http://sedici.unlp.edu.ar:80/handle/10915/56804 2026-11-01T07:53:29Z 2026-11-01T07:53:29Z Kovalevski, Leandro http://sedici.unlp.edu.ar:80/handle/10915/56848 2020-01-14T04:03:40Z 2016-11-18T00:00:00Z

Objeto de conferencia II Simposio Argentino de GRANdes DAtos (AGRANDA 2016) - JAIIO 45 (Tres de Febrero, 2016) Uno de los retos más importantes del análisis estadístico en esos grandes volúmenes de datos es detectar cuál es la información valiosa. Las regresiones regularizadas, tales como Lasso o SCAD son alternativas usua-les cuando los métodos usuales de selección de variables en los modelos linea-les resultan no apropiados o no aplicables. El objetivo de este trabajo es comparar el desempeño de las regresiones Lasso y SCAD en escenarios donde el número de variables importantes esté próximo al número de observaciones. Se simularon distintos conjuntos de datos en los cuales las variables respuestas son funciones lineales de varios predictores independientes y errores que se si-mulan con distribución normal. Las regresiones LASSO y SCAD se ofrecen como una alternativa válida para selección de variables con gran número de predictores, aunque pueden no ser las más adecuadas cuando la cantidad de efectos significativos se aproxima al número de observaciones.

2016-11-18T00:00:00Z Uno de los retos más importantes del análisis estadístico en esos grandes volúmenes de datos es detectar cuál es la información valiosa. Las regresiones regularizadas, tales como Lasso o SCAD son alternativas usua-les cuando los métodos usuales de selección de variables en los modelos linea-les resultan no apropiados o no aplicables. El objetivo de este trabajo es comparar el desempeño de las regresiones Lasso y SCAD en escenarios donde el número de variables importantes esté próximo al número de observaciones. Se simularon distintos conjuntos de datos en los cuales las variables respuestas son funciones lineales de varios predictores independientes y errores que se si-mulan con distribución normal. Las regresiones LASSO y SCAD se ofrecen como una alternativa válida para selección de variables con gran número de predictores, aunque pueden no ser las más adecuadas cuando la cantidad de efectos significativos se aproxima al número de observaciones. Pampliega, Juan Martín http://sedici.unlp.edu.ar:80/handle/10915/56847 2020-01-14T04:03:39Z 2016-11-18T00:00:00Z

Objeto de conferencia II Simposio Argentino de GRANdes DAtos (AGRANDA 2016) - JAIIO 45 (Tres de Febrero, 2016) The purpose of this paper is to illustrate how and why we have evolved our data processing systems; from an initial version that relied on traditional RDBMSs and batch processing towards a system that processes a constant stream of data.

2016-11-18T00:00:00Z The purpose of this paper is to illustrate how and why we have evolved our data processing systems; from an initial version that relied on traditional RDBMSs and batch processing towards a system that processes a constant stream of data. González Allonca, Juan Cruz Ruiz Martínez, Esteban Pollo Cattaneo, María Florencia http://sedici.unlp.edu.ar:80/handle/10915/56846 2020-01-14T04:03:37Z 2016-11-18T00:00:00Z

Objeto de conferencia II Simposio Argentino de GRANdes DAtos (AGRANDA 2016) - JAIIO 45 (Tres de Febrero, 2016) El modelo de procesamiento de grandes volúmenes de datos o Big Data ofrece múl-tiples ventajas, tanto técnicas como económicas para las empresas y organismos que deciden implementarlo. Este modelo, sin embargo, requiere tener consideraciones de carácter legal y de cumplimiento normativo desde el inicio del proyecto. El presente estudio se propone recorrer la normativa argentina relativa a la protección de datos personales y su relación con este modelo de cómputo, brindando un panorama sobre el cuerpo normativo vigente que debe ser aplicado a servicios de Big Data. A su vez, identifica los riesgos asociados a estos servicios que deben ser contemplados, con el fin de evitar responsabilidades. Asimismo, analizará la actividad de Big Data en el contexto de Internet de las Cosas y Cloud Computing.

2016-11-18T00:00:00Z El modelo de procesamiento de grandes volúmenes de datos o Big Data ofrece múl-tiples ventajas, tanto técnicas como económicas para las empresas y organismos que deciden implementarlo. Este modelo, sin embargo, requiere tener consideraciones de carácter legal y de cumplimiento normativo desde el inicio del proyecto. El presente estudio se propone recorrer la normativa argentina relativa a la protección de datos personales y su relación con este modelo de cómputo, brindando un panorama sobre el cuerpo normativo vigente que debe ser aplicado a servicios de Big Data. A su vez, identifica los riesgos asociados a estos servicios que deben ser contemplados, con el fin de evitar responsabilidades. Asimismo, analizará la actividad de Big Data en el contexto de Internet de las Cosas y Cloud Computing. Pita, Carlos http://sedici.unlp.edu.ar:80/handle/10915/56845 2020-01-14T04:03:35Z 2016-11-18T00:00:00Z

Objeto de conferencia II Simposio Argentino de GRANdes DAtos (AGRANDA 2016) - JAIIO 45 (Tres de Febrero, 2016) We (the machine learning team at Jampp) strive to predict click-through rates (CTR) and conversion rates (CVR) for the real-time bidding (RTB) online advertising market by means of an in-house online machine learning platform based on a state-of-the-art stochastic gradient descent estimator. Our estimation framework has already been covered in a previous paper, so here we want to focus on some peripheral aspects of our platform that, in spite of being of a somewhat ancillary nature, nevertheless tend to dominate development efforts and overall system complexity; namely, in order to feed the learning system we first need to sample a very high-volume stream of out-of-order and scattered-in-time events and consolidate them into a sequence of observations representing the underlying market transactions, each observation composed of a set of features and a response, from which the estimator is ultimately able to learn. This paper is written in a down-to-earth fashion: we describe a number of particular difficulties the general problem of sampling in an online high-volume setting poses and then we present our concrete answers to those difficulties based on real, hands-on, experience.

2016-11-18T00:00:00Z We (the machine learning team at Jampp) strive to predict click-through rates (CTR) and conversion rates (CVR) for the real-time bidding (RTB) online advertising market by means of an in-house online machine learning platform based on a state-of-the-art stochastic gradient descent estimator. Our estimation framework has already been covered in a previous paper, so here we want to focus on some peripheral aspects of our platform that, in spite of being of a somewhat ancillary nature, nevertheless tend to dominate development efforts and overall system complexity; namely, in order to feed the learning system we first need to sample a very high-volume stream of out-of-order and scattered-in-time events and consolidate them into a sequence of observations representing the underlying market transactions, each observation composed of a set of features and a response, from which the estimator is ultimately able to learn. This paper is written in a down-to-earth fashion: we describe a number of particular difficulties the general problem of sampling in an online high-volume setting poses and then we present our concrete answers to those difficulties based on real, hands-on, experience. Belloli, Laouen Miguel, Martín A. Goldin, Andrea P. Fernández Slezak, Diego http://sedici.unlp.edu.ar:80/handle/10915/56844 2020-04-02T14:14:40Z 2016-11-18T00:00:00Z

Objeto de conferencia Simposio Argentino de GRANdes DAtos (AGRANDA 2016) - JAIIO 45 (Tres de Febrero, 2016) In this paper we present Mate Marote, a web platform for massive scale educational interventions. We focus on the scaling requirements needed on these kind of deployments. We show the designed architecture, how these decisions solve the imposed requirements and the implementation. To test this development, we performed a small pilot intervention where the whole system was evaluated. We conclude that Mate Marote is ready for production deployment and enabled to middleto- massive scale interventions. For this purpose, we have deployed this platform in CEIBAL program at Uruguay with more than 100K potential users.

2016-11-18T00:00:00Z In this paper we present Mate Marote, a web platform for massive scale educational interventions. We focus on the scaling requirements needed on these kind of deployments. We show the designed architecture, how these decisions solve the imposed requirements and the implementation. To test this development, we performed a small pilot intervention where the whole system was evaluated. We conclude that Mate Marote is ready for production deployment and enabled to middleto- massive scale interventions. For this purpose, we have deployed this platform in CEIBAL program at Uruguay with more than 100K potential users. Fixman, Martín Berenstein, Ariel Brea, Jorge Minnoni, Martín Sarraute, Carlos http://sedici.unlp.edu.ar:80/handle/10915/56824 2020-01-14T04:03:34Z 2016-11-17T00:00:00Z

Objeto de conferencia Simposio Argentino de GRANdes DAtos (AGRANDA 2016) - JAIIO 45 (Tres de Febrero, 2016) In this work, we examine the socio-economic correlations present among users in a mobile phone network in Mexico. First, we find that the distribution of income for a subset of users –for which we have income information given by a large bank in Mexico– follows closely, but not exactly, the income distribution for the whole population of Mexico. We also show the existence of a strong socio-economic homophily in the mobile phone network, where users linked in the network are more likely to have similar income. The main contribution of this work is that we leverage this homophily in order to propose a methodology, based on Bayesian statistics, to infer the socio-economic status for a large subset of users in the network (for which we have no banking information). With our proposed algorithm, we achieve an accuracy of 0.71 in a two-class classification problem (low and high income) which significantly outperforms a simpler method based on a frequentist approach. Finally, we extend the two-class classification problem to multiple classes by using the Dirichlet distribution.

2016-11-17T00:00:00Z In this work, we examine the socio-economic correlations present among users in a mobile phone network in Mexico. First, we find that the distribution of income for a subset of users –for which we have income information given by a large bank in Mexico– follows closely, but not exactly, the income distribution for the whole population of Mexico. We also show the existence of a strong socio-economic homophily in the mobile phone network, where users linked in the network are more likely to have similar income. The main contribution of this work is that we leverage this homophily in order to propose a methodology, based on Bayesian statistics, to infer the socio-economic status for a large subset of users in the network (for which we have no banking information). With our proposed algorithm, we achieve an accuracy of 0.71 in a two-class classification problem (low and high income) which significantly outperforms a simpler method based on a frequentist approach. Finally, we extend the two-class classification problem to multiple classes by using the Dirichlet distribution. Monasterio, Juan de Salles, Alejo Lang, Carolina Weinberg, Diego Minnoni, Martín Travizano, Matías Sarraute, Carlos http://sedici.unlp.edu.ar:80/handle/10915/56823 2020-01-14T04:03:21Z 2016-11-17T00:00:00Z

Objeto de conferencia Simposio Argentino de GRANdes DAtos (AGRANDA 2016) - JAIIO 45 (Tres de Febrero, 2016) We use mobile phone records for the analysis of mobility patterns and the detection of possible risk zones of Chagas disease in two Latin American countries. We show that geolocalized call records are rich in social and individual information, which can be used to infer whether an individual has lived in an endemic area. We present two case studies, in Argentina and in Mexico, using data provided by mobile phone companies from each country. The risk maps that we generate can be used by health campaign managers to target specific areas and allocate resources more effectively. Finally, we show the value of mobile phone records to predict long-term migrations, which play a crucial role in the spread of Chagas disease.

2016-11-17T00:00:00Z We use mobile phone records for the analysis of mobility patterns and the detection of possible risk zones of Chagas disease in two Latin American countries. We show that geolocalized call records are rich in social and individual information, which can be used to infer whether an individual has lived in an endemic area. We present two case studies, in Argentina and in Mexico, using data provided by mobile phone companies from each country. The risk maps that we generate can be used by health campaign managers to target specific areas and allocate resources more effectively. Finally, we show the value of mobile phone records to predict long-term migrations, which play a crucial role in the spread of Chagas disease. Bazzano, Agustina Chiarle, Lautaro Mislej, E. Lizarralde, Carlos Higgs, Nicolás http://sedici.unlp.edu.ar:80/handle/10915/56821 2020-01-14T04:03:31Z 2016-11-17T00:00:00Z

Objeto de conferencia Simposio Argentino de GRANdes DAtos (AGRANDA 2016) - JAIIO 45 (Tres de Febrero, 2016) Palenque es una plataforma y un ecosistema de aplicaciones que brindar án soluciones tecnol ógicas basadas en grandes datos a los productores agropecuarios, así como al sector p úblico y otros actores del sistema productivo y científi co. En este trabajo describiremos la arquitectura de la plataforma de datos.

2016-11-17T00:00:00Z Palenque es una plataforma y un ecosistema de aplicaciones que brindar án soluciones tecnol ógicas basadas en grandes datos a los productores agropecuarios, así como al sector p úblico y otros actores del sistema productivo y científi co. En este trabajo describiremos la arquitectura de la plataforma de datos. Bellini Saibene, Yanina http://sedici.unlp.edu.ar:80/handle/10915/56820 2020-01-14T04:03:30Z 2016-11-17T00:00:00Z

Objeto de conferencia Simposio Argentino de GRANdes DAtos (AGRANDA 2016) - JAIIO 45 (Tres de Febrero, 2016) Se propuso desarrollar La Infraestructura de Datos Agropecuarios (IDA) del INTA cuya visión es generar La más amplia colección de datos técnicos del INTA archivada, catalogada y accesible al mayor número posible de usuarios

2016-11-17T00:00:00Z Se propuso desarrollar La Infraestructura de Datos Agropecuarios (IDA) del INTA cuya visión es generar La más amplia colección de datos técnicos del INTA archivada, catalogada y accesible al mayor número posible de usuarios Llera, Andrea Sabina Sendoya, Juan Martín Merino, Gabriel Podhajcer, Osvaldo Fernández, Elmer Andrés http://sedici.unlp.edu.ar:80/handle/10915/56819 2020-01-14T04:03:28Z 2016-11-17T00:00:00Z

Objeto de conferencia Simposio Argentino de GRANdes DAtos (AGRANDA 2016) - JAIIO 45 (Tres de Febrero, 2016) En la actualidad es posible obtener y “leer” la secuencia de bases presentes en cualquier molécula de ADN y así obtener la información heredita-ria contenida en cada organismo. Este procedimiento se denomina “secuencia-ción”. Actualmente, las tecnologías disponibles (Next Generation Sequencing o NGS) permiten evaluar millones de secuencias a la vez, en un período corto de tiempo. En esta presentación se resume el flujo típico de trabajo de análisis de variantes durante una secuenciación NGS. Se muestran las características que tiene cada etapa, las herramientas informáticas que se requieren y las dificulta-des a las que el usuario se enfrenta actualmente.

2016-11-17T00:00:00Z En la actualidad es posible obtener y “leer” la secuencia de bases presentes en cualquier molécula de ADN y así obtener la información heredita-ria contenida en cada organismo. Este procedimiento se denomina “secuencia-ción”. Actualmente, las tecnologías disponibles (Next Generation Sequencing o NGS) permiten evaluar millones de secuencias a la vez, en un período corto de tiempo. En esta presentación se resume el flujo típico de trabajo de análisis de variantes durante una secuenciación NGS. Se muestran las características que tiene cada etapa, las herramientas informáticas que se requieren y las dificulta-des a las que el usuario se enfrenta actualmente. Banchero, Santiago Soria, Marcelo A. Mezher, Romina http://sedici.unlp.edu.ar:80/handle/10915/56817 2020-01-14T04:03:19Z 2016-11-17T00:00:00Z

Objeto de conferencia Simposio Argentino de GRANdes DAtos (AGRANDA 2016) - JAIIO 45 (Tres de Febrero, 2016) Se presenta para discusión los primeros resultados del trabajo de una tesis de maestría en minería de datos y descubrimiento de conocimiento que tiene el objetivo de evaluar cuál es la capacidad de predicción de ocurrencia de granizo de un conjunto de índices de inestabilidad utilizando técnicas de aprendizaje automático en un entorno de Big Data. Además deja constancia de los procesos de ETL para la integración de un conjunto de fuentes heterogéneas con variedad de escalas de relevamiento y los primeros resultados del análisis multivariado sobre algunos eventos destacados. Una tormenta severa es un fenómeno atmosférico con capacidades destructivas, como pueden ser tormentas eléctricas intensas, tormentas de granizo y tornados. El granizo se considera un riesgo natural y los daños provocados por este fenómeno meteorológico extremo causan en Argentina graves pérdidas en algunas regiones y afecta a diferentes sectores económicos, tanto en las zonas urbanas como rurales. La precipitación de granizo se caracteriza por tener una alta variabilidad espacial y temporal lo que representa un gran desafío para el análisis y desarrollo de modelos de pronóstico a corto plazo.

2016-11-17T00:00:00Z Se presenta para discusión los primeros resultados del trabajo de una tesis de maestría en minería de datos y descubrimiento de conocimiento que tiene el objetivo de evaluar cuál es la capacidad de predicción de ocurrencia de granizo de un conjunto de índices de inestabilidad utilizando técnicas de aprendizaje automático en un entorno de Big Data. Además deja constancia de los procesos de ETL para la integración de un conjunto de fuentes heterogéneas con variedad de escalas de relevamiento y los primeros resultados del análisis multivariado sobre algunos eventos destacados. Una tormenta severa es un fenómeno atmosférico con capacidades destructivas, como pueden ser tormentas eléctricas intensas, tormentas de granizo y tornados. El granizo se considera un riesgo natural y los daños provocados por este fenómeno meteorológico extremo causan en Argentina graves pérdidas en algunas regiones y afecta a diferentes sectores económicos, tanto en las zonas urbanas como rurales. La precipitación de granizo se caracteriza por tener una alta variabilidad espacial y temporal lo que representa un gran desafío para el análisis y desarrollo de modelos de pronóstico a corto plazo. Sidoni, Guido http://sedici.unlp.edu.ar:80/handle/10915/56815 2020-01-14T04:03:24Z 2016-11-17T00:00:00Z

Objeto de conferencia Simposio Argentino de GRANdes DAtos (AGRANDA 2016) - JAIIO 45 (Tres de Febrero, 2016) Los Sistemas de Recolección Automática de Datos (ADCS) se han vuelto muy populares para sistemas de transpor-te de todo el mundo. Aunque generalmente los ADCS fueron di-señados con el objetivo de ser funcionales en el cobro de tarifas, la información recolectada tiene un amplio rango de utilización. Esta tesis ilustra el potencial del ADCS de SUBE para proveer in-formación novedosa a las agencias de transporte de Argentina, a bajos costos marginales, y con bajo tiempo de respuesta en comparación con métodos más convencionales como las en-cuestas. Para esto fue necesario el procesamiento de los datos del ADCS de SUBE , la utilización de métodos de Minería de Da-tos junto con soporte de tecnologías como el manejo de bases de datos relacionales, el uso de sistemas de información geográ-fico y el uso de técnicas de programación. Esta tesis presenta como resultado una matriz de origen destino zonificada, en base en usos realizados en colectivo en el área del AMBA (Área Me-tropolitana de Buenos Aires) para la primera semana de Mayo de 2015. La tesis además aborda distintos métodos para dar so-lución a problemas relacionados con el pre procesamiento de la información de SUBE, para que esta sea adecuada como entrada para el algoritmo de estimación de destino.

2016-11-17T00:00:00Z Los Sistemas de Recolección Automática de Datos (ADCS) se han vuelto muy populares para sistemas de transpor-te de todo el mundo. Aunque generalmente los ADCS fueron di-señados con el objetivo de ser funcionales en el cobro de tarifas, la información recolectada tiene un amplio rango de utilización. Esta tesis ilustra el potencial del ADCS de SUBE para proveer in-formación novedosa a las agencias de transporte de Argentina, a bajos costos marginales, y con bajo tiempo de respuesta en comparación con métodos más convencionales como las en-cuestas. Para esto fue necesario el procesamiento de los datos del ADCS de SUBE , la utilización de métodos de Minería de Da-tos junto con soporte de tecnologías como el manejo de bases de datos relacionales, el uso de sistemas de información geográ-fico y el uso de técnicas de programación. Esta tesis presenta como resultado una matriz de origen destino zonificada, en base en usos realizados en colectivo en el área del AMBA (Área Me-tropolitana de Buenos Aires) para la primera semana de Mayo de 2015. La tesis además aborda distintos métodos para dar so-lución a problemas relacionados con el pre procesamiento de la información de SUBE, para que esta sea adecuada como entrada para el algoritmo de estimación de destino. Fattori, Ezequiel Groisman, Pablo Sarraute, Carlos http://sedici.unlp.edu.ar:80/handle/10915/56813 2020-01-14T04:03:17Z 2016-11-17T00:00:00Z

Objeto de conferencia Simposio Argentino de GRANdes DAtos (AGRANDA 2016) - JAIIO 45 (Tres de Febrero, 2016) We introduce a model for the spatial distribution of cell phone antennas in the city of Buenos Aires (CABA). After showing that the complete spatial randomness (homogeneous Poisson distribution) hy- pothesis does not hold, we propose a model in which each point is dis- tributed according to a bivariate Gaussian variable with mean given by the barycenter of its neighbors in the Delaunay triangulation. We show that this model is suitable, and can be used to generate a synthetic dis- tribution of antennas. The generated distribution contains no sensitive or proprietary information, and can thus be freely shared with research groups, fostering further research on the subject.

2016-11-17T00:00:00Z We introduce a model for the spatial distribution of cell phone antennas in the city of Buenos Aires (CABA). After showing that the complete spatial randomness (homogeneous Poisson distribution) hy- pothesis does not hold, we propose a model in which each point is dis- tributed according to a bivariate Gaussian variable with mean given by the barycenter of its neighbors in the Delaunay triangulation. We show that this model is suitable, and can be used to generate a synthetic dis- tribution of antennas. The generated distribution contains no sensitive or proprietary information, and can thus be freely shared with research groups, fostering further research on the subject. Massobrio, Renzo Pías, Andrés Vázquez, Nicolás Nesmachnow, Sergio http://sedici.unlp.edu.ar:80/handle/10915/56810 2020-01-14T04:03:16Z 2016-11-17T00:00:00Z

Objeto de conferencia Simposio Argentino de GRANdes DAtos (AGRANDA 2016) - JAIIO 45 (Tres de Febrero, 2016) This article addresses the problem of processing large volumes of historical GPS data from buses to compute quality-of-service metrics for urban transportation systems. We designed and implemented a solution to distribute the data processing on multiple processing units in a distributed computing infrastructure. For the experimental analysis we used historical data from Montevideo, Uruguay. The proposed solution scales properly when processing large volumes of input data, achieving a speedup of up to 22× when using 24 computing resources. As case studies, we used the historical data to compute the average speed of bus lines in Montevideo and identify troublesome locations, according to the delay and deviation of the times to reach each bus stop. Similar studies can be used by control authorities and policy makers to get an insight of the transportation system and improve the quality of service.

2016-11-17T00:00:00Z This article addresses the problem of processing large volumes of historical GPS data from buses to compute quality-of-service metrics for urban transportation systems. We designed and implemented a solution to distribute the data processing on multiple processing units in a distributed computing infrastructure. For the experimental analysis we used historical data from Montevideo, Uruguay. The proposed solution scales properly when processing large volumes of input data, achieving a speedup of up to 22× when using 24 computing resources. As case studies, we used the historical data to compute the average speed of bus lines in Montevideo and identify troublesome locations, according to the delay and deviation of the times to reach each bus stop. Similar studies can be used by control authorities and policy makers to get an insight of the transportation system and improve the quality of service.