El libro está dirigido tanto a alumnos que siguen un Curso de especialización en Inteligencia Artificial y Big Data como a profesionales del sector.
Este texto comienza tratando la aplicación de las técnicas de integración, procesamiento y análisis de la información, con especial énfasis en las técnicas de tratamiento de grandes datos (Big Data) incluyendo los datos estructurados y no estructurados, el procesamiento en tiempo real, los costes y calidad asociados y el modelado, razonamiento y resolución de problemas en grandes datos.
A continuación se aborda la Matemática Discreta como parte fundamental para el estudio de las ciencias de la computación. Se ilustran los conceptos con ejemplos y aplicaciones tratados con el software Maple, que posee un lenguaje de programación estructurada específico para la teoría de números, teoría de grafos, teoría de conjuntos, lógica matemática, lógica algorítmica y otras tareas de la Matemática Discreta. Maple admite además la programación funcional.
Asimismo, se tratan las técnicas de representación de la información y las estructuras de datos, ya ilustradas anteriormente con Maple y potenciadas con MATLAB. También se presentan las principales librerías de diseño visual para Big data como Tableau, Plotly, C3, NVD3 y especialmente MATLAB. Precisamente con MATLAB, se presenta gran variedad de opciones de visualización de datos. Este software admite el trabajo con grandes datos a través de la herramienta Parallel Computing Toolbox.
A continuación se abordan los principales métodos y algoritmos en la Minería de Datos. Se desarrollan ejemplos prácticos para las metodologías SEMMA de SAS y CRISP-DM de IBM, que son las más importantes en el campo del Data Mining. Los paquetes de software visual utilizados son SAS Enterprise Miner e IBM SPSS Modeler.
Más adelante se trata la gestión y almacenamiento de datos presentando las tecnologías y herramientas para la importación y la integración de datos. También se introducen los lenguajes de programación de R y Python, dadas sus múltiples aplicaciones en Big Data.
Finalmente se profundiza en la aplicación de herramientas para la visualización de datos estructurados y no estructurados como Qlik, Tableau, Power BI, Pentaho, MicroStrategy y otras. Se explica el uso de la inteligencia artificial en el análisis de datos a través de clústers de máquinas y utilizando información distribuida y redundante. Por último, se presentan las tendencias de la visualización de datos.
