Showing 1 - 20 results of 212 for search 'Numerical analysis--Data processing' Narrow Search
Search Tools: Email this Search — Save search to account
1
Video Recording
Data analysis with Python for Excel users.

Contributors: Knowledgemotion Ltd., film distributor., APMonitor.com, publisher.

Availability: https://www.aspresolver.com/aspresolver.asp?MARC;5144738


Save to List
9
Dissertation/ Thesis
Implementación de un modelo analítico de datos exploratorio y estadístico del bilingüismo en los resultados de las pruebas saber 11 de las instituciones educativas a nivel nacional en el periodo 2015 al 2019.

Authors: Guevara Serna , Valentina, Zuluaga Jaramillo , Luis Fernando

Contributors: López , Carlos Andrés

Subject Terms: 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores, Management - data processing, Numerical analysis - data processing, Procesamiento electronico de datos, Analítica, Data, Estadística

File Description: 89 pag.; application/pdf

Relation: ICFES. (2019, 6 13). 50 años de historia. 50 AÑOS DEL ICFES. https://www.icfes.gov.co/50-icfes; Orjuela, J. (2014, 3 1). Determinantes individuales de desempeño en las pruebas de Estado para educación media en Colombia. ICFES. https://www.icfes.gov.co/documents/20143/233983/Determinantes+individuales+desempeno+pr uebas+estado+para+educacion+media+en+colombia.pdf; Abadía Alvarado, L. K., Bernal Acevedo, G. L., & Muñoz, S. (2018). Brechas en el desempeño escolar en PISA ¿Qué explica la diferencia de Colombia con Finlandia y Chile? Education Policy Analysis Archives, 26(82), 37. https://epaa.asu.edu/ojs/article/view/3423; Chaves Restrepo, M. (2019, 12 13). Los colegios de calendario B obtuvieron mejores resultados en las pruebas de Estado. La República. https://www.larepublica.co/especiales/mejores-colegios-2019/los-mejores-colegios-para-2020-a la-luz-de-los-resultados-de-las-pruebas-saber-2943847; ICFES. (2021). Saber 11. Acceso a Bases de datos y diccionarios. https://www.icfes.gov.co/investigadores-y-estudiantes-posgrado/acceso-a-bases-de-datos [6] Media, O. (2017). Big Data Now: 2016 Edition. O’Reilly Media, Inc. 978-1-491-97748-4 [7] Miner, D. (2016). Hadoop: What You Need to Know. O'Reilly Media, Inc. 978-1-491-93730-; Banker, K. (2012). MongoDB in Action. Manning Pubs Co Series. 978-1-935-18287-0; Bradshaw, S., Chodorow, K., & Brazil, E. (2019). MongoDB: The Definitive Guide: Powerful and Scalable Data Storage. O'Reilly Media, Inc. 978-1-491-95446-1; Peña, D. (2002). Análisis de datos multivariantes. McGraw-Hill España. 978-8-448-13610-9; Pérez López, C. (2011). Técnicas de análisis multivariante de datos. Aplicaciones con SPSS. PEARSON EDUCACIÓN. 978-84-205-4104-4; Miloslavskaya, N., & Tolstoy, A. (2016). Big data, fast data and data lake concepts. Procedia Computer Science, 88, 300-305. S1877050916316957; Bishop, C. M. (2006). Pattern recognition and machine learning. Springer. 978-14-939- 3843-8; Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press. 9780-262- 3043-20; Tang, E., & Fan, Y. (2016, November 16-18). Performance comparison between five NoSQL databases. IEEE, In 2016 7th International Conference on Cloud Computing and Big Data (CCBD), 105-109. 10.1109/CCBD.2016.030; Louridas, P., & Ebert, C. (2016). Machine Learning. IEEE Software, 33(5), 110–115. https://doi.org/10.1109/MS.2016.114; Raschka, S., & Mirajalili, V. (2015). Python machine learning (1st ed.). Packt Publishing. 9781783555130; García, J., Berlanga, A., Patricio, M., & Padilla, W. (2018). Ciencia de datos. Técnicas Analíticas y Aprendizaje Estadístico. Publicaciones Altaria, SL. Bogotá, Colombia. 978-84- 947319-6-9; Marqués Asensio, F. (2017). R en profundidad: programación, gráficos y estadística (1st ed.). Alfaomega Grupo Editor, S.A. 978-607-622-973-6; Caballero, R., Martín, E., & Riesco, A. (2019). Big Data con Python (1st ed.). ALFAOMEGA. 978-958-778-577-0; Selwyn, N. (2014, May 28). Data entry: Towards the critical study of digital data and education. Learning, Media and Technology, 40(1), 64-82. 17439884.2014.921628; L’heureux, A., Grolinger, K., Elyamany, H.F., & Capretz, M.A. (2017). Machine learning with big data: Challenges and approaches. Computer Science, 5. 7776-7797; Al-Jarrah, O.Y., Yoo, P.D., Muhaidat, S., Karagiannidis, G.K., & Taha, K. (2015, 9 1). Efficient machine learning for big data: A review. Big Data Research, 2(3), 87-93. 1503.05296; Kowarik, A., & Templ, M. (2016, 10). Imputation with the R Package VIM. Journal of Statistical Software, 74(7), 1-16. 10.18637.; Instituto Colombiano para la Evaluación de la Educación - Icfes. (n.d.). DICCIONARIO DE VARIABLES SABER 11° PERIODO 20191 a 20192. https://www.icfes.gov.co/documents/20143/1885630/6.+Diccionario+Saber11+2019-1+a+2019- 2.pdf; Aldas Manzano, J., & Uriel Jimenez, E. (2017). Análisis multivariante aplicado con R. Ediciones Paraninfo, SA. 978-8428-3296-99.; Saber 11°. (n.d.). Niveles de desempeño Prueba de Inglés. https://www.icfes.gov.co/documents/20143/1500084/Niveles+de+desempeno+prueba+de ingles.pdf/795d37dc-e3ee-d037-b926-0fbfc49e8efc; Martín, E., & Caballero, R. (2015). Las bases de Big Data. LA CATARATA. 978-8490- 9777-50; Pérez Márquez, M. (2015). BIG DATA - Técnicas, herramientas y aplicaciones. RC Libros. 978-84-943055-5-9; Cortéz Morales, R. (2006). Introducción al Análisis de Sistemas y la Ingeniería de Software. Universidad Estatal a Distancia. 9977-64-961-8; Castro Romero, Alexander, & González Sanabria, Juan Sebastián, & Callejas Cuervo, Mauro (2012). Utilidad y funcionamiento de las bases de datos NoSQL. Facultad de Ingeniería, 21(33),21-32. [fecha de Consulta 27 de junio de 2021]. ISSN: 0121-1129. Disponible en: https://www.redalyc.org/articulo.oa?id=413940772003; Álvarez Jareño, J. A., & Coll Serrano, V. (2018). “Científico de datos”, la profesión del presente. MÉI, 9(16), 113-119. 2173-1241; Mayer-Schönberger, V., & Cukier, K. (2013). Big Data: A Revolution That Will Transform How We Live, Work, and Think. Houghton Mifflin Harcourt Publishing. 978-0-544-00269-2; https://hdl.handle.net/11059/13861

Availability: https://hdl.handle.net/11059/13861


Save to List