Bibliografía: páginas 295-299

Big data para científicos sociales: una introducción -- Página legal -- Índice -- Introducción -- 1 Qué es el big data y su encaje con la investigación en ciencias sociales -- 1.1. Evolución en el almacenamiento de los datos -- 1.2. Escalabilidad vertical versus escalabilidad horizontal -- 1.3. El crecimiento del volumen de datos y la investigación sociológica: (...) -- 1.3. Extrayendo información a partir de los datos de forma eficiente -- 1.4. Contrapartidas de la escalabilidad horizontal -- 1.5. Ciencia de datos -- 1.6. Encaje del fenómeno big data con la investigación sociológica -- 2 Las fuentes de datos -- 2.1. Introducción -- 2.1.1. Preparando el entorno en python -- 2.2. Carga de ficheros -- 2.2.1. Ficheros csv -- 2.2.1.1. Ejemplo: renta per cápita en la ocde -- 2.2.1.2. Visualización del resultado -- 2.2.2. Ficheros xml -- 2.2.2.1. Ejemplo: información meteorológica -- 2.2.2.2. Extracción de información a partir de ficheros xml -- 2.2.3. Ficheros json -- 2.3. Datos desde redes sociales: twitter -- 2.3.1. Códigos de acceso a twitter -- 2.3.2. La clase escucha -- 2.3.3. Escucha de palabras clave -- 2.3.4. Anatomía de un tweet -- 2.3.5. Lectura y tratamiento de tweets -- 2.4. Web scraping -- 2.4.1. HTML -- 2.4.2. captura de datos con beautifulsoup -- 2.4.2.1. Descarga del fichero -- 2.4.2.2. Extraer la información -- 3 Almacenamiento de datos -- 3.1. Almacenamiento local versus cloud -- 3.2. Bases de datos relacionales -- 3.2.1. Preparando la base de datos -- 3.2.2. Creación de tablas -- 3.2.3. Inserción, borrado y eliminación -- 3.2.4. Consultas básicas en sql -- 3.2.5. Consultas desde múltiples tablas -- 3.2.6. Agregaciones -- 3.3. Bases de datos no relacionales: mongodb -- 3.3.1. Arquitectura cliente-servidor en mongodb -- 3.3.2. Conceptos básicos en mongodb -- 3.3.3. Carga de datos -- 3.3.3.1. Importando datos ya existentes -- 3.3.3.2. Añadiendo datos con insert -- 3.3.4. Consultas simples -- 3.3.4.1. Find, skip, limit y sort -- 3.3.4.2. Estructura general de find -- 3.3.4.3. Proyección en find -- 3.3.4.3. Selección en find -- 3.3.4.3.1. Igualdadla primera y más básica forma de seleccionar (...) -- 3.3.4.3.2. Otros operadores de comparación y lógicosla siguiente tabla (...) -- 3.3.4.3.3. Arrays -- 3.3.4.3.4. Exists -- 3.3.5. Find en python -- 3.3.6. Agregaciones -- 3.3.6.1. El pipeline -- 3.3.6.1.1. Group -- 3.3.6.1.2. Match -- 3.3.6.1.3. Project -- 3.3.6.1.4. Otras etapas: unwind, sample, out... -- 3.3.6.1.5. Lookup -- 3.3.6.2. Ejemplo: usuario más mencionado -- 3.3.7. Vistas -- 3.3.8. Update y remove -- 3.3.8.1. Update total -- 3.3.8.2. Update parcial -- 3.3.8.3. Upsert -- 3.3.8.4. Remove -- 4 Tratamiento y análisis computacional de datos -- 4.1. Machine learning o aprendizaje automático -- 4.1.1. Conceptos preliminares -- 4.1.1.1. Aprendizaje y optimización -- 4.1.1.2. Tipos de aprendizaje -- 4.1.1.2.1. Aprendizaje supervisado -- 4.1.1.2.2. Aprendizaje no supervisado -- 4.1.1.3. Evaluación del rendimiento: entrenamiento y test

La revolución digital ha generado un conjunto de transformaciones de gran relevancia social, política, económica y cultural. En el ámbito de la investigación social, la emergencia de dispositivos que rápida y constantemente recogen y almacenan nuestras opiniones, hábitos de consumo, movilidad, etc., ha supuesto un profundo reajuste en los procesos de análisis, así como en las metodologías y herramientas utilizadas.Big data es el término usado para designar este tipo de datos, así como las técnicas empleadas para extraer información de ellos. Dichas técnicas y, por lo tanto, sus resultados han sido durante los últimos años patrimonio de estadísticos, matemáticos y científicos de datos. Este manual, por el contrario, pretende ser un instrumento para que los científicos sociales conozcan el big data y estén en disposición de formar parte de grupos de investigación multidisciplinares cuyo objetivo sea conocer mejor el mundo en el que vivimos a través de las lentes que nos facilitan estos datos masivos y digitales.