000			05868nam a2200481 i 4500
999			_c384439 _d384439
001			384439
003			SpMaBN
005			20240424103837.0
006			a|||||r|||| 00| 0
007			ta
008			000000r20222020sp a | ||||o000 0 spa d
015			_aMON20
017			_aM 25945-2020 _bOficina Depósito Legal Madrid
020			_a9788474768435 _qpapel
020			_z9788474768442 _qelectrónico
024	7		_aNIPO 092-20-020-3 _qpapel _2nipo
024	7		_zNIPO 092-20-021-9 _qelectrónico _2nipo
040			_aSpMaBN _bspa _cSpMaBN _dES-MaUEC
050		4	_aQA76.9.B45 _bR63 2022
080			_a004.6-022.59
080			_a3:004.78
080			_a303.02
100	1		_9685416 _aRobles Morales, José Manuel _eautor
245	1	0	_aBig data para científicos sociales : _buna introducción _cJosé Manuel Robles, J. Tinguaro Rodríguez, Rafael Caballero, Daniel Gómez
250			_aPrimera edición: octubre, 2020, primera reimpresión: noviembre, 2022
264		1	_aMadrid _bCentro de Investigaciones Sociológicas _c2022
300			_a299 páginas _bilustraciones (blanco y negro), gráficos (blanco y negro) _c24 cm
336			_aTexto _2rdacontent _btxt
337			_asin mediación _2rdamedia _bn
338			_avolumen _2rdacarrier _bnc
490	0		_aCuadernos metodológicos _v60
504			_aBibliografía: páginas 295-299
505			_aBig 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
520			_aLa 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 _cProporcionado por el editor
650		7	_aDatos masivos _2embne
650		7	_aCiencias sociales _xSistemas de información _2embne
650		7	_aCiencias sociales _xInvestigación _2embne
700	1		_aTinguaro Rodríguez, J. _eautor _9685418
700	1		_aCaballero Roldán, Rafael _eautor _940290
700	1		_aGómez, Daniel _qGonzález, Daniel _eautor _9685417
942			_2lcc
998			_b12/2022 _da _eb _zSI