevas Tendencias Analítica en la Industria Financiera. Roger Molina Salvador Gerente de Proyectos Informese Ltda. Suc. Perú

Nuevas Tendencias Analítica en la Industria Financiera. Roger Molina Salvador Gerente de Proyectos Informese Ltda. Suc. Perú Nuevas Tendencias Analítica en la Industria Financiera Roger Molina Salvador Gerente de Proyectos Informese Ltda. Suc. Perú Agenda Big Data Big Data Analytics El Análisis de Entidades La propuesta de IBM

Más detalles

Agustiniano Ciudad Salitre School Computer Science Support Guide - 2015 Second grade First term

Agustiniano Ciudad Salitre School Computer Science Support Guide - 2015 Second grade First term Agustiniano Ciudad Salitre School Computer Science Support Guide - 2015 Second grade First term UNIDAD TEMATICA: INTERFAZ DE WINDOWS LOGRO: Reconoce la interfaz de Windows para ubicar y acceder a los programas,

Más detalles

ESTUDIO, ANÁLISIS Y EVALUACIÓN DEL ENTORNO DE TRABAJO HADOOP. Entidad Colaboradora: ICAI Universidad Pontificia Comillas

ESTUDIO, ANÁLISIS Y EVALUACIÓN DEL ENTORNO DE TRABAJO HADOOP. Entidad Colaboradora: ICAI Universidad Pontificia Comillas ESTUDIO, ANÁLISIS Y EVALUACIÓN DEL ENTORNO DE TRABAJO HADOOP. Autor: Director: Rubio Echevarria, Raquel Contreras Bárcena, David Entidad Colaboradora: ICAI Universidad Pontificia Comillas RESUMEN DEL PROYECTO

Más detalles

System Management: como elemento diferencial para alcanzar sus objetivos

System Management: como elemento diferencial para alcanzar sus objetivos Juan Paulo Cabezas Especialista de Ventas de Soluciones de Seguridad para IBM Latino America Junio 2010 System Management: como elemento diferencial para alcanzar sus objetivos Agenda Problemática y nuestra

Más detalles

Contenido CAPÍTULO 2 FUENTES DE GRANDES VOLÚMENES DE DATOS... 23. Parte I. La era de Big Data CAPÍTULO 1 QUÉ ES BIG DATA?... 1

Contenido CAPÍTULO 2 FUENTES DE GRANDES VOLÚMENES DE DATOS... 23. Parte I. La era de Big Data CAPÍTULO 1 QUÉ ES BIG DATA?... 1 Contenido Parte I. La era de Big Data CAPÍTULO 1 QUÉ ES BIG DATA?... 1 Definición de Big Data... 2 Tipos de datos... 3 Datos estructurados... 4 Datos semiestructurados... 4 Datos no estructurados... 5

Más detalles

BIG DATA. Jorge Mercado. Software Quality Engineer

BIG DATA. Jorge Mercado. Software Quality Engineer BIG DATA Jorge Mercado Software Quality Engineer Agenda Big Data - Introducción Big Data - Estructura Big Data - Soluciones Conclusiones Q&A Big Data - Introducción Que es Big Data? Big data es el termino

Más detalles

Facultad Politécnica UNA Ing. Julio Paciello juliopaciello@gmail.com

Facultad Politécnica UNA Ing. Julio Paciello juliopaciello@gmail.com Facultad Politécnica UNA Ing. Julio Paciello juliopaciello@gmail.com Contenidos Clúster de Investigación Aplicada Proyectos HPC Clúster Hadoop para tecnologías de BI Una nube privada para la Administración

Más detalles

PROGRAMA FORMATIVO Desarrollador Big Data Cloudera Apache Hadoop

PROGRAMA FORMATIVO Desarrollador Big Data Cloudera Apache Hadoop PROGRAMA FORMATIVO Desarrollador Big Data Cloudera Apache Hadoop Julio 2015 DATOS GENERALES DE LA ESPECIALIDAD 1. Familia Profesional: INFORMÁTICA Y COMUNICACIONES (IFC) Área Profesional: DESARROLLO 2.

Más detalles

Retos en la gestión de Información requieren Smarter Computing

Retos en la gestión de Información requieren Smarter Computing Retos en la gestión de Información requieren Smarter Computing Diana Ortega zstack Information Architect 1 Operacionales Decisiones Estratégicas Alcance del Business Analytics Análisis y Conocimiento Mejora

Más detalles

Big Data Analytics: propuesta de una arquitectura

Big Data Analytics: propuesta de una arquitectura Big Data Analytics: propuesta de una arquitectura Jonathan Solano Rodriguez y Estefany Leiva Valverde Escuela de Ingeniería, Universidad Latinoamericana de Ciencia y Tecnología, ULACIT, Urbanización Tournón,

Más detalles

Reinforcement Plan. Day 27 Month 03 Year 2015

Reinforcement Plan. Day 27 Month 03 Year 2015 BETHLEMITAS SCHOOL Reinforcement Plan Day 27 Month 03 Year 2015 TERM: I Date: COMPREHENSION GOAL: The students develop comprehension about the Living and Non- living things, plants, animals and their main

Más detalles

Sistema de Control Domótico

Sistema de Control Domótico UNIVERSIDAD PONTIFICIA COMILLAS ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA (ICAI) INGENIERO EN ELECTRÓNICA Y AUTOMATICA PROYECTO FIN DE CARRERA Sistema de Control Domótico a través del bus USB Directores:

Más detalles

Soluciones Big Data & Analytics Miércoles 4 de junio de 2014 Estadio Santiago Bernabeu

Soluciones Big Data & Analytics Miércoles 4 de junio de 2014 Estadio Santiago Bernabeu Saytel Informática S.L. Soluciones Big Data & Analytics Miércoles 4 de junio de 2014 Estadio Santiago Bernabeu Juan Carlos Morán Software & Servicios Saytel E-mail: jcmoran@saytel.es Agenda Qué es Big

Más detalles

Big Data en la nube. Use los datos. Obtenga información. La pregunta clave es: Qué puede hacer Doopex por mi negocio?

Big Data en la nube. Use los datos. Obtenga información. La pregunta clave es: Qué puede hacer Doopex por mi negocio? Qué es Doopex? Big Data en la nube. Use los datos. Obtenga información. Seguramente, la pregunta clave no es Qué es Doopex?. La pregunta clave es: Qué puede hacer Doopex por mi negocio? El objetivo de

Más detalles

Rendimiento y monitorización

Rendimiento y monitorización Rendimiento y monitorización RED ESPAÑOLA DE SUPERCOMPUTACIÓN -Operations Department -Barcelona Supercomputing Center Foreword All Information contained in this document refers to BSC s & RES s internal

Más detalles

El Camino a PureData. Analía Irene Ramos - Certified IT Specialist. ramos@ar.ibm.com - 7 de Junio de 2013. Accelerating Your Success

El Camino a PureData. Analía Irene Ramos - Certified IT Specialist. ramos@ar.ibm.com - 7 de Junio de 2013. Accelerating Your Success El Camino a PureData Analía Irene Ramos - Certified IT Specialist ramos@ar.ibm.com - 7 de Junio de 2013 Accelerating Your Success Desafíos - Tecnología 1 Factores que impactan las organizaciones: 1.Factores

Más detalles

PROYECTO INFORMÁTICO PARA LA CREACIÓN DE UN GESTOR DOCUMENTAL PARA LA ONG ENTRECULTURAS

PROYECTO INFORMÁTICO PARA LA CREACIÓN DE UN GESTOR DOCUMENTAL PARA LA ONG ENTRECULTURAS PROYECTO INFORMÁTICO PARA LA CREACIÓN DE UN GESTOR DOCUMENTAL PARA LA ONG ENTRECULTURAS Autor: García Lodares, Victor. Director: Castejón Silvo, Pedro. Entidad Colaboradora: Entreculturas. Resumen del

Más detalles

Big Data y NO-SQL el futuro de la Arquitectura de Información

Big Data y NO-SQL el futuro de la Arquitectura de Información Big Data y NO-SQL el futuro de la Arquitectura de Información Jorge Mario Calvo L. EMPRENDEMICO = EMPRENdedor + academico http://jorgemariocalvo.net http://www.emprendemico.com Twitter: @Emprendemico Conocimiento

Más detalles

BIG DATA Y SU APLICACIÓN REAL EN LA EMPRESA

BIG DATA Y SU APLICACIÓN REAL EN LA EMPRESA BIG DATA Y SU APLICACIÓN REAL EN LA EMPRESA Javier González Sánchez Director Comercial de Information Management España, Portugal, Grecia e Israel. IBM Software Características de Big Data Procesamiento

Más detalles

PROGRAMA FORMATIVO: ORACLE BIG DATA INGENIERO

PROGRAMA FORMATIVO: ORACLE BIG DATA INGENIERO PROGRAMA FORMATIVO: ORACLE BIG DATA INGENIERO Noviembre 2015 DATOS GENERALES DEL CURSO 1. Familia Profesional: INFORMÁTICA Y COMUNICACIONES (IFC) Área Profesional: SISTEMAS Y TELEMÁTICA 2. Denominación:

Más detalles

Cómo Orientar el Potencial de Big Data

Cómo Orientar el Potencial de Big Data Cómo Orientar el Potencial de Big Data Fernando Cortés IBM Software Group, Information Management Especialista IBM Big Data Para Reconocer Nuevas Oportunidades, Es Necesario Pensar Más Allá de las Fuentes

Más detalles

Software Libre para Aplicaciones de Big Data

Software Libre para Aplicaciones de Big Data Software Libre para Aplicaciones de Big Data Club de Investigación Tecnológica San José, Costa Rica 2014.07.16 Theodore Hope! hope@aceptus.com Big Data: Qué es?! Conjuntos de datos de: " Alto volumen (TBs

Más detalles

PREVIEW BIDOOP 2.0. Big Data Brunch

PREVIEW BIDOOP 2.0. Big Data Brunch PREVIEW BIDOOP 2.0 Big Data Brunch 08 de Julio 2014 Quién soy? Trabajando con Hadoop desde 2010 sluangsay@pragsis.com @sourygna CTO de Pragsis Responsable departamento sistemas Preventa Instructor de Hadoop

Más detalles

Big Data: retos a nivel de desarrollo. Ing. Jorge Camargo, MSc, PhD (c) jcamargo@bigdatasolubons.co

Big Data: retos a nivel de desarrollo. Ing. Jorge Camargo, MSc, PhD (c) jcamargo@bigdatasolubons.co Big Data: retos a nivel de desarrollo Ing. Jorge Camargo, MSc, PhD (c) jcamargo@bigdatasolubons.co Cámara de Comercio de Bogotá Centro Empresarial Chapinero Agenda Introducción Bases de datos NoSQL Procesamiento

Más detalles

BIG Big Data Public Private Forum

BIG Big Data Public Private Forum DATA TENDENCIAS TECNOLÓGICAS Primer taller para la construcción de la hoja de ruta de Big Data para Europa 16/04/2013 Tomás Pariente Atos Research and Innovation SABEMOS LO QUE ES DATA, NO? Small DATA

Más detalles

SISTEMA CONTROL DE ACCESOS A EDIFICIOS MEDIANTE TARJETAS CRIPTOGRÁFICAS Y TARJETAS DE RADIOFRECUENCIA (RFID)

SISTEMA CONTROL DE ACCESOS A EDIFICIOS MEDIANTE TARJETAS CRIPTOGRÁFICAS Y TARJETAS DE RADIOFRECUENCIA (RFID) SISTEMA CONTROL DE ACCESOS A EDIFICIOS MEDIANTE TARJETAS CRIPTOGRÁFICAS Y TARJETAS DE RADIOFRECUENCIA (RFID) Alumno: Velayos Sardiña, Marta Director: Palacios Hielscher, Rafael Entidad Colaboradora: ICAI

Más detalles

Este proyecto tiene como finalidad la creación de una aplicación para la gestión y explotación de los teléfonos de los empleados de una gran compañía.

Este proyecto tiene como finalidad la creación de una aplicación para la gestión y explotación de los teléfonos de los empleados de una gran compañía. SISTEMA DE GESTIÓN DE MÓVILES Autor: Holgado Oca, Luis Miguel. Director: Mañueco, MªLuisa. Entidad Colaboradora: Eli & Lilly Company. RESUMEN DEL PROYECTO Este proyecto tiene como finalidad la creación

Más detalles

Think Big Think Data Think Big Data

Think Big Think Data Think Big Data Think Big Think Data Think Big Data Fermín Febrero Technology Consultant 1 En 2000 se generaron DOS EXABYTES De nueva información Sources: How Much Information? Peter Lyman and Hal Varian, UC Berkeley,.

Más detalles

Instalación: Instalación de un agente en una máquina cliente y su registro en el sistema.

Instalación: Instalación de un agente en una máquina cliente y su registro en el sistema. HERRAMIENTA DE MONITORIZACIÓN DE SISTEMAS Autor: Sota Madorrán, Iñaki. Director: Igualada Moreno, Pablo. Entidad Colaboradora: Evotec Consulting, S.L. RESUMEN DEL PROYECTO El proyecto consiste en el diseño,

Más detalles

Desmitificando Big Data:

Desmitificando Big Data: Desmitificando Big Data: Data Mining y Business Intelligence 2.0 Ignacio Bustillo Ignacio.Bustillo@stratebi.com Twitter: @IgnacioBustillo Fecha presentación: 14 de Noviembre de 2014 'Hello world!' Creador

Más detalles

Bases de datos. 1. Introducción

Bases de datos. 1. Introducción Bases de datos 1. Introducción Habitualmente, los programas trabajan con información que está en un fichero. Por ejemplo, nuestro simulador de tráfico aéreo trabaja con una lista de planes de vuelo que

Más detalles

Desarrollo de herramientas empresariales para la búsqueda de información utilizando Biginsights, Java y otras tecnologías de la informática

Desarrollo de herramientas empresariales para la búsqueda de información utilizando Biginsights, Java y otras tecnologías de la informática Desarrollo de herramientas empresariales para la búsqueda de información utilizando Biginsights, Java y otras tecnologías de la informática Índice Introducción Capítulo 1: Contexto General 1.1 Descripción

Más detalles

Connecting Cloudino Connector to FIWARE IoT

Connecting Cloudino Connector to FIWARE IoT Hoja 1 DE 9 Connecting Cloudino Connector to FIWARE IoT 1. What is FIWARE IoT FIWARE is an open software ecosystem provided by the FIWARE Community (htttp://www.fiware.org). FIWARE exposes to developers

Más detalles

Análisis y Diseño de Sistemas

Análisis y Diseño de Sistemas Análisis y Diseño de Sistemas Presentación de Sistemas Proyecto de Cursado Primer cuatrimestre 2012- DCIC-UNS Telma Delladio Agenda Proyecto de Cursado Sistemas de interés E-Learning E-Commerce Project

Más detalles

La plataforma ECM para Pymes inteligentes ECM platform for smart companies Una sola plataforma para todos los contenidos de la organización One single platform for all contents of the organization Plataforma

Más detalles

Creating your Single Sign-On Account for the PowerSchool Parent Portal

Creating your Single Sign-On Account for the PowerSchool Parent Portal Creating your Single Sign-On Account for the PowerSchool Parent Portal Welcome to the Parent Single Sign-On. What does that mean? Parent Single Sign-On offers a number of benefits, including access to

Más detalles

Soluciones de Software para zenterprise. Alberto GonZáleZ Dueñas System z Client Technical Professional alberto-gonzalez@es.ibm.com @AlbertoGlezDue

Soluciones de Software para zenterprise. Alberto GonZáleZ Dueñas System z Client Technical Professional alberto-gonzalez@es.ibm.com @AlbertoGlezDue Soluciones de Software para zenterprise Alberto GonZáleZ Dueñas System z Client Technical Professional alberto-gonzalez@es.ibm.com @AlbertoGlezDue El mundo está cambiando Está nuestra infraestructura IT

Más detalles

INNOVACIÓN Tecnologías de información La nueva Era. Javier Cordero Torres Presidente y Director General Oracle México Febrero 27, 2015

INNOVACIÓN Tecnologías de información La nueva Era. Javier Cordero Torres Presidente y Director General Oracle México Febrero 27, 2015 INNOVACIÓN Tecnologías de información La nueva Era Javier Cordero Torres Presidente y Director General Oracle México Febrero 27, 2015 Oracle Confidential Internal/Restricted/Highly Restricted 3 4 OF WORLD

Más detalles

Soluciones de Seguridad de IBM: Tendencias y hoja de ruta

Soluciones de Seguridad de IBM: Tendencias y hoja de ruta Soluciones de Seguridad de IBM: Tendencias y hoja de ruta Emmanuel Roeseler IBM Security Systems Sales Leader, SPGI Ziv Cohen Trusteer EMEA Leader Madrid, 20 Noviembre 2013 2013 IBM Corporation La tecnología

Más detalles

CURSO: DESARROLLADOR PARA APACHE HADOOP

CURSO: DESARROLLADOR PARA APACHE HADOOP CURSO: DESARROLLADOR PARA APACHE HADOOP CAPÍTULO 1: INTRODUCCIÓN www.formacionhadoop.com Índice 1 Por qué realizar el curso de desarrollador para Apache Hadoop? 2 Requisitos previos del curso 3 Bloques

Más detalles

MÁSTER: MÁSTER EXPERTO BIG DATA

MÁSTER: MÁSTER EXPERTO BIG DATA MÁSTER: MÁSTER EXPERTO BIG DATA Información detallada del máster www.formacionhadoop.com Este máster online está enfocado a los ingenieros que quieran aprender el despliegue y configuración de un cluster

Más detalles

DISPOSITIVO DE CONTROL PARA REDES DE DISTRIBUCIÓN ELÉCTRICA RESUMEN DEL PROYECTO

DISPOSITIVO DE CONTROL PARA REDES DE DISTRIBUCIÓN ELÉCTRICA RESUMEN DEL PROYECTO I DISPOSITIVO DE CONTROL PARA REDES DE DISTRIBUCIÓN ELÉCTRICA Autor: Juárez Montojo, Javier. Director: Rodríguez Mondéjar, José Antonio. Entidad Colaboradora: ICAI-Universidad Pontificia Comillas RESUMEN

Más detalles

Steps to Understand Your Child s Behavior. Customizing the Flyer

Steps to Understand Your Child s Behavior. Customizing the Flyer Steps to Understand Your Child s Behavior Customizing the Flyer Hello! Here is the PDF Form Template for use in advertising Steps to Understanding Your Child s Behavior (HDS Behavior Level 1B). Because

Más detalles

Universidad Autónoma de Aguascalientes Luis Eduardo Bautista Villalpando

Universidad Autónoma de Aguascalientes Luis Eduardo Bautista Villalpando Universidad Autónoma de Aguascalientes Luis Eduardo Bautista Villalpando Qué es Cloud Computing? Quién utiliza Cloud Computing? Plataformas utilizadas en Cloud Computing Investigación en Cloud Computing

Más detalles

Kuapay, Inc. Seminario Internacional Modernización de los medios de pago en Chile

Kuapay, Inc. Seminario Internacional Modernización de los medios de pago en Chile Kuapay, Inc. Seminario Internacional Modernización de los medios de pago en Chile Our value proposition Kuapay s motto and mission Convert electronic transactions into a commodity Easy Cheap!!! Accessible

Más detalles

SQL Server 2000 está diseñado para trabajar con dos tipos de bases de datos :

SQL Server 2000 está diseñado para trabajar con dos tipos de bases de datos : Introducción a SQL Server 2000 SQL Server 2000 es un sistema de gestión de bases de datos relacionales (SGDBR o RDBMS: Relational Database Management System) diseñado para trabajar con grandes cantidades

Más detalles

SOFTWARE PARA LA GESTIÓN INFORMÁTICA DE UNA CLÍNICA DENTAL

SOFTWARE PARA LA GESTIÓN INFORMÁTICA DE UNA CLÍNICA DENTAL SOFTWARE PARA LA GESTIÓN INFORMÁTICA DE UNA CLÍNICA DENTAL Autora: Laura Martín García Director: Alberto Ciudad Sánchez RESUMEN El objetivo de este proyecto es realizar el análisis, diseño y desarrollo

Más detalles

Qué significa Hadoop en el mundo del Big Data?

Qué significa Hadoop en el mundo del Big Data? Qué significa Hadoop en el mundo del Big Data? Un contenido para perfiles técnicos 2 ÍNDICE Qué significa Hadoop en el Universo Big Data?.... 3 El planteamiento: big data y data science.... 3 Los desafíos

Más detalles

CURSOS DE VERANO 2014

CURSOS DE VERANO 2014 CURSOS DE VERANO 2014 APROXIMACIÓN PRÁCTICA A LA CIENCIA DE DATOS Y BIG DATA: HERRAMIENTAS KNIME, R, HADOOP Y MAHOUT. Entorno de Procesamiento Hadoop Sara Del Río García 1 Qué es Hadoop? Es un proyecto

Más detalles

UCI Sustento del uso justo de materiales protegidos por derechosde autor para fines educativos

UCI Sustento del uso justo de materiales protegidos por derechosde autor para fines educativos UCI Sustento del uso justo de materiales protegidos por derechosde autor para fines educativos El siguiente material ha sido reproducido, con fines estrictamente didácticos e ilustrativos de los temas

Más detalles

Objetos Distribuidos - Componentes. Middleware

Objetos Distribuidos - Componentes. Middleware Objetos Distribuidos - Componentes Middleware Middleware Component Oriented Development Arquitecturas 3 Tier Middleware es el software que: conecta y comunica los componentes de una aplicacion distribuida

Más detalles

Infraestructura de Big Data para el análisis y procesamiento de información generada por redes de sensores

Infraestructura de Big Data para el análisis y procesamiento de información generada por redes de sensores Infraestructura de Big Data para el análisis y procesamiento de información generada por redes de sensores Seminario internacional: Big Data para la Información Oficial y la Toma de Decisiones José A.

Más detalles

VMware Horizon Mirage: Gestión Centralizada de imágenes Windows

VMware Horizon Mirage: Gestión Centralizada de imágenes Windows VMware Horizon Mirage: Gestión Centralizada de imágenes Windows Germán Schrämli Madrid 8 de Octubre de 2013 Business Developer Manager Virtualization 2009 VMware Inc. Todos los derechos reservados Horizon

Más detalles

Alessandro Chacón 05-38019. Ernesto Level 05-38402. Ricardo Santana 05-38928

Alessandro Chacón 05-38019. Ernesto Level 05-38402. Ricardo Santana 05-38928 Alessandro Chacón 05-38019 Ernesto Level 05-38402 Ricardo Santana 05-38928 CONTENIDO Universo Digital Hadoop HDFS: Hadoop Distributed File System MapReduce UNIVERSO DIGITAL 161 EB 2006 Fuente: International

Más detalles

Cómo competir utilizando Big Data y Analytics

Cómo competir utilizando Big Data y Analytics Cómo competir utilizando Big Data y Analytics Guillermo Girón R. Business Information Regional Consultant ggiron@gbm.net Santo Domingo, Septiembre 2014 Sobrecarga de Información Pero a falta de Insight

Más detalles

Técnicas de automatización Going from GOOD to GREAT. Diego Tortoriello Federico Regueira Gonzalo Ciosek

Técnicas de automatización Going from GOOD to GREAT. Diego Tortoriello Federico Regueira Gonzalo Ciosek + Técnicas de automatización Going from GOOD to GREAT Diego Tortoriello Federico Regueira Gonzalo Ciosek + Forma de trabajo en este workshop + Are you ready? [5 min] + Setup [10 min] 1 Conectar a la wi-fi

Más detalles

Big Data: Cómo lidiar con el desafío de la explosión de datos?

Big Data: Cómo lidiar con el desafío de la explosión de datos? Big Data: Cómo lidiar con el desafío de la explosión de datos? Leonardo González Barceló IBM Latin America Big Data Sales Leader Lima, Octubre 22, 2013 Es Big Data Un Tópico de Tendencia Actual? Big Data:

Más detalles

Soluciones de Bases de Datos en IBM z. Maruca Alonso Isaac Moreno

Soluciones de Bases de Datos en IBM z. Maruca Alonso Isaac Moreno Soluciones de Bases de Datos en IBM z Systems on Linux Maruca Alonso Isaac Moreno System z: plataforma en continua evolución Fiabilidad&Disponibilidad Seguridad Recuperación ante desastres Virtualización

Más detalles

CURSO: APACHE SPARK CAPÍTULO 2: INTRODUCCIÓN A APACHE SPARK. www.formacionhadoop.com

CURSO: APACHE SPARK CAPÍTULO 2: INTRODUCCIÓN A APACHE SPARK. www.formacionhadoop.com CURSO: APACHE SPARK CAPÍTULO 2: INTRODUCCIÓN A APACHE SPARK www.formacionhadoop.com Índice 1 Qué es Big Data? 2 Problemas con los sistemas tradicionales 3 Qué es Spark? 3.1 Procesamiento de datos distribuido

Más detalles

Introducción a Hadoop

Introducción a Hadoop Introducción a Hadoop Patrocinado por Bahía Software Tomás Fernández Pena Centro Singular de Investigación en Tecnoloxías da Información Universidade de Santiago de Compostela citius.usc.es Qué es MapReduce?

Más detalles

Brief Introduction to Docking and Virtual Screening with Autodock4 and Autodock Tools

Brief Introduction to Docking and Virtual Screening with Autodock4 and Autodock Tools Brief Introduction to Docking and Virtual Screening with Autodock4 and Autodock Tools Environment set up Launch AutoDock Tools Gui. Aplicaciones --> MGLTools-1.5.4 --> AutoDockTools-1.5.4 You should see

Más detalles

Desarrollo y servicios web Sesión 18

Desarrollo y servicios web Sesión 18 Desarrollo y servicios web Sesión 18 Luisa Fernanda Rincón Pérez 2014-2 Qué son los patrones arquitectónicos? Definen la estructura de la solución al mas alto nivel. Por esto es lo primero que se tiene

Más detalles

Por qué BI? Avances tecnológicos y su costo de adquisición

Por qué BI? Avances tecnológicos y su costo de adquisición Business Intelligence Seminario Business Intelligence Por qué BI? Avances tecnológicos y su costo de adquisición Definición de Intelligence Transformación de información en conocimiento Ciclo de Inteligencia

Más detalles

Sesión 3: PL 2b: Sistema para la adquisición de señales analógicas.

Sesión 3: PL 2b: Sistema para la adquisición de señales analógicas. Sesión 3: PL 2b: Sistema para la adquisición de señales analógicas. 1 Objetivo... 3 Signal Logging Basics... 3 Configure File Scope (xpc) Blocks... 3 File Scope Usage... 4 Create File Scopes Using xpc

Más detalles

CURSO PRESENCIAL: DESARROLLADOR BIG DATA

CURSO PRESENCIAL: DESARROLLADOR BIG DATA CURSO PRESENCIAL: DESARROLLADOR BIG DATA Información detallada del curso www.formacionhadoop.com El curso se desarrolla durante 3 semanas de Lunes a Jueves. Se trata de un curso formato ejecutivo que permite

Más detalles

Introducción a la Ingeniería de Software. Diseño Interfaz de Usuario

Introducción a la Ingeniería de Software. Diseño Interfaz de Usuario Introducción a la Ingeniería de Software Diseño Interfaz de Usuario Diseño de la Interfaz de Usuario Normalmente no se contratan especialistas Hay casos en los cuales es más normal: videojuegos y sitiosweb

Más detalles

Título del Proyecto: Sistema Web de gestión de facturas electrónicas.

Título del Proyecto: Sistema Web de gestión de facturas electrónicas. Resumen Título del Proyecto: Sistema Web de gestión de facturas electrónicas. Autor: Jose Luis Saenz Soria. Director: Manuel Rojas Guerrero. Resumen En la última década se han producido muchos avances

Más detalles

IRS DATA RETRIEVAL NOTIFICATION DEPENDENT STUDENT ESTIMATOR

IRS DATA RETRIEVAL NOTIFICATION DEPENDENT STUDENT ESTIMATOR IRS DATA RETRIEVAL NOTIFICATION DEPENDENT STUDENT ESTIMATOR Subject: Important Updates Needed for Your FAFSA Dear [Applicant], When you completed your 2012-2013 Free Application for Federal Student Aid

Más detalles

MÁSTER: MÁSTER DESARROLLADOR BIG DATA

MÁSTER: MÁSTER DESARROLLADOR BIG DATA MÁSTER: MÁSTER DESARROLLADOR BIG DATA Información detallada del máster www.formacionhadoop.com Este máster online está enfocado a los desarrolladores que quieran aprender a construir potentes aplicaciones

Más detalles

Oracle Express 10g. Marta Zorrilla Universidad de Cantabria

Oracle Express 10g. Marta Zorrilla Universidad de Cantabria Oracle Express 10g Marta Zorrilla Universidad de Cantabria Características With Oracle Database XE, you use an intuitive browser-based interface to: Administer the database Create tables, views, and other

Más detalles

Cuándo estoy listo para pasar a producción?

Cuándo estoy listo para pasar a producción? IBM Software Expo 2006. Madrid 23 de Mayo Cuándo estoy listo para pasar a producción? antonio.alonso @ es.ibm.com IBM Software 2005 IBM Corporation Agenda IBM Software Expo 2006. Madrid, 23 de mayo La

Más detalles

Data Lake: La evolución da paso a la Revolución. César Tapias Herranz Isilon Regional Territory Manager

Data Lake: La evolución da paso a la Revolución. César Tapias Herranz Isilon Regional Territory Manager Data Lake: La evolución da paso a la Revolución César Tapias Herranz Isilon Regional Territory Manager Copyright 2015 EMC Corporation. All Todos rights los reserved. derechos reservados. 1 El poder de

Más detalles

Estandarización y Gestión de los datos en el Laboratorio con

Estandarización y Gestión de los datos en el Laboratorio con Estandarización y Gestión de los datos en el Laboratorio con 2012 Waters Corporation 1 Qué tiene la mayor prioridad? Improve process agility Faster adoption of leading edge technology Adoptar nuevas tecnologías

Más detalles

Bases de datos espaciales Tema 1: Introducción

Bases de datos espaciales Tema 1: Introducción Bases de datos espaciales Tema 1: Introducción Miguel Ángel Manso ETSI en Topografía, Geodesia y Cartografía - UPM Contenido: definiciones y conceptos Fundamentos (conceptos) Visión y clasificación general

Más detalles

IBM Rational for Power i. The business-driven development lifecycle

IBM Rational for Power i. The business-driven development lifecycle IBM Rational for Power i The business-driven development lifecycle Agenda Business Driven Development Rational Development Lifecycle DEMO 2 The business-driven development lifecycle Prioritize Plan Manage

Más detalles

Servicios pensados para optimizar los procesos de comunicación de voz y SMS.

Servicios pensados para optimizar los procesos de comunicación de voz y SMS. Checker de teléfono Servicios pensados para optimizar los procesos de comunicación de voz y SMS. Aspectos generales Basados en una aplicación de la tecnología ENUM. La ENUM API permite acceder a los servicios

Más detalles

DOBOTEX mejora significativamente el control de sus ventas utilizando Microsoft Business Intelligence

DOBOTEX mejora significativamente el control de sus ventas utilizando Microsoft Business Intelligence DOBOTEX mejora significativamente el control de sus ventas utilizando Microsoft Business Intelligence Business Intelligence on top of Navision Managing the supply-chain Oscar Rosas Gallardo Senior Solutions

Más detalles