Análisis de actividad de un servicio de teleasistencia social mediante Big Data y Data Mining

Autores/as

  • Alfredo Moreno Muñoz Arquitecto de software en Tunstall Ibérica (España)
  • Juan Alfonso Lara Torralbo Profesor de la Universidad a Distancia de Madrid, UDIMA (España)

DOI:

https://doi.org/10.51302/tce.2017.117

Palabras clave:

Big Data, Hadoop, MapReduce, Mahout, minería de datos (Data Mining), teleasistencia, usuarios, llamadas

Resumen

La utilización de Big Data en el momento tecnológico en el que nos encontramos está adquiriendo una gran fuerza e importancia. En las grandes empresas existentes en los principales sectores sociales y de servicios ya han sido implantados sistemas de Big Data que permiten almacenar y tratar toda la información que poseen e incorporarla al día a día de sus clientes y mercados para mejorar los servicios ofrecidos y dar un paso más allá en la relación cliente/empresa.

En teleasistencia, con la llegada de tecnologías IP a los terminales domiciliarios, la comunicación que realizan con la central tendrá lugar a través de internet en lugar de línea de teléfono. Esto permitirá que se empiecen a utilizar sistemas de Big Data debido al incremento de información que se envía desde el terminal al centro de atención. Con el volumen de información que se espera recibir, se podrán descubrir patrones de comportamiento de los usuarios, detectar enfermedades, como, por ejemplo, el alzhéimer, pero, sobre todo, se podrá recibir una información más detallada del estado de todos los dispositivos y sensores instalados en la vivienda del usuario en el momento en el que se produce una llamada de emergencia.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Alex Ott´´´ s Blog: Getting started with examples from «Mahout in Action». Disponible en: http://alexott.blogspot.com.es/2012/07/getting-started-with-examples-from.html [Consultado: abril de 2016].

Apache Hadoop: http://hadoop.apache.org/ [Consulta­do: abril de 2016].

Chimpler Blog: Using the Mahout Naive Bayes classifi­er to automatically classify Twitter messages. Dispo­nible en: https://chimpler.wordpress.com/2013/03/13/ using-the-mahout-naive-bayes-classifier-to-auto­matically-classify-twitter-messages/ [Consultado: abril de 2016].

Cook, S. [2013]: «Mahout item recommender tutorial using Java and Eclipse», YouTube. Disponible en: https://www.youtube.com/watch?v=yD40rVKUwPI [Consultado: abril de 2016].

Data Mining: Tareas del Data Mining. Disponible en: http://datamining-ucm.github.io/docs/tareas.html [Con­sultado: mayo de 2016].

Fayyad, U.; Piatetsky-Shapiro, G. y Smyth, P. [1996]: Knowledge discovery and data mining: towards a unifying framework. Disponible en: https://www.aaai.org/Papers/KDD/1996/KDD96-014.pdf [Consultado: abril de 2016].

[1997]: From data mining to knowledge discovery in databases. Disponible en: http://www.csd.uwo.ca/faculty/ling/cs435/fayyad.pdf [Consultado: mayo de 2016].

Ficheros de Windows necesarios para ejecutar Ha­doop: https://github.com/sardetushar/hadooponwin­dows/archive/master.zip [Consultado: abril de 2016].

GitHub: CSVToMahout.java. Disponible en: https://github.com/josephmisiti/hadoop-examples/blob/master/mahout/clustering/CSVToMahout.java [Con­sultado: abril de 2016].

GitHub: Source code for «Mahout in Action» book. Dis­ponible en: https://github.com/tdunning/MiA [Con­sultado: mayo de 2016].

Grupo Fivasa: Tareas en Data Mining. Disponible en: http://grupofivasa.blogspot.com.es/2009/09/tareas-en-data-mining.html [Consultado: mayo de 2016].

Hadoop on the Road: Interfaz Java (FileSystem). Disponi­ble en: http://hadoopontheroad.blogspot.com.es/2013/02/hdfs-interfaz-java.html [Consultado: abril de 2016].

IBM Developer Works: Introducing Apache Mahout. Disponible en: http://www.ibm.com/developerworks/java/library/j-mahout/ [Consultado: mayo de 2016].

Imserso [2005]:Guía de teleasistencia domiciliaria, Es­paña: Ministerio de Sanidad, Servicios Sociales e Igualdad.

Java: http://www.oracle.com/technetwork/java/index.html [Consultado: abril de 2016].

Lara, J. A. [2014]: Integración de bases de datos, Madrid: Centro de Estudios Financieros.

Marín, J. M.: Introducción a Data Mining. Disponible en: http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/DM/introduccion-DM.pdf [Consultado: abril de 2016].

Oliver, A. C. [2014]: «Enjoy machine learning with Ma­hout on Hadoop», JavaWorld. Disponible en: http://www.javaworld.com/article/2241046/big-data/en­joy-machine-learning-with-mahout-on-hadoop.html [Consultado: mayo de 2016].

Redko, A. [2012]: «Apache Mahout getting started», Java Code Geeks. Disponible en: https://www.ja­vacodegeeks.com/2012/02/apache-mahout-getting-started.html [Consultado: mayo de 2016].

Safe Living (blog): https://safeliving.wordpress.com/ [Con­sultado: abril de 2016].

Soft Computing and Intelligent Information System: Big Data: algorithms for data preprocessing, computa­tional intelligence, and imbalanced classes. Dis­ponible en: http://sci2s.ugr.es/BigData [Consultado: abril de 2016].

SolidQ: Big Data mining with Mahout. Disponible en: http://summit.solidq.com/big-data-mining-mahout/ [Consultado: mayo de 2016].

The Big Data BlOG: http://thebigdatablog.weebly.com/ [Consultado: abril de 2016].

TooDey: http://toodey.com y http://toodey.com/2015/08/10/hadoop-installation-on-windows-without-cygwin-in-10-mints/ [Consultado: abril de 2016].

Tunstall: http://www.tunstall.com/ [Consultado: abril de 2016].

Universidad Carlos III de Madrid [octubre 2015]: Fun­damentals of Big Data Software and Hardware Technologies.

Wikipedia: Bid Data. Disponible en: https://es.wikipedia.org/wiki/Big_data [Consultado: abril de 2016].

Wikipedia: K-means. Disponible en: https://es.wikipedia.org/wiki/K-means [Consultado: mayo de 2016].

White, T. [2015]: Hadoop the definitive guide, EE. UU.: O’Really.

YouTube: Apache Mahout tutorial for beginners. Disponible en: https://www.youtube.com/watch?v=zvfKH9Yb0s0 [Consultado: mayo de 2016].

Descargas

Publicado

10-01-2017

Cómo citar

Moreno Muñoz, A., & Lara Torralbo, J. A. (2017). Análisis de actividad de un servicio de teleasistencia social mediante Big Data y Data Mining. Revista Tecnología, Ciencia Y Educación, (6), 88–102. https://doi.org/10.51302/tce.2017.117