000			05987cam a2200433 i 4500
988			_aEbook_one2one
999			_c384457 _d384457 _x1
001			384457
003			ES-MaUEC
005			20240611040217.0
006			a|||| o|||| 00| 0
007			cr cn |||mnn||
008			220625s2020 sp o ||| 0 spa d
017			_a1281980878
020			_a9788474768442
040			_aEBLCP _bspa _cEBLCP _dES-MaUEC
050		4	_aQA76.9.B45 _bR63 2020 EB
100	1		_aRobles Morales, José Manuel _9685416 _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
264		1	_aMadrid _bCentro de Investigaciones Sociológicas _c2020
300			_a1 recurso en línea (305 páginas) _bilustraciones (blanco y negro), gráficos (blanco y negro)
336			_2rdacontent _aTexto _btxt
337			_2rdamedia _aelectrónico _bc
338			_2rdacarrier _arecurso electrónico _bcr
490	0		_aCuadernos metodológicos _v60
504			_aBibliografía: páginas 295-299
505	0		_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.
650		7	_2embne _9495511 _aDatos masivos
650		7	_2embne _9139582 _aCiencias sociales _xSistemas de información
650		7	_2embne _9173682 _aCiencias sociales _xInvestigación
700	1		_9685418 _aTinguaro Rodríguez, J. _qGonzález, Daniel _eautor
700	1		_940290 _aCaballero Roldán, Rafael _eautor
700	1		_9685417 _aGómez, Daniel _qGonzález, Daniel _eautor
776	0	8	_iPrint version: _aRobles, José Manuel. _tBig data para científicos sociales: una introducción, _dMadrid : CIS - Centro de Investigaciones Sociológicas,c2020 _z9788474768435
856	4	0	_uhttps://ebookcentral.proquest.com/lib/ueurmad/detail.action?docID=6779327 _yAcceso a este recurso digital (usuarios Universidad Europea de Madrid)
942			_2lcc _cLE
998			_b11/2022 _dz _eb _zSI