Seminario UADY / FMAT. Marzo 2014. Presentar temas relacionados al cómputo en la nube y desde el punto de vista académico, tanto actuales como retos y oportunidades de investigación a futuro.
Herramientas y recursos tecnológicos para el Data ScienceRoman Herrera
Charla impartida en ciclo de videoconferencias de TI, Octubre 2021.
Se abordan los temas de Ciencia de Datos, relacionados con:
• Introducción ¿qué es la ciencia de datos?
• Perfiles de un científico de datos roles, skills set
• El proceso del Data Science
• La importancia de la calidad de los datos
• Herramientas para adquisición, procesamiento y visualización de datos
• Herramientas para web scraping , dataviz e integración
• El contexto actual de la Ciencia de Datos
• ¿Cómo prepararnos en Ciencia de Datos?
Información sobre el programa de Maestría (Colima,México):
https://telematicanet.ucol.mx/index.php/oferta-educativa/maestria-en-tecnologias-de-internet
Data Science Learning Roadmaps 2021
Una recopilación de interesantes Roadmaps para espcialización en Ciencia de Datos, se incluyen de:
* datasciencedojo.com
* geeksforgeeks.org
* skillslane.com
* freecodecamp.org
* Swami Chandrasekaran y Emeric Dynomant ( @MrMimic )
Cómo fue que surgió lo que llamamos Big Data.
Varias perspectivas sobre qué es Data Science.
Qué estudia exactamente la Ciencia de Datos.
Introducción al Arte de la Ciencia de Datos.
Herramientas y recursos tecnológicos para el Data ScienceRoman Herrera
Charla impartida en ciclo de videoconferencias de TI, Octubre 2021.
Se abordan los temas de Ciencia de Datos, relacionados con:
• Introducción ¿qué es la ciencia de datos?
• Perfiles de un científico de datos roles, skills set
• El proceso del Data Science
• La importancia de la calidad de los datos
• Herramientas para adquisición, procesamiento y visualización de datos
• Herramientas para web scraping , dataviz e integración
• El contexto actual de la Ciencia de Datos
• ¿Cómo prepararnos en Ciencia de Datos?
Información sobre el programa de Maestría (Colima,México):
https://telematicanet.ucol.mx/index.php/oferta-educativa/maestria-en-tecnologias-de-internet
Data Science Learning Roadmaps 2021
Una recopilación de interesantes Roadmaps para espcialización en Ciencia de Datos, se incluyen de:
* datasciencedojo.com
* geeksforgeeks.org
* skillslane.com
* freecodecamp.org
* Swami Chandrasekaran y Emeric Dynomant ( @MrMimic )
Cómo fue que surgió lo que llamamos Big Data.
Varias perspectivas sobre qué es Data Science.
Qué estudia exactamente la Ciencia de Datos.
Introducción al Arte de la Ciencia de Datos.
Facebook, Twitter, Google+ : Comment tirer parti des réseaux sociaux en B2C?WSIdee
Définir une stratégie gagnante sur les réseaux sociaux grand public :
-Présentation des réseaux sociaux Facebook, Twitter et Google +
-Comment optimiser la présence de mon entreprise sur ces média ?
-Quels contenus publier, à quelle fréquence ?
-Comment conduire des opérations de social marketing ?
-Comment animer et engager une communauté autour de mon entreprise ?
-Quels sont les moyens nécessaires pour réussir sur les réseaux sociaux ?
Facebook, Twitter, Google+ : Comment tirer parti des réseaux sociaux en B2C?WSIdee
Définir une stratégie gagnante sur les réseaux sociaux grand public :
-Présentation des réseaux sociaux Facebook, Twitter et Google +
-Comment optimiser la présence de mon entreprise sur ces média ?
-Quels contenus publier, à quelle fréquence ?
-Comment conduire des opérations de social marketing ?
-Comment animer et engager une communauté autour de mon entreprise ?
-Quels sont les moyens nécessaires pour réussir sur les réseaux sociaux ?
En esta sesión analizaremos los principales retos que enfrentan las organizaciones para aumentar su agilidad, y veremos cómo se pueden superar por medio de una combinación de personas, procesos y tecnología.
Índice del libro "Big Data: Tecnologías para arquitecturas Data-Centric" de 0...Telefónica
Índice del libro "Big Data: Tecnologías para arquitecturas Data-Centric" de 0xWord escrito por Ibón Reinoso ( https://mypublicinbox.com/IBhone ) con Prólogo de Chema Alonso ( https://mypublicinbox.com/ChemaAlonso ). Puedes comprarlo aquí: https://0xword.com/es/libros/233-big-data-tecnologias-para-arquitecturas-data-centric.html
Es un diagrama para La asistencia técnica o apoyo técnico es brindada por las compañías para que sus clientes puedan hacer uso de sus productos o servicios de la manera en que fueron puestos a la venta.
3Redu: Responsabilidad, Resiliencia y Respetocdraco
¡Hola! Somos 3Redu, conformados por Juan Camilo y Cristian. Entendemos las dificultades que enfrentan muchos estudiantes al tratar de comprender conceptos matemáticos. Nuestro objetivo es brindar una solución inclusiva y accesible para todos.
Las lámparas de alta intensidad de descarga o lámparas de descarga de alta in...espinozaernesto427
Las lámparas de alta intensidad de descarga o lámparas de descarga de alta intensidad son un tipo de lámpara eléctrica de descarga de gas que produce luz por medio de un arco eléctrico entre electrodos de tungsteno alojados dentro de un tubo de alúmina o cuarzo moldeado translúcido o transparente.
lámparas más eficientes del mercado, debido a su menor consumo y por la cantidad de luz que emiten. Adquieren una vida útil de hasta 50.000 horas y no generan calor alguna. Si quieres cambiar la iluminación de tu hogar para hacerla mucho más eficiente, ¡esta es tu mejor opción!
Las nuevas lámparas de descarga de alta intensidad producen más luz visible por unidad de energía eléctrica consumida que las lámparas fluorescentes e incandescentes, ya que una mayor proporción de su radiación es luz visible, en contraste con la infrarroja. Sin embargo, la salida de lúmenes de la iluminación HID puede deteriorarse hasta en un 70% durante 10,000 horas de funcionamiento.
Muchos vehículos modernos usan bombillas HID para los principales sistemas de iluminación, aunque algunas aplicaciones ahora están pasando de bombillas HID a tecnología LED y láser.1 Modelos de lámparas van desde las típicas lámparas de 35 a 100 W de los autos, a las de más de 15 kW que se utilizan en los proyectores de cines IMAX.
Esta tecnología HID no es nueva y fue demostrada por primera vez por Francis Hauksbee en 1705. Lámpara de Nernst.
Lámpara incandescente.
Lámpara de descarga. Lámpara fluorescente. Lámpara fluorescente compacta. Lámpara de haluro metálico. Lámpara de vapor de sodio. Lámpara de vapor de mercurio. Lámpara de neón. Lámpara de deuterio. Lámpara xenón.
Lámpara LED.
Lámpara de plasma.
Flash (fotografía) Las lámparas de descarga de alta intensidad (HID) son un tipo de lámparas de descarga de gas muy utilizadas en la industria de la iluminación. Estas lámparas producen luz creando un arco eléctrico entre dos electrodos a través de un gas ionizado. Las lámparas HID son conocidas por su gran eficacia a la hora de convertir la electricidad en luz y por su larga vida útil.
A diferencia de las luces fluorescentes, que necesitan un recubrimiento de fósforo para emitir luz visible, las lámparas HID no necesitan ningún recubrimiento en el interior de sus tubos. El propio arco eléctrico emite luz visible. Sin embargo, algunas lámparas de halogenuros metálicos y muchas lámparas de vapor de mercurio tienen un recubrimiento de fósforo en el interior de la bombilla para mejorar el espectro luminoso y reproducción cromática. Las lámparas HID están disponibles en varias potencias, que van desde los 25 vatios de las lámparas de halogenuros metálicos autobalastradas y los 35 vatios de las lámparas de vapor de sodio de alta intensidad hasta los 1.000 vatios de las lámparas de vapor de mercurio y vapor de sodio de alta intensidad, e incluso hasta los 1.500 vatios de las lámparas de halogenuros metálicos.
Las lámparas HID requieren un equipo de control especial llamado balasto para funcionar
En este documento analizamos ciertos conceptos relacionados con la ficha 1 y 2. Y concluimos, dando el porque es importante desarrollar nuestras habilidades de pensamiento.
Sara Sofia Bedoya Montezuma.
9-1.
Inteligencia Artificial y Ciberseguridad.pdfEmilio Casbas
Recopilación de los puntos más interesantes de diversas presentaciones, desde los visionarios conceptos de Alan Turing, pasando por la paradoja de Hans Moravec y la descripcion de Singularidad de Max Tegmark, hasta los innovadores avances de ChatGPT, y de cómo la IA está transformando la seguridad digital y protegiendo nuestras vidas.
Diagrama de flujo basada en la reparacion de automoviles.pdf
Retos actuales y futuros del Cómputo en la Nube - Un enfoque académico
1. Dr. Javier Mijail Espadas Pech
Retos actuales y futuros del Cómputo en la
Nube – Un enfoque académico
2. • Presentar temas relacionados al cómputo
en la nube y desde el punto de vista
académico, tanto actuales como retos y
oportunidades de investigación a futuro.
Objetivo
3. Agenda
Qué es el Cómputo en la Nube?
Conclusión
Capas del Cómputo en la Nube
Problemáticas Actuales
Ventajas y Desventajas
Cómputo en la Nube y la Academia
Problemáticas Futuras
7
6
5
4
3
2
1
4. • Cómputo en la Nube (Cloud Computing)
se refiere a las aplicaciones, plataformas e
infraestructuras ofrecidas como servicio ya
sea por Internet o por medio de redes
privadas.
Qué es el cómputo en la nube?
5. • Compañías importantes (Microsoft, Google,
Amazon, HP, Oracle) han establecido que el
futuro de la tecnología de la información está en
el cómputo en la nube, ya que permite acceder
a sistemas de hardware y software por medio de
servicios bajo demanda y pago-por-uso,
similares a los servicios domésticos (agua,
electricidad).
Qué es el cómputo en la nube?
9. Applications
(Software asa Service)
Abstract Services
(Platform as a Service)
Flexible infrastructure
(Infrastructureas a
Service)
Service Service Service
Infrastructure
Interface
Development
Deployment
Data Storage
Virtualization
OS
Hardware
CloudActors
Service Users Service Providers
CloudLayers
Salesforce.com
Microsoft Live Office
Cisco Webex
Google Apps
CloudServices
Amazon S3
Microsoft Azure
Google SDK
Amazon Elastic Cloud
Masso Hosting Cloud
Virtualization
OS
Hardware
Virtualization
OS
Hardware
Capas del Cómputo en la Nube
* Espadas, Et Al.
10. • Es de interés global el implementar centros y grupos de
investigación en el área de Cloud Computing.
• Actualmente universidades como Stanford o Berkeley
tienen formalmente cátedras de investigación en el área.
• Centros de Investigación en compañías como Microsoft,
HP, Google, Amazon.
Computo en la Nube y la Academia
11. • Procesamiento masivo de datos.
• Escalabilidad y asignación de recursos.
• Arquitecturas e interoperabilidad.
• Metodologías de desarrollo.
Problemáticas Actuales
12. • Grandes cantidades de información provenientes de
Internet y de centros de datos privados necesitan ser
procesados de manera eficiente y eficaz con el fin de
generar información relevante.
• Facebook almacena, accede y analiza 30+ petabytes de
datos al día.
• Decodificar el genoma humano tomaba 10 años, ahora
puede ser decodificado en una semana.
• En 2008, Google procesó 20,000 terabytes de datos (20
petabytes) por día.
Procesamiento masivo de datos
14. • Enfoques de solución:
– Bases de Datos Distribuidas.
– Bases de Datos en la Nube.
– Hardware.
– Paralelismo (MPI, MapReduce)
Procesamiento masivo de datos
15. • MapReduce
– Es un modelo de programación que permite
procesar y generar grandes cantidades de
datos.
– Los datos son normalmente procesados en
ambientes paralelos, distribuidos dentro de
clusters o nubes.
Procesamiento masivo de datos
19. • Aplicaciones en la nube
– Analytics (Web, Social, Logs)
– Procesamiento de imágenes y video
– Machine Learning
– Bases de Datos
– Matemáticas
– Biología / Clima
Procesamiento masivo de datos
20. • Retos académicos
– Clusters y nubes con MapReduce/Hadoop.
– Modelos y algoritmos paralelos.
– Optimización de búsquedas.
– Optimización de recursos.
– Diseño y análisis basados en paralelismo.
– Identificación de problemáticas.
Procesamiento masivo de datos
21. • Facebook genera dinámicamente más de dos
billones de páginas por día.
• Facebook procesa aproximadamente 23,000
requests por segundo. Actualmente tiene +1800
instancias de bases de datos.
• Walmart procesa 1 million de transacciones por
hora.
Escalabilidad y Asignación de Recursos
22. • Escalabilidad es la habilidad de un
sistema a reponder en base a la demanda
creciente.
Escalabilidad y Asignación de Recursos
23. Escalabilidad y Asignación de Recursos
• Los modelos de escalabilidad en la nube aún
carecen de mecanismos adecuados para
escalar dinámicamente aplicaciones Web.
* Espadas, Et Al.
24. Escalabilidad y Asignación de Recursos
• Enfoques de solución:
– Balanceo de cargas.
– Escalabilidad bajo demanda.
– Asignación dinámica de recursos.
Pay-per-use resources
Real demand
Expected demand
Under provisioning (saturation)
Over provisioning (underutilization)
* Espadas, Et Al.
25. Escalabilidad y Asignación de Recursos
• Muchos de los algoritmos de escalabilidad
y asignación efectiva de recursos son
relativos problemas de maximización de
utilidad y minimización de costo.
* Espadas, Et Al.
26. • Retos académicos
– Algoritmos de optimización de recursos (ej. Maxmin,
Mochila).
– Lenguajes, plataformas y arquitecturas auto-
escalables (ej. Scala).
– Clusters / nubes privadas (ej. Eucalyptus).
– Virtualización.
Escalabilidad y Asignación de Recursos
27. • La adopción del cómputo en la nube
depende en mayor medida de su
interoperabilidad y estandarización
Arquitecturas e interoperabilidad
Parameswaran & Chaddha, 2009
28. • Problemáticas actuales
– Arquitecturas
– Integración
– Seguridad
– Tolerancia a fallos
– SLA (Niveles de Servicio)
Arquitecturas e interoperabilidad
29. • Retos académicos
– Arquitecturas específicas (matemáticas, biología,
multimedia).
– Protocolos de integración (SOAP, REST).
– Modelos de consumo (stateless, stateful).
– Formatos de intercambio de datos (XML, JSON).
– Algortimos de seguridad (RSA, simétricos, asimétricos).
– Mecanismos de seguridad (DoS, Cross-site).
Arquitecturas e interoperabilidad
30. • Los modelos de desarrollo de software
también están cambiando en medida que
el crecimiento de aplicaciones en la nube
crece.
Metodologías de desarrollo
31. • Problemáticas actuales.
– Metodologías de desarrollo actuales no son
orientadas a servicios en la nube.
– Nuevas plataformas de desarrollo (ej. Salesforce,
Azure, App Engine).
Metodologías de desarrollo
* Espadas, Et Al.
32. • Retos académicos
– Ingeniería de Software orientada al Cómputo en la Nube.
– Metodos ágiles de testing y deployment.
– Nuevas herramientas de desarrollo.
Metodologías de desarrollo
* Espadas, Et Al.
33. • Uno de los crecientes enfoques en procesamiento de
datos ha sido para en análisis de datos genéticos.
• La bioinformática es la aplicación de tecnologías de
información a la gestión y análisis de datos biológicos.
Problemáticas Futuras: Bioinformática
34. • Los principales esfuerzos de investigación incluyen el
secuenciación de ADN, la predicción de genes, montaje
análisis estructural de proteínas, predicciones de la
expresión génica y modelado de la evolución.
Problemáticas Futuras: Bioinformática
Alineamiento de diferentes proteínas de hemoglobina, realizado con el servicio web para ClustalW
implementado en el Instituto Europeo de Bioinformática. El alineamiento de secuencias biológicas es
una de las herramientas básicas de la bioinformática.
35. • Para qué?
– Medicamentos de acción específica para enfermedades (cáncer,
artritis).
– Detección de enfermedades genéticas / hereditarias.
– Análisis y creación de nuevas proteínas.
– Análisis de mutaciones en el cáncer.
Problemáticas Futuras: Bioinformática
36. • Porqué necesitan la informática:
– «En un paciente, una enfermedad crónico-degenerativa es
causada por una mutación en un par de genes, de 3 billones de
pares»
– «GenBank contiene información de cerca de 100 billones de
nucleótidos y 100 millones de secuencias”
• Hasta hace unos años, los esfuerzos para analizar
eficientemente datos genéticos eran sobre clusters de
computadoras, programados con herramientas como MPI
(C++).
Problemáticas Futuras: Bioinformática
38. • Retos académicos
• “Next-generation sequencing”
– Procesar todo en la nube (Amazon EC2).
– Algoritmos en paralelo (Hadoop).
– Optimizar algortimos de análisis (Clustering).
– Analizar resultados en tiempo real (Analytics).
Problemáticas Futuras: Bioinformática
39. • El uso de variantes de Redes Neuronales
(IA) para reconocimiento de patrones.
• Aplica en diversos dominios: Preferencias,
reconocimiento de imágenes, reconocimiento
del lenguaje, modelos de lenguaje, etc.
Problemáticas Futuras: Deep Learning
40. • Netflix logró correr algoritmos en 16,000 CPUs
(cores) en 1000 máquinas virtuales del cloud de
Amazon (AWS) para entrenar una red neuronal
en cuestion de días.
• Argumentan que la infraestructura usada es aún
impráctica.
• Técnicas nuevas:
– Distributing Machine Learning
Problemáticas Futuras: Deep Learning
41. Computación en la Nube: Futuro
Cliente/Servidor
Ambientes
Distribuidos
Computación
en la Nube
Internet de
las Cosas
42. Conclusiones
El cómputo en la nube es una tendencia primordial en el área de las TI.1
2
3
4
5
6
7
Es un área de investigación con importante crecimiento.
El análisis de grandes cantidades de datos en la nube es tópico de investigación.
La escalabilidad efectiva en la nube debe alcanzarce con nuevas técnicas.
Interoperabilidad entre las plataformas es detonante para la adopción.
Nuevas metodologías de desarrollo para nuevos tipos de aplicaciones.
Importante futuro en áreas como bioinformática, aprendizaje, etc.
43. • Javier Mijail Espadas Pech
• mijail.espadas@gmail.com
• http://linkedin.com/in/mijailespadas/
INFO