TRABAJO COLABORATIVO

CIPAS #9

ANA ELENA BARRAZA

ALBERTO VILLAMIZAR

UNIVERSIDAD DE CARTAGENA

SISTEMAS DE INFORMACIÓN ADMINISTRATIVA

12/11/23
 Metodología del desarrollo del software

Se refiere al conjunto de técnicas, prácticas y herramientas utilizadas por los equipos de

desarrollo de software para planificar, diseñar, construir, probar y entregar software de alta
calidad de manera eficiente y efectiva. Sin embargo, las metodologías de desarrollo de
software son variadas, cada método tiene sus propias reglas y principios.

Existen varias metodología de desarrollo de software cada uno con sus propias
características y enfoques. La realidad es que todas están basadas en ciertos enfoques
generalistas que se crearon hace muchos años, algunos tipos de metodologías de desarrollo de
software que se utilizaron e inventaron al principio de nuestra era tecnológica son (modelo de
cascada, modelo increménta, modelo espiral, RAD)

Modelo del ciclo de vida para el desarrollo del software

Son las diferentes etapas o fases por las que pasa un proyecto de desarrollo de software,
desde su creación hasta su finalización. Este varía dependiendo de las necesidades de cada
empresa, en resumidas palabras Conocer el ciclo de vida de un proyecto permite controlar
mejor sus fases y reducir situaciones innecesarias. En cualquier proyecto, las fases son las
mismas, aunque cada proyecto requiere su propio conjunto único de procesos. Normalmente,
encontramos una fase inicial, un proceso de desarrollo y un producto final. A este patrón se le
denomina ciclo de vida de un software.

Etapas dentro de un ciclo de vida

 Planificación
 Análisis
 Diseño
 Desarrollo
 Pruebas
 Mantenimiento
 Rol en el desarrollo de software de una persona

Existe múltiples roles que puede desarrollar una persona, es importante recalcar que en
equipos pequeños una persona puede tener varios roles y en equipos más grandes. Roles más
específicos y especializados, buscando y contribuyendo al éxito de un proyecto. Estos pueden
ser algunos
 Analista
 Diseñador de programas
 Arquitecto de software
 Creador y adaptador de programas
 Project mánager

Modelo y características de un diseño de software

En el modelo de diseño, los paquetes contienen los elementos de diseño del sistema, como
clases de diseño, interfaces y subsistemas de diseño, que evolucionan desde las clases de
análisis. Cada paquete puede contener cualquier número de subpaquetes que pueden
particionar aún más los elementos de diseño contenidos. Estas capas arquitectónicas forman la
base de una organización de segundo nivel de los elementos que describen las especificaciones
y detalles de implementación del sistema.

Dentro de cada paquete, los diagramas de secuencia ilustran cómo interactúan los objetos
en las clases, diagramas de estado de las máquinas para modelar el comportamiento dinámico
en las clases, diagramas de componentes para describir la arquitectura de software del sistema
y diagramas de despliegue para describir la arquitectura física del sistema.

¿Cuál es la importancia del big data en el mundo?

Ayuda a que las compañías puedan tomar decisiones más rápidas, si observamos el bigdata
genera mayor productividad en las emoreasss ya que reduce costos, ya que nos brinda tener la
posibilidad de información actualizada, permitiendo así procesar grandes volúmenes de datos
lo que ayuda a tener movimientos estratégicos. Debemos tener en cuenta que el bigdata no
gira entorno a la cantidad de datos que tenemos sino a lo que se hace con ellos.
 ¿Cuál es el tamaño del mercado del big data?

Es bastante extenso, para él años 2022 según un blog consultado se valoró en 215.700
millones de dólares estadunidenses

¿Cuál es la relación entre los conceptos: ¿big data, científico de datos e ingeniero de datos?

El concepto de "big data" se refiere a conjuntos de datos extremadamente grandes y

complejos que requieren métodos avanzados de procesamiento y análisis para extraer
información significativa.

Un científico de datos es un profesional que utiliza técnicas estadísticas y de aprendizaje

automático para analizar y extraer conocimientos de los datos, con el objetivo de tomar
decisiones informadas y resolver problemas complejos.

Por otro lado, un ingeniero de datos se encarga de diseñar, construir y mantener la

infraestructura necesaria para almacenar, procesar y gestionar grandes volúmenes de datos.

En resumen, el científico de datos se enfoca en el análisis y la interpretación de los datos,

mientras que el ingeniero de datos se encarga de la infraestructura y la gestión de los datos.
Ambos roles son fundamentales en el campo del big data y trabajan en conjunto para
aprovechar al máximo el potencial de los datos.

¿Cuál es la importancia de los profesionales de big data en la industria?

Los profesionales de big data son fundamentales en la industria porque pueden ayudar a las
empresas a tomar decisiones informadas, optimizar sus operaciones y mejorar la satisfacción
del cliente. Su experiencia en el análisis de datos y su capacidad para extraer información
valiosa son altamente valoradas en el entorno empresarial actual.

¿Por qué quisiéramos convertirnos en un científico de datos?

Hay varias razones por las cuales alguien podría querer convertirse en un científico de
datos. Aquí hay algunas razones comunes:
 Alta demanda laboral
  Impactó en toma de decisiones
 Resolución de problemas complejos
 Contribución a la innovación
 Variedad de industrias y aplicaciones

En resumen, convertirse en un científico de datos puede ofrecer oportunidades laborales

emocionantes, la capacidad de influir en la toma de decisiones, resolver problemas complejos,
contribuir a la innovación y trabajar en diversas industrias. Si hay un interés en el análisis de
datos, el aprendizaje automático y la resolución de problemas, convertirse en un científico de
datos puede ser una opción gratificante.

¿En qué tipo de bases de datos se usa el proceso minería de datos?

El proceso de minería de datos se puede aplicar a diferentes tipos de bases de datos,

dependiendo de la naturaleza de los datos y los objetivos del análisis. Algunos de los tipos de
bases de datos comunes en los que se utiliza la minería de datos incluyen:

 Bases de datos relacionales

Estas bases de datos organizan los datos en tablas con filas y columnas, y utilizan
lenguajes de consulta como SQL para acceder y manipular los datos. La minería de
datos se puede aplicar a estas bases de datos para descubrir patrones, tendencias y
relaciones ocultas en los datos.
 Bases de datos de almacén de datos:
Estas bases de datos están diseñadas específicamente para el análisis de grandes
volúmenes de datos. Almacenan datos de diferentes fuentes en un formato optimizado
para consultas y análisis. La minería de datos se puede utilizar en estos almacenes de
datos para descubrir información valiosa y generar conocimientos útiles.
 Bases de datos de texto completo:
Estas bases de datos se utilizan para almacenar y buscar grandes cantidades de
texto, como documentos, correos electrónicos o páginas web. La minería de datos en
bases de datos de texto completo puede ayudar a extraer información relevante, como
temas, opiniones o tendencias, a partir de grandes volúmenes de texto no
estructurado.
  Bases de datos de series temporales:
Estas bases de datos almacenan datos que varían con el tiempo, como registros de
ventas, datos climáticos o datos de sensores. La minería de datos en bases de datos de
series temporales puede ayudar a identificar patrones estacionales, tendencias a largo
plazo o anomalías en los datos a lo largo del tiempo.

¿Que es un almacén de datos?

Un almacén de datos, también conocido como data warehouse, es una infraestructura

centralizada diseñada para almacenar grandes cantidades de datos de diferentes fuentes en un
formato estructurado y optimizado para el análisis. Su objetivo principal es proporcionar un
entorno seguro y eficiente para la integración, gestión y consulta de datos empresariales.

Un almacén de datos se caracteriza por su capacidad para consolidar datos de diversas

fuentes, como bases de datos transaccionales, sistemas CRM, registros de ventas, entre otros.
Estos datos se extraen, transforman y cargan en el almacén de datos de manera periódica,
siguiendo un proceso conocido como ETL (extracción, transformación y carga).

Una vez que los datos están en el almacén, se organizan en estructuras lógicas que facilitan
su análisis y consulta. Esto implica la creación de esquemas dimensionales, como tablas de
hechos y dimensiones, que permiten realizar consultas complejas y obtener información
significativa.

Los almacenes de datos son utilizados por empresas e organizaciones para respaldar la
toma de decisiones basada en datos. Al proporcionar una vista consolidada y coherente de los
datos, los usuarios pueden realizar análisis, generar informes y obtener conocimientos que
respalden la planificación estratégica, la identificación de tendencias y la detección de
patrones.

¿Cuáles son los algoritmos que se utilizan en minería de datos?

En la minería de datos, se utilizan diversos algoritmos para descubrir patrones, tendencias y

relaciones en conjuntos de datos. Algunos de los algoritmos más comunes utilizados en la
minería de datos son:
 Árboles de decisión: Estos algoritmos utilizan una estructura de árbol para tomar
decisiones basadas en características y atributos de los datos.
 Regresión lineal: Este algoritmo se utiliza para predecir valores numéricos continuos
basados en variables independientes.
 Clustering: Los algoritmos de clustering agrupan datos similares en grupos o clústeres
basados en características comunes.
 Redes neuronales: Estos algoritmos están inspirados en el funcionamiento del cerebro
humano y se utilizan para reconocimiento de patrones y clasificación.
 Algoritmos de asociación: Estos algoritmos buscan relaciones y asociaciones entre
diferentes elementos en un conjunto de datos, como el análisis de carritos de compra
en el comercio electrónico.
 Máquinas de vectores de soporte (SVM): Estos algoritmos se utilizan para clasificar y
analizar datos, especialmente en problemas de clasificación binaria.
 Naive Bayes: Este algoritmo se basa en el teorema de Bayes y se utiliza para clasificar
datos en función de la probabilidad condicional.