Conceptos de big data, minería de datos,

aprendizaje automático y aprendizaje

profundo en los datos sobre delitos^*

mn

Big Data, Data Mining, Machine Learning,

and Deep Learning Concepts in Crime Data

Emre Cihan Ateş**

Erkan Bostanci***

Mehmet Serdar Güzel****

Resumen

Junto con el rápido cambio de las tecnologías de la información y el uso generalizado de

Internet a lo largo del tiempo, han surgido baterías de datos con una amplia diversidad y

volúmenes bastante grandes. El uso de la minería de datos aumenta día a día debido al gran

*

Este artículo ha sido publicado originalmente en inglés: Emre Cihan Ateş, Erkan Bostancı

y Mehmet Serdar Güzel. “Big Data, Data Mining, Machine Learning, and Deep Learning

Concepts in Crime Data”, Ceza Hukuku ve Kriminoloji Dergisi-Journal of Penal Law and

Criminology, vol. 8, n.° 2, 2020, p. 293 y ss., disponible en [https://iupress.istanbul.edu.tr/

en/journal/jplc/article/big-data-data-mining-machine-learning-and-deep-learning-concepts-

in-crime-data]. Su publicación en español ha sido autorizada por el Journal of Penal Law

and Criminology.

**

Gendarmerie Captain, Lecturer, Department of Security Science, Gendarmerie and Coast

Guard Academy, Ankara, Turkey; e-mail [emre_cihan_ates@hotmail.com], orcid [https://

orcid.org/0000-0001-9550-4532].

*** Ph.D., Assistant Professor, Department of Computer Science, Ankara University, Ankara,

Turkey; e-mail [ebostanci@ankara.edu.tr], ^orcid[https://orcid.org/0000-0001-8547-7569].

**** Ph.D., Assistant Professor, Department of Computer Science, Ankara University, Ankara,

Turkey; e-mail [mguzel@ankara.edu.tr], orcid [https://orcid.org/0000-0002-3408-0083].

Nuevos Paradigmas de las Ciencias Sociales Latinoamericanas

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Bernardo A. Pérez S. pp. 17 a 62

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

18

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

19

papel que desempeña en la adquisición de información al realizar los análisis necesarios,

en especial, dentro de una gran cantidad de datos. La obtención de información precisa es

un factor clave que afecta a los procesos de toma de decisiones. Los datos sobre delitos se

incluyen entre las áreas de aplicación de la minería de datos, siendo una de las baterías de

datos que crece con rapidez cada día que pasa. Los eventos delictivos constituyen un compor-

tamiento no deseado en todas las sociedades. Por esta razón, es importante extraer informa-

ción significativa de los datos sobre delitos. Este artículo tiene como objetivo proporcionar

una descripción general del uso de la minería de datos y el aprendizaje automático en los

datos sobre delitos y dar una nueva perspectiva sobre los procesos de toma de decisiones,

al presentar ejemplos del uso de la minería de datos para un delito. Para este propósito, se

presentan algunos ejemplos de minería de datos y aprendizaje automático en áreas de de-

lincuencia y seguridad que brindan un marco conceptual en el tema de big data, minería de

datos, aprendizaje automático y aprendizaje profundo junto con tipos de tareas, procesos y

métodos.

se expresa en forma de definiciones como conocimiento oculto pero

aún no interpretado ni analizado¹, observaciones y símbolos simples,

hechos crudos/desorganizados²y un texto que no responde a ciertas

preguntas³.

El término “información” se define al utilizar expresiones como

el conocimiento valioso en la mente humana, información contextual

que incluye experiencia, valores, predicciones, una colección de datos

organizados de manera consistente⁴y un texto que responde a pre-

guntas de por qué y que se expresa como un resultado derivado de

los datos y filtrado a través de la mente. La palabra “conocimiento” se

refiere al mensaje que cambia el nivel de entendimiento y el propósito

de una persona, la percepción de su receptor, un texto que responde a

preguntas como quién, cuándo, qué o dónde, y datos que tienen sen-

tido. La sabiduría, por otro lado, implica una previsión del futuro que

aprovecha el conocimiento existente. La figura 1 ilustra estos concep-

tos en forma de pirámide.

Palabras clave: Crimen; Crimen; Big data; Minería de datos; Seguridad; Vigilancia policial.

Abstract

Along with the rapid change of information technologies and the widespread use of the in-

ternet over time, data stacks with ample diversity and quite large volumes have emerged.

The use of data mining is increasing day by day due to the huge part it plays in the acquisi-

tion of information by making necessary analyses, especially within a large amount of data.

Obtaining accurate information is a key factor affecting decision-making processes. Crime

data is included among the application areas of data mining, being one of the data stacks

which is rapidly growing with each passing day. Crime events constitute unwanted behavior

in every society. For this reason, it is important to extract meaningful information from crime

data. This article aims to provide an overview of the use of data mining and machine learning

in crime data and to give a new perspective on the decision-making processes by presenting

examples of the use of data mining for a crime. For this purpose, some examples of data mi-

ning and machine learning in crime and security areas are presented by giving a conceptual

framework in the subject of big data, data mining, machine learning, and deep learning along

with task types, processes, and methods.

Keywords: Crime; Big data; Data mining; Security; Policing.

Fecha de presentación: 20 de enero de 2021. Revisión: 15 de febrero de 2021. Fecha de acepta-

ción: 3 de marzo de 2021.

1

Chaim Zins. “Conceptual approaches for defining data, information, and knowledge”, en

Journal of the American Society for Information Science and Technology, vol. 58, n.° 4, 2007,

pp. 479 a 493, disponible en [https ://www.researchgate .net /publication /220432993_

C onceptual _approaches _for _de f ining _data _information _and _k no w ledge].

Adel Ahmed. “‘From Data to Wisdom’ Using Machine Learning Capabilities in Accounting

and Finance Professionals”, en Talent Development & Excellence, n.° 12, 2020.

Lixu Shao, Yucong Duan, Xiaobing Sun, Honghao Gao, Donghai Zhu y Welkal Miao.

“Answering Who/When, What, How, Why through Constructing Data Graph, Information

Graph, Knowledge Graph and Wisdom Graph”, en Seke, July 2017, pp. 1 a 6, disponioble en

[https ://k siresearch .org /se k e /se k e 17 paper /se k e 17 paper _79.pdf].

ef

2

3

I. Introducción

Para examinar el concepto de minería de datos (data mining), pri-

mero se deben examinar con cuidado los conceptos de datos, conoci-

miento, información y sabiduría. En este contexto, el término “datos”

4

Ahmed. “‘From Data to Wisdom’ Using Machine Learning Capabilities in Accounting and

Finance Professionals”, cit.; Paul Cooper. “Data, information, knowledge and wisdom”, en

Anaesthesia & Intensive Care Medicine, vol. 18, n.° 1, 2017, pp. 55 y 56.

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

20

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

21

Figura 1. Datos, información, conocimiento y sabiduría

duría, el de big data surge en un principio sin procesar, pero se vuelve

significativo al procesarse y, por lo tanto, ayuda a nuestras actividades

de toma de decisiones⁶.

El término big data se utiliza para describirla en todos los nive-

les, ya sea en bruto o procesado. Los datos son como metales precio-

sos que esperan ser extraídos de montones de piedras. Vivimos en un

mundo en el que se recopilan muchos datos todos los días. En para-

lelo al desarrollo de la tecnología, también es un hecho conocido que

los tamaños y tipos de datos han aumentado a medida que los con-

ceptos de computadoras e Internet han entrado en nuestras vidas. Un

problema particular que trae consigo este aumento del volumen de

datos es el de la complejidad, por lo que analizarlos en forma correcta

y significativa cobra cada día más importancia.

Como resultado del hecho que el proceso de obtención de datos

significativos mediante la extracción de aquellos no cualificados de

los brutos restringía a los investigadores y los métodos estadísticos

actuales eran insuficientes para procesar grandes datos, ha surgido

el concepto de minería de datos (data mining). En otras palabras, la

minería de datos es un enfoque sistemático para analizar e identificar

diferentes patrones y relaciones dentro de los grandes datos⁷. Una de

las cuestiones importantes del método es el análisis de los datos exis-

tentes en lugar de la recopilación de una gran cantidad de ellos. La

minería de datos tiene como objetivo desarrollar modelos de predic-

ción sobre eventos que se prevé que ocurran en el futuro y respaldar

los procesos de toma de decisiones aprovechando la muestra pasada

en general⁸. El concepto de minería de datos también se conoce en

la literatura como “extracción de conocimiento”, “descubrimiento de

conocimiento”, “arqueología de datos”, “análisis de datos/patrones”,

“minería de conocimiento” y “recolección de información”⁹.

Fuente: Traducido a partir de Emre Cihan Ateş, Gazy Erkan Bostanci y Mehmet Serdar

Güzel. “Big data, data mining, Machine Learnig, and deep learning concepts in crime data”, en

Ceza Hukuku ve Kriminoloji Dergisi-Journal of Penal Law and Criminology, vol. 8, n.° 2, 2020, p.

294, disponible en [https ://dergipar k.org .tr /en /do w nload /article -f ile /1354184].

En la pirámide de la figura 1 se muestra⁵:

• El concepto de datos expresa un concepto bastante general que aún

no se ha analizado;

• El término información se refiere al procesamiento de datos a través

de la mente;

• El concepto de conocimiento expresa una forma de datos que se ha

vuelto significativa.

6

7

David J.Pauleen, David Rooney y Ali Intezari. “Big data, little wisdom: Trouble brewing?

Ethical implications for the information systems discipline”, Social Epistemology, vol. 31,

n.° 4, 2017, pp. 400 a 416.

David M. Blei y Padhraic Smyth. “Science and data science”, Proceedings of the National

Academy of Sciences, vol. 114, n.° 33, August 2017, pp. 8.689 a 8.692, disponible en [ht -

tps ://www.pnas .org /doi /epdf /10.1073/pnas .1702076114].

El concepto de sabiduría proviene de una combinación de los pasos

de datos, información y conocimiento. Junto con el concepto de sabi-

5

Jonathan Hey. “The data, information, knowledge, wisdom chain: The metaphorical

link”, Intergovernmental Oceanographic Commission, 26, 2004, pp. 1 a 18, disponi-

8

9

John D. Kelleher y Brendan Tierney. Data science, Massachusetts, mit Press, 2018, dis-

ponible en [https ://mrce .in /eboo k s /D ata %20S cience .pdf].

Akhill Rajendra Khare y Pallavi Shrivasta. “Data mining for the internet of things”, en

Ambati V. Krishna Prasad (ed.). Exploring the Convergence of Big Data and the Internet

ble

en

[https ://www.docsity .com /en /docs /the -data -information -k no w ledge -w is -

dom -chain /9588737/]; Cooper. “Data, information, knowledge and wisdom”, cit.

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

22

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

23

Las tecnologías de la información e Internet han alterado de

II. Antecedentes

modo significativo el campo del crimen y la seguridad¹⁰. Las estadísti-

cas actuales muestran que el crimen aumenta en todo el mundo. Por

esta razón, los conceptos de crimen y criminalidad han aumentado

de manera constante en paralelo con un aumento en la cantidad de

big data. Teniendo en cuenta que el crimen es un comportamiento

no deseado en las sociedades, los datos y el conocimiento obtenido

de ellos se han vuelto importantes para determinar las estrategias

de prevención del crimen. Determinar objetivos y estrategias futuras

solo depende de datos actualizados, precisos y confiables.

El objetivo de este artículo de revisión es brindar una perspec-

tiva sobre los procesos de toma de decisiones con el uso de la mine-

ría de datos (data mining) en aquellos sobre delitos al brindar una

descripción general de esta y analizar sus métodos. Después de la

introducción, este estudio define los conceptos de big data, minería

de datos (data mining), aprendizaje automático (machine learning) y

aprendizaje profundo (deep learning) respectivamente. En la sección

“métodos y modelos de minería de datos” se definen los conceptos,

se explica el proceso de esta y se analizan los modelos de análisis de

datos. La sección “uso de big data, minería de datos, aprendizaje au-

tomático y aprendizaje profundo en áreas criminales y de seguridad”

se resumen varios casos que se dan en el campo de la seguridad, que

tratan la lucha contra el crimen. En la sección de discusión, se exami-

na el uso de las teorías de minería de datos, aprendizaje automático y

aprendizaje profundo en la lucha contra el crimen. En la sección “con-

clusión” se afirma que los conceptos de big data y minería de datos se

utilizan de manera activa en la lucha contra el crimen y se enfatiza su

importancia futura.

A. Big Data

Dado que el concepto de big data es relativamente nuevo, primero

debe examinarse en términos de definiciones.

– El concepto de big data es interdisciplinario, abstracto y de

rápido crecimiento que ofrece un potencial de aumento en todas las

áreas sociales y que se almacena a una escala sin precedentes¹¹.

– Los datos de gran volumen llegan en su mayoría en forma muy

rápida de diversas fuentes, como Internet y las redes informáticas.

– Se define como un conjunto de datos al que es difícil acceder a

través de tecnologías de la información estándar y que implica el uso

de métodos de captura, procesamiento, recopilación, visualización y

análisis en grandes conjuntos de datos¹².

Para investigar más a fondo el concepto de big data, será útil en

este punto examinar los principios de la literatura que lo definen y

que por lo general se denominan “las cinco v” (volumen, velocidad,

variedad, valor y veracidad)¹³.

11 Min Chen, Shiwen Mao y Yunhao Liu. “Big data: A survey”, Mobile Networks and

Applications, vol. 19, n.° 2, April 2014, pp. 171 a 209.

12 Siva Vaidhyanathan y Chris Bulock. “Knowledge and dignity in the era of ‘big data’”, en

The Serials Librarian, vol. 66, n .^os1 a 4, 2014, pp. 49 a 64, disponible en [https ://www.

tandfonline .com /doi /epdf /10.1080/0361526X.2014.879805].

13 Noraini Abdullah, Saiful Adli Ismail, Siti Sophiayati y Suriani Mohd Sam. “Data qua-

lity in big data: A review”, en International Journal of Advances in Soft Computing & Its

Applications, vol. 7, n.° 3, November 2015, pp. 16 a 27, disponible en [https ://www.i -cs -

rs .org /V olumes /ijasca /IJASCA-SI-070302_P g 16-27_D ata -Q uality -in -B ig -D ata -A-R evie w.

pdf]; Emre Cihan Ateş, Gazy Erkan Bostanci y Mehmet Serdar Güzel. “Security

Evaluation of Industry 4.0: Understanding Industry 4.0 on the Basis of Crime, Big Data,

Internet Of Thing (IoT) and Cyber Physical Systems”, en Güvenlik Bilimleri Dergisi,

(International Security Congress Special Issue), n.° 9, February 2020, pp. 29 a 50, dispo-

nible en [https ://www.researchgate .net /publication /339642922_S ecurity _E valuation _

of _I ndustry _40_U nderstanding _I ndustry _40_on _the _B asis _of _C rime _B ig _D ata _I nternet _

of _T hing _I o T_and _C yber _P hysical _S ystems]; Samuel Fosso Wamba, Shahriar Akter,

Andrew James Edwards, Geoffrey Chopin y Denis Gnanzou. “How ‘big data’can

make big impact: Findings from a systematic review and a longitudinal case study”, en

International Journal of Production Economics, vol. 165, July 2015, pp. 234 a 246, dis-

ponible en [https ://www.researchgate .net /publication /270276259_H o w_’big _data ’_

can _ma k e _big _impact _F indings _from _a _systematic _revie w_and _a _longitudinal _case _

study]; Martin White. “Digital workplaces: Vision and reality”, en Business Information

Review, vol. 29, n.° 4, 2012, pp. 205 a 214, disponible en [https ://es .scribd .com /docu -

ment /886559974/D igital -W or k places -V ision -and -R eality].

of Things, pp. 181 a 191, Hershey, PA, igi Global, 2018; Ali Serhan Koyuncugil y Nermin

Özgülbaş. “Veri madenciliği: Tıp ve sağlık hizmetlerinde kullanımı ve uygulamaları”,

en International Journal of Informatics Technologies, vol. 2, n.° 2, May 2009, pp. 21 a 32,

disponible en [https ://dergipar k.org .tr /tr /do w nload /article -f ile /75259].

10 Naci Akdemir y Christopher James Lawless. “Exploring the human factor in cyber-ena-

bled and cyber-dependent crime victimisation: A lifestyle routine activities approach”, en

Internet Research, vol. 30, n.° 6, June 2020, pp. 1665 a 1687, disponible en [https ://www.

semanticschola r .org /reader /f 2 d 52 e 0 caa 51 f 6 adb 42 acb 32 ace 0 f 305 b 44058 c 9].

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

24

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

25

– Volumen: Este término se utiliza para describir una cantidad de

– La minería de datos es un paso en todas las fases de descubri-

miento de conocimiento que puede describirse como un proceso de

recuperación de conocimiento o extracción de minería de una gran

cantidad de datos y es una forma de descubrimiento de conocimiento

que es en particular necesaria para resolver problemas en un área

determinada¹⁶.

A partir de estas definiciones, es posible realizar la siguiente de-

finición teniendo en cuenta la relación: La minería de datos (data mi-

ning) es un proceso que tiene como objetivo recuperar conocimiento

haciendo uso de big data del pasado y utiliza métodos como la esta-

dística, el aprendizaje automático y la inteligencia artificial, así como

utilizar ese conocimiento en las actividades de apoyo a la toma de

decisiones relacionadas con el futuro¹⁷.

datos en constante aumento. Junto con el aumento aquellos, también

se ha comenzado a formar una masa de conocimiento y se hace más

difícil alcanzar uno calificado con tal aumento de volumen.

– Variedad: La mayoría de los datos producidos se da en entornos

no estructurales como computadoras, redes sociales, teléfonos mó-

viles y tabletas. Las fuentes de datos son relativamente nuevas y se

agregan nuevas fuentes día a día. Esto aumentará el número de fuen-

tes de datos, los que estarán en diferentes formatos e incluirán dife-

rentes variables después de su recopilación, esto hará que el trabajo

del analista sea más difícil.

– Velocidad: Esto expresa la tasa de crecimiento de los datos y

cuando es alta, es un signo de que los datos son big data.

– Veracidad: Esta es una variable importante que garantiza que

los datos sean seguros durante su flujo. Es importante protegerlos

con medidas de seguridad de alto nivel y no alterarlos mediante in-

tervenciones no autorizadas.

C. Aprendizaje automático (machine learning)

La introducción en nuestras vidas del concepto de aprendizaje au-

tomático comenzó con la pregunta “¿Pueden pensar las máqui-

nas?” planteada por primera vez por Alan Turing^18-19. El concepto

de aprendizaje automático es la capacidad de una computadora de

aprender por sí misma, al utilizar datos y experiencias existentes. En

el aprendizaje automático, existen diferentes métodos de aprendiza-

– Valor: Esto se refiere a la evaluación de big data y a la ayuda que

proporciona a las unidades de apoyo para la toma de decisiones para

obtener información significativa al transformar los datos brutos en

información y conocimiento.

B. Minería de datos (data mining)

45 a 55, disponible en [https ://journal .r -project .org /archive /2009-2/RJ ournal _2009-2_

W illiams .pdf].

El concepto de minería de datos se define en muchas fuentes, algunas

de las cuales se detallan a continuación:

16 Sunita Beniwal y Jitender Arora. “Classification and feature selection techniques

in data mining”, en International Journal of Engineering Research & Technology, vol. 1,

n.° 6, August 2012, pp. 1 a 6, disponible en [https ://www.researchgate .net /publica -

tion /263662705_C lassi f ication _and _feature _selection _techni q ues _in _data _mining];

David L. Olson y Georg Lauhoff. “Descriptive data mining”, en Descriptive Data Mining,

pp. 129 a 130, Singapore, Springer, 2019.

17 Colin Campbell y Yiming Ying. “Learning with support vector machines”, Synthesis

Lectures on Artificial Intelligence and Machine Learning, n.° 10, 1 a 83, San Rafael,

CA, Morgan & Claypool, 2011, disponible en [https ://digi -lib .ste k om .ac .id /assets /

do k umen /eboo k/feb _B8 y CN djg UA cti 5q dy U b B6L y V7949 c 7R eg DG g 8 ji Fk gj Sq d 8C_

H v SSZE_1681201865.pdf]; David J. Hand y Niall M. Adams. “Data Mining”, en Wiley

StatsRef: Statistics Reference Online, Hoboken, NJ, John Wiley & Sons, 2014, pp. 1 a 7.

18 Londres, 23 de junio de 1912-Wimsloe, Reino Unido, 7 de junio de 1954.

19 Allan Mathison Turing. “Computing machinery and intelligence”, en Mind, vol. lix, n.°

236, October 1950, pp. 433 a 460, disponible en [https ://courses .cs .umbc .edu /471/pa -

pers /turing .pdf].

– Descubrir conocimiento potencialmente útil sobre datos antes

desconocidos de una manera no confidencial¹⁴;

– Permite obtener conocimiento transformable en comprensión,

entendimiento y acción mediante la combinación de estadísticas con

conceptos, herramientas y algoritmos, aprendizaje automático (ma-

chine learning) y el análisis de conjuntos de datos muy grandes¹⁵.

14 Konda Srinivas, B. Kavihta Rani y Aliseri Govrdhan. “Applications of data mining tech-

niques in healthcare and prediction of heart attacks”, enInternational Journal on Computer

Science and Engineering, vol. 2, n.° 2, 2010, pp. 250 a 255, disponible en [https ://www.

researchgate .net /publication /49617135_A pplications _of _D ata _M ining _T echni q ues _in _

H ealthcare _and _P rediction _of _H eart _A ttac k s].

15 Graham J. Williams “Rattle: adatamininggui forR”, enTheR Journal, vol. 1, n.° 2, 2009, pp.

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

26

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

27

je según el etiquetado de los datos de entrenamiento²⁰. En el apren-

dizaje supervisado, los datos disponibles se conocen como datos de

entrenamiento, que son la entrada básica que se le da a la máquina

para aprender el modelo. La computadora intenta aprender los datos

de entrenamiento con la ayuda de varios algoritmos de aprendizaje

automático. La determinación del éxito del aprendizaje de la infor-

mación se evalúa con datos de prueba. La diferencia más importante

entre los datos de prueba y los datos de entrenamiento es si los datos

son predichos o clasificados por la máquina. El aprendizaje no super-

visado es el aprendizaje automático en el que no hay datos de entre-

namiento y todo el aprendizaje se realiza de acuerdo con las simili-

tudes y diferencias entre los datos. El aprendizaje semi supervisado,

por otro lado, es el realizado a través de una estructura mixta, en la

que hay datos de entrenamiento y datos no etiquetados.

– En esencia, el aprendizaje automático (machine learning) es un

método de aprendizaje de un sistema informático a través del mues-

treo, existen muchos algoritmos de aprendizaje automático diferen-

tes en varios problemas o tipos de datos.

Cuando se examinan los conceptos de minería de datos y apren-

dizaje automático a un nivel básico, el uso de inteligencia artificial lle-

va a la conclusión de que los sistemas de datos obtienen conocimiento

de estos sin procesar, sin intervención²³. Además, la minería de datos

proporciona una recuperación de datos significativa de las baterías

de datos. También permite una minimización del trabajo humano y

una optimización de los resultados a través del concepto de apren-

dizaje automático. Por esta razón, es posible decir que la minería de

datos y el aprendizaje automático se pueden utilizar en forma activa

en el proceso de recuperación de conocimiento en todos los campos

de la ciencia, en especial, en las naturales.

El concepto de aprendizaje automático se utiliza tanto para el

análisis de datos como para la minería de datos y, además, es el tipo

de análisis de inteligencia artificial que define y reconoce patrones al

utilizar inteligencia artificial²¹.

D. Aprendizaje profundo (deep learning)

– Se pueden realizar predicciones mediante el aprendizaje de

datos a través del aprendizaje automático, que es una subrama de la

inteligencia artificial.

– En el aprendizaje automático, un principio básico es que el sis-

tema creado realiza el proceso de aprendizaje por sí mismo.

– La diferencia más importante entre las computadoras y los hu-

manos es que estos aprenden de los eventos que vivieron en el pasa-

do, a lo que llaman experiencia, mientras que el aprendizaje automá-

tico tiene como objetivo llegar a este punto a través de un mecanismo

de decisión.

El aprendizaje profundo es el aprendizaje automático, uno de los

temas más populares en la actualidad, es un campo de estudio que

incluye redes neuronales artificiales con una o más capas ocultas y

algoritmos de aprendizaje automático similares. El aprendizaje pro-

fundo consiste en las estructuras que pueden aprender, estructuras

complejas con redes neuronales de múltiples capas y que, a través

de capas ocultas, pueden aprender con mayor facilidad y éxito mode-

los que los algoritmos clásicos de aprendizaje automático no pueden

aprender con facilidad²⁴.

Las capas ocultas son parte de una estructura en la que se reali-

zan funciones matemáticas y cálculos para obtener el resultado de-

seado. El número de sus capas puede variar. Aunque el aprendizaje

– El aprendizaje se proporciona por medio de datos de entrena-

miento que mejoran la automatización en el acceso al conocimiento,

lo que permite que se lleven a cabo técnicas automatizadas eficientes

con poco poder humano²².

for Information Systems, vol. 8, 2002, pp. 267 a 296, disponible en [https ://www.aca -

demia .edu /5442707/DATA_MINING_A_CONCEPTUAL_OVERVIEW#:~:text=Download,-

PDF].

20 Charu C. Aggarwal. Machine learning for text, Cham, Springer, 2018.

23 Kelleher y Tierney. Data science, cit.

21 Lawrence McClendon y Natarajan Meghanathan. “Using machine learning algorithms

to analyze crime data”, en Machine Learning and Applications: An International Journal,

vol. 2, n.° 1, March 2015, pp. 1 a 12, disponible en [https ://www.researchgate .net /publi -

cation /275220711_U sing _M achine _L earning _A lgorithms _to _A nalyze _C rime _D ata].

22 JoyceJackson. “Datamining;aconceptualoverview”, enCommunicationsoftheAssociation

24 Ayon Dey. “Machine learning algorithms: A review”, en International Journal of Computer

Science and Information Technologies, vol. 7, n.° 3, 2016, pp. 1.174 a 1.179, disponible en

[https ://ijcsit .com /docs /V olume %207/vol 7 issue 3/ijcsit 2016070332.pdf].

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

28

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

29

profundo es un enfoque nuevo, se ha utilizado de manera activa en

muchas áreas como la semántica, el aprendizaje por transferencia, el

procesamiento del lenguaje natural, la visualización y la investigación

criminal. A medida que aumenta el número de capas, también au-

mentará el hardware necesario para el proceso de aprendizaje (sobre

todo, el requisito de la unidad de procesamiento gráfico –gpu–) y el

tiempo (debido a la gran cantidad de parámetros). Además, aunque

se sabe que el aprendizaje profundo requiere muchos más datos que

los algoritmos clásicos durante el entrenamiento, esto no es un pro-

blema hoy en día debido a la abundancia de datos de que disponemos.

Sin embargo, si la cantidad de datos a analizar es pequeña, los algo-

ritmos clásicos pueden producir resultados más exitosos en muchos

sentidos.

Si bien los algoritmos clásicos de aprendizaje automático utili-

zan métodos basados en análisis estadístico para reconocer el patrón,

existe un modelo similar a las neuronas del cerebro humano en el

aprendizaje profundo. Por esta razón, la optimización de hiper pará-

metros (tuning) que minimiza la función de pérdida, se puede realizar

de muchas formas diferentes. Con el aprendizaje profundo, se obtiene

un buen rendimiento de clasificación para datos de texto, audio y vi-

suales sin intervención humana, en especial debido a la capacidad de

extraer características.

ficación realizada de acuerdo con la capacidad de editar los datos se

muestra a continuación²⁵.

– Estructurados;

– No estructurados;

– Semiestructurados.

Los datos estructurados que definen un grupo de datos especi-

ficado en forma explícita juegan un papel importante en su análisis

en todo momento debido a la conveniencia de su clasificación²⁶. La

mayoría de las verificaciones biométricas utilizadas en las definicio-

nes en el campo de la seguridad se basan en datos estructurados. Los

datos no estructurados no tienen un modelo predefinido, no se pue-

den clasificar y muestran variabilidad. El 90% de todos los datos se

consideran no estructurados, lo que revela el hecho de que se trata de

un conjunto mayor de datos que es difícil de analizar²⁷. Esto es cier-

to en el caso de los sitios de redes sociales, que se utilizan cada día

con más frecuencia y que como es evidente, desempeñan un papel

importante en los datos no estructurados. Los datos no estructurados

mejoran la capacidad de obtener una mayor cantidad de información

de los conjuntos de datos. Sin embargo, la precisión de aquellos obte-

nidos puede no ser tan grande como la de los estructurados. Los datos

semiestructurados ayudan a la clasificación y definición parcial de la

información. Entre los ejemplos más comunes de datos semiestruc-

turados se encuentran los correos electrónicos, los lenguajes de crea-

ción de documentos y la utilización de bases de datos web y nosql²⁸.

III. Métodos y modelos de

minería de datos (data mining)

25 Anurag Agrahari y Dharmaji Rao. “A review paper on Big Data: Technologies, tools

and trends”, en International Research Journal of Engineering and Technology, vol. 4, n.°

10, October 2017, pp. 640 a 649, disponible en [https ://www.irjet .net /archives /V4/

i 10/IRJE T -V4I10112.pdf]; Zhiqiang Ge, Zhihuan Song, Steven X. Ding y Biao Huang.

“Data mining and analytics in the process industry: The role of machine learning”, en

ieee Access, vol. 5, 2017, pp. 20.590 a 20.616, disponible en [https ://ieee x plore .ieee .org /

stamp /stamp .jsp ?tp =&arnumber =8051033].

26 Ravi Kumar y Bharti Nagpal. “Analysis and prediction of crime patterns using big data”,

International Journal of Information Technology, vol. 11, n.° 4, December 2019, pp. 799 a

805.

27 Vesal Tirgari. “Information technology policies and procedures against unstructured

data: A phenomenological study of information technology professionals”, en Journal of

Management Information and Decision Sciences, vol. 15, n.° 2, 2012, pp. 87 a 106, disponi-

ble en [https ://www.abacademies .org /articles /aimsjvol 15 no 22012.pdf].

28 “nosql, también conocido como ‘no soólo sql’ o ‘no sql´, es un enfoque utilizado en el

diseño de bases de datos que permite el almacenamiento y consulta de datos fuera de

las estructuras tradicionales que se encuentran en las bases de datos relacionales”. ibm.

La minería de datos es muy popular hoy y es un hecho conocido que

cada día se añade un nuevo método o algoritmo a la literatura, que

considera tanto el rápido cambio en la estructura de la información

como el aumento de las necesidades de información de las personas.

Esto es una indicación que los métodos y algoritmos de minería de

datos se mueven de manera dinámica en lugar de permanecer estáti-

cos. Esto se debe a que los métodos utilizados para obtener el conoci-

miento correcto también pueden cambiar de acuerdo con el estado de

los datos, dado que las estructuras de las fuentes de datos cambian.

La minería de datos se centra en tres secciones principales. La clasi-

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

30

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

31

Figura 2. Métodos de analítica de datos

– Métodos de diagnóstico: Estos son aquellos que dan razones y

brindan conocimiento sobre preguntas de “por qué”;

– Métodos predictivos: Estos incluyen aquellos utilizados para es-

timar la variable dependiente al utilizar las variables independientes

en la base de datos. Se usan para hacer una predicción de eventos

futuros con el uso de resultados pasados conocidos;

– Métodos prescriptivos: Estos se utilizan para hacer una predic-

ción de eventos futuros al usar resultados pasados conocidos.

Si afirmamos que la mayoría de los datos del mundo no están es-

tructurados, podemos decir con facilidad que los métodos más utili-

zados son los descriptivos y los de diagnóstico. Los métodos descrip-

tivos, diagnósticos, predictivos y prescriptivos se incluyen en una sub

jerarquía de métodos estructurados, no estructurados y semiestruc-

turados. Los métodos descriptivos, diagnósticos, predictivos y pres-

criptivos se muestran en el orden más alto en la jerarquía de métodos

en muchas fuentes, ya que clasifican los métodos de minería de datos.

Los modelos de minería de datos se examinaron bajo los siguien-

tes cuatro títulos principales según sus funciones:

– Clasificación: En la clasificación, la categorización de los datos

suele estar a la vanguardia, y así es como se deciden las orientaciones

de los datos³¹. Por ejemplo, un modelo de clasificación sobre datos

de delincuencia puede indicar si la ciudad es segura o peligrosa en

función de la intensidad de los eventos delictivos en la misma. En es-

pecial en el aprendizaje supervisado dentro del ámbito de la clasifi-

cación, es posible estimar la clasificación de problemas agregados en

forma reciente al hacer un descubrimiento de patrones a partir de los

datos. Muchas operaciones, como el reconocimiento de voz, el desvío

de llamadas y la clasificación de texto, se pueden llevar a cabo con es-

tos algoritmos, sobre todo los algoritmos genéticos, cuya clasificación

está definida por reglas, es decir, supervisada. Algunos de los algorit-

Fuente: Traducido a partir de Ateş, Bostancı y Güzel. “Big data, data mining, Machine

Learnig, and deep learning concepts in crime data”, cit., p. 301.

La minería de datos, que se examina en tres grupos como estructura-

da, no estructurada y semiestructurada, se evalúa en cuatro estruc-

turas de modelo bajo los títulos generales de predictiva, descriptiva,

diagnóstica y prescriptiva (mostradas en la figura 2)²⁹.

– Métodos descriptivos: Estos incluyen aquellos que determinan

los vínculos y las relaciones entre los datos que respaldarán la toma

de decisiones en la batería de datos³⁰;

Kalidindi y Benjamin Klusemann. “A review of the application of machine learning and

data mining approaches in continuum materials mechanics”, en Frontiers in Materials,

vol. 6, May 2019, article 110, pp. 1 a 23, disponible en [https ://www.frontiersin .org /jour -

nals /materials /articles /10.3389/fmats .2019.00110/full].

“¿Qué es una base de datos nosql?”, disponible en [https ://www.ibm .com /es -es /topics /

nos q l -databases].

29 Mohammad Mesgarpour e Ian Dickinson. “Enhancing the value of commercial vehicle

telematics data through analytics and optimisation techniques”, en Archives of Transport

System Telematics, vol. 7, n.° 3, September 2014, pp. 27 a 30, disponible en [https ://bi -

bliote k anau k i .pl /articles /393920.pdf].

31 Anirban Mukhopadhyay, Ujjwal Maulik, Sanghamitra Bandyopadhyay y Carlos

Artemio Coello Coello. “A survey of multiobjective evolutionary algorithms for data

mining: Part I”, en ieee Transactions on Evolutionary Computation, vol. 18, n.° 1, 2013,

pp. 4 a 19; LLeszek Rutkowski, Maciej Jaworski y Piotr Duda. Stream data mining:

Algorithms and their probabilistic properties, Cham (Switzerland), Springer, 2020.

30 Frederic E. Bock, Roland C. Aydin, Christian J. Cyron, Norbert Huber, Surya R.

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

32

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

33

mos más utilizados, son por ejemplo, el Naive Bayes³², regresión lo-

gística, algoritmos genéticos, máquinas de vectores de soporte, k-NN

(algoritmo de los k vecinos más cercanos), razonamiento basado en la

memoria y también se utiliza con frecuencia la lógica difusa.

– Regresión: Es el método de análisis que puede configurar un

modelo al predecir las orientaciones de los datos. A diferencia de la

clasificación, se lleva a cabo como una predicción que es esencial en

la regresión³³. Por ejemplo, el modelo de regresión se puede utilizar

para predecir posibles datos futuros sobre delitos al analizar los ti-

pos, horarios y frecuencias actuales de delitos en la ciudad.

– Reglas de asociación: Se utilizan para apoyar estudios futuros al

determinar los comportamientos asociados y hacer uso de los datos

obtenidos del pasado³⁷. Es en particular la revelación de actitudes en-

contradas en crímenes organizados y cometidos con frecuencia lo que

permitirá realizar la detección con mucha más rapidez.

IV. Uso de big data, minería de datos,

aprendizaje automático y aprendizaje

profundo en áreas criminales y de seguridad

– Agrupamiento: Es un proceso de descomposición en grupos lla-

mados clusters en función de un cierto criterio de proximidad³⁴. Se

espera que los datos de un mismo clúster sean similares entre sí y

que la similitud sea mucho menor en diferentes clústeres en general

después de que se haya realizado el proceso de agrupamiento³⁵. El

agrupamiento, en otras palabras, la agrupación, se ha vuelto aún más

importante, en especial con el concepto de aprendizaje automático.

Se utiliza de manera activa en muchas áreas, como el procesamiento

de voz e imágenes, el reconocimiento de voz, las llamadas telefónicas

frecuentes, la mensajería y el uso de datos, la clasificación de clien-

tes y, sobre todo, para el análisis de redes sociales. Las redes neuro-

nales artificiales de Korhonen, Canopy, Mean Shift, K-means, Fuzzy

C-averages, Latent Dirichlet Allocation, k-medoids y MinHash son

ejemplos de algoritmos de agrupamiento que se utilizan con este fin³⁶.

Los conceptos de minería de datos (data mining) y aprendizaje au-

tomático (machine learning) se han vuelto más populares de manera

reciente, ya que son más fáciles de usar a través de software incluido.

Esta popularidad también ha aumentado las áreas de uso de la mi-

nería de datos. A medida que crece la batería de datos a examinar,

la importancia de conceptos como la minería de datos, la inteligen-

cia artificial y el aprendizaje automático se ha demostrado una vez

más. Mientras la población de la humanidad crezca y existan reglas

en el mundo, los datos sobre delitos seguirán en aumento, al igual que

otras baterías de datos.

El concepto de delito se refiere a la práctica de actividades que

están prohibidas de acuerdo con las normas y desviaciones en las so-

ciedades. Aunque varía de una sociedad a otra, el concepto de delito

por lo general se define como actuar en contra de las leyes existentes.

Es posible clasificar los tipos y clases de delitos en categorías –desde

delitos sexuales hasta delitos de orden público, desde la trata de per-

sonas hasta delitos relacionados con las drogas, desde la delincuencia

juvenil hasta los crímenes de guerra–, estos superarán los límites de

la imaginación de los seres humanos. En este caso, la lucha contra el

crimen cobra cada vez mayor importancia para las sociedades en aras

de la continuidad del orden social existente.

32 Algoritmo de aprendizaje automático para tareas de clasificación basado en el teorema

de Bayes donde todas las variables predictoras son independientes entre sí.

33 Mamta Mittal, Lalit Mohan Goyal, Duraisamy Jude Hemanth y Jasleen Kaur Sethi.

“Clusteringapproachesforhigh-dimensionaldatabases:Areview”,enWileyInterdisciplinary

Reviews. Data Mining and Knowledge Discovery, vol. 9, n.° 3, 2019, pp. 1 a 14.

34 Pavel Berkhin. “A survey of clustering data mining techniques”, en Grouping multidimen-

sional data, Berlin-Heidelberg, Springer, 2006, pp. 25 a 71; Manoj Kr. Gupta y Pravin

Chandra, P. “A comparative study of clustering algorithms”, en 2019 6^thInternational

Conference on Computing for Sustainable Global Development (indiacom), New Delhi, ieee

Xplore, 13-15 March, 2019, pp. 801 a 805.

Las aplicaciones de cumplimiento de la ley en la lucha contra

el crimen se examinan bajo dos títulos, a saber, preventivas y reac-

35 Rutkowski, Jaworski y Duda. Stream data mining: Algorithms and their probabilistic pro-

perties, cit.

36 Mukhopadhyay, Maulik, Bandyopadhyay y coello coello. “A survey of multiobjective

evolutionary algorithms for data mining: Part I”, cit.; raMin GhorBani y rouzBeh Ghousi.

“Predictive data mining approaches in medical diagnosis: A review of some diseases predic-

tion”, en International Journal of Data and Network Science, vol. 3, 2019, pp. 47 a 70, dispo-

nible en [https://www.growingscience.com/ijds/V o l3/ijdns_2019_12.pdf].

37 Wai Ting Eric Ngai, Li Xiu y Dorothy C. K. Chau. “Application of data mining techniques

in customer relationship management: A literature review and classification”, Expert

Systems with Applications, vol. 36, n.° 2, March 2009, pp. 2.592 a 2.602, disponible en

[https ://dida w i k i .di .unipi .it /lib /e x e /fetch .php /dm /crm _dm -survey .pdf]; Mittal, Goyal,

Hemanth y Sethi. “Clustering approaches for high-dimensional databases: A review”, cit.

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

34

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

35

tivas (en otras palabras, judiciales)³⁸. Las investigaciones reactivas

de delitos tienen como objetivo identificar elementos como los auto-

res desconocidos o la víctima del delito después de que este se haya

cometido. Estas investigaciones se llevan a cabo con el apoyo de la

investigación de la escena del crimen. Las investigaciones preventi-

vas de delitos implican la sensibilización de las víctimas de delitos

disuadiendo a los delincuentes con operaciones anticrimen eficaces

antes de que se cometa el delito. Además, el concepto de análisis del

delito es más importante en las medidas preventivas, esto se debe a

que es un concepto en el que se detectan los delitos existentes y las

tendencias delictivas y también se consideran las posibles medidas a

adoptar.

El uso del crimen en la minería de datos a través del aprendizaje

automático, la identificación, clasificación y agrupación como patro-

nes también es uno de los temas importantes en varias disciplinas

científicas y de ingeniería como biología, química, física, psicología,

medicina y información para examinar la evidencia, etc. Esto se debe

a que las investigaciones criminales son multidisciplinarias³⁹.

En distintas ramas de la ciencia que utilizan elementos crimina-

les, algunos ejemplos de uso son los siguientes:

– Examen de las muestras sujetas a comparación con grabaciones

de voz y video pasadas dentro del ámbito de los exámenes forenses

de audio y video⁴⁰;

– Dentro del ámbito de la contabilidad forense, transferencias de

dinero inusuales o transferencias de dinero que sean compatibles con

la cantidad sujeta al delito;

– Investigación de la conexión de transacciones realizadas en una

computadora, internet, redes sociales, teléfono móvil, etc., con delitos

cometidos dentro del ámbito de la informática forense⁴¹;

– En las actividades de prevención del delito que se llevan a cabo

en el ámbito de la criminología, como el análisis del delito, la elabo-

ración de perfiles de víctimas y sospechosos, las regiones donde la

delincuencia es intensa, etc⁴².

Como se puede ver en los ejemplos de áreas de uso anteriores,

los conceptos de big data y minería de datos son parte de un área

multidisciplinaria. Su uso aumenta cada día que pasa, aunque no al

nivel deseado, por este motivo, se ofrecen algunos ejemplos de áreas

de uso de la minería de datos y el aprendizaje automático bajo los

siguientes títulos principales.

– Examen de cartas manuscritas y firmas pasadas con ejemplos

comparativos tomados de certificados legales y documentación;

– Procedimientos de comparación de muestras biológicas exis-

tentes como una uña, sangre y hueso con bases de datos existentes

dentro del ámbito de la biología forense;

– En escenas donde ocurrieron accidentes graves, reestructura-

ción del área con el objetivo de encontrar razones de esos accidentes

dentro del ámbito de la gestión del tráfico y aplicaciones;

– Identificación de una sustancia dentro del ámbito de la química

forense, en especial, sus derivados relacionados con el crimen, como

las drogas,

A. Corrupción y fraude en cuentas bancarias

El concepto de corrupción, falsificación y fraude es uno de los delitos

más difíciles de prevenir por parte de las fuerzas del orden. Es muy

difícil identificar el delito en su fase inicial, ya que cada tipo de falsi-

ficación emergente tiende a engañar a la gente con nuevas técnicas.

Además, los conceptos de corrupción y fraude se vuelven cada vez

más complejos con los avances tecnológicos⁴³. Junto con el sufrimien-

40 Darren Quick y Kim-Kwang Raymond Choo. “Big forensic data reduction: Digital foren-

sic images and electronic evidence”, Cluster Computing, vol. 19, n.° 2, 2016, pp. 723 a 740.

41 Idem.

42 Janet Chan y Lyria Bennett Moses. “Making sense of big data for security”, en The British

Journal of Criminology, vol. 57, n.° 2, March 2017, pp. 299 a 319, disponible en [https ://

uploads -ssl .w eb f lo w.com /5 cd 23 e 823 ab 9 b 1 f 01 f 815 a 54/5 cff 2 fe 1 af 68 c 502 e 4474 e 4 b _

M a k ing %20S ense %20 of %20B ig %20D ata %20 for %20S ecurity .pdf].

43 Duen Horng Chau, Shashank Pandit y Christos Faloutsos. “Detecting fraudulent per-

sonalities in networks of online auctioneers”, en European Conference on Principles of

Data Mining and Knowledge Discovery, pp. 103 a 114, Berlin-Heidelberg, Springer, 2006,

disponible en [https ://lin k.springe r .com /content /pdf /10.1007/11871637_14.pdf].

38 Curtis Clarke. “Proactive policing: Standing on the shoulders of community-based poli-

cing”, en Police Practice and Research, vol. 7, n.° 1, March 2006, pp. 3 a 17.

39 Hossein Hassani, Xu Huang, Emmanuel Sirimal Silva y Mansi Ghodsi. “A review of

data mining applications in crime”, en Statistical Analysis and Data Mining, The asa Data

Science Journal, vol. 9, n.° 3, April 2016, disponible en [https ://www.researchgate .net /

publication /301579904_A_R evie w_of _D ata _M ining _A pplications _in _C rime].

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

36

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

37

to injusto, la confianza en el Estado, y en especial en las unidades de

seguridad afiliadas al Estado, se ve comprometida en la sociedad y la

gente se ve afectada en forma negativa.

los patrones de comportamiento habituales de estos ayudará a identi-

ficar cualquier nueva actividad sospechosa. En este contexto, existen

modelos exitosos de aprendizaje automático y aprendizaje profundo

en la literatura, en especial en tarjetas de crédito y cuentas banca-

rias⁴⁶.

Con el desarrollo de la tecnología, es un hecho conocido hoy en

día que el dinero tangible se ha convertido en dinero virtual debido

a la facilidad de uso de los bancos e incluso se han creado extractos

de dinero en cantidades reales mediante transacciones virtuales. En

el caso de los datos de transferencias de dinero, en la mayoría de los

países del mundo los problemas se presentan solo cuando se trata de

grandes cantidades; los bancos comparten la información necesaria

con las autoridades judiciales pertinentes, por lo que, de hecho, se uti-

liza la minería de datos⁴⁴. Sin embargo, notificar a las autoridades ju-

diciales las transferencias de dinero sospechosas, que se repiten con

frecuencia, incluso en pequeñas cantidades, facilitará la detección de

transacciones ilegales desde el principio⁴⁵.

Dado que las transacciones bancarias que realizamos a diario

ocurren con bastante frecuencia y en diferentes cantidades, si bien no

es fácil identificar los elementos que pueden ser delictivos en las ba-

terías de big data, es posible determinar los valores que pueden con-

siderarse sospechosos mediante análisis algorítmicos apropiados.

Por esta razón, con trabajos de aprendizaje automático realizados en

el ámbito de la minería de datos, se pueden detectar transferencias de

dinero regulares a una cuenta desde múltiples cuentas o a múltiples

cuentas fantasma desde una cuenta y examinar estas transacciones

como operaciones sospechosas permite una detección más rápida

del delito. Si se detecta un delito en operaciones sospechosas, se in-

volucrarán unidades de aplicación de la ley forense, si no se detecta

ningún delito, se llevará a cabo una acción de aplicación de la ley pre-

ventiva, lo cual es importante en la prevención del delito. Además, la

comparación de los datos estadísticos de los clientes en el banco con

B. Uso de los datos básicos y del c

onocimiento sobre teléfonos móviles

Con el uso de teléfonos móviles en todo el mundo, que alcanza el 68%

de la población, sobre todo en los países desarrollados, es obvio que la

proporción es bastante alta⁴⁷. Podemos decir que los teléfonos móvi-

les son parte de nuestras vidas, ya que los datos estadísticos también

revelan que son comunes. Al tener en cuenta que el tiempo medio de

uso del teléfono móvil en Europa es de 251 minutos al mes, se puede

decir que existe una alta tasa de uso del teléfono móvil⁴⁸.

El uso del teléfono móvil proporciona mucha información, como

con quién y con qué frecuencia nos comunicamos en la vida diaria y

en qué coordenada geográfica el teléfono recibe la estación base de

la empresa gsm (Sistema Global para Comunicaciones Móviles) per-

tinente. Además, es posible realizar llamadas frecuentes durante el

día y cada una de ellas crea baterías de datos en diferentes interva-

los de tiempo. Estas baterías se denominan por su sigla en inglés hts

46 Aderemi O. Adewumi y Andronicus A. Akinyelu. “A survey of machine-learning and

nature-inspired based credit card fraud detection techniques”, en International Journal

of System Assurance Engineering and Management, vol. 8, n.° 2, November 2017, pp.

937 a 953, disponible en [https ://lin k.springe r .com /article /10.1007/s 13198-016-

0551-y]; Johan Perols. “Financial statement fraud detection: An analysis of statisti-

cal and machine learning algorithms”, Auditing: A Journal of Practice & Theory, vol. 30,

n.° 2, May 2011, pp. 19 a 50, disponible en [https ://www.researchgate .net /publica -

tion /256045322_F inancial _S tatement _F raud _D etection _A n _A nalysis _of _S tatistical _and _

M achine _L earning _A lgorithms]; Abhimanyu Roy, Jingyi Sun, Robert Mahoney, Loreto

Alonzi, Stephen Adams y Peter Beling. “Deep learning detecting fraud in credit card

transactions”, en 2018 Systems and Information Engineering Design Symposium, Oxford,

ieee, 2018, pp. 129 a 134.

47 Simon Kemp. “Digital in 2018: World’s Internet users pass the 4 billion mark”, en

London, We are social, 30 January 2018, disponible en [https ://w earesocial .com /u k/

blog /2018/01/global -digital -report -2018/].

48 Ajans Press. “Türkiye cep telefonuyla konuşmada Avrupa birincisi”, en cnnt u rk .com,

29 de noviembre de 2017, disponible en [https ://www.cnntur k.com /te k noloji /tur k i -

ye -cep -telefonuyla -k onusmada -avrupa -birincisi -705837].

44 James Osabuohien Odia y Osahemi Thaddeus Akpata. “Role of Data Science and Data

Analytics in Forensic Accounting and Fraud Detection”, en Bhushan Patil y Manisha

Vohra (eds.). Handbook of Research on Engineering, Business, and Healthcare Applications

of Data Science and Analytics, 2020, Hershey, PA, igi Global, 2020, pp. 203 a 227.

45 Sunday C. Agu, Ifeyinwa Ajah y Walter E. Ibe. “Impact of Human Character and

Information System on Corruption Risk in Nigeria”, en International Journal of Scientific

Research and Engineering Development, vol. 2, n.° 4, July-August 2019, pp. 481 a 485, dis-

ponible en [https ://www.madonnauniversity .edu .ng /w p -content /uploads /2019/09/

IJSRED-V2I4P50-S unday -A gu .pdf].

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

38

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

39

(Búsqueda de Tráfico Histórico) (en algunas fuentes se las denomina

“Registro de Datos de Llamadas” –cdr–)⁴⁹y proporcionan el conoci-

miento sobre las llamadas realizadas por las personas en sus teléfo-

nos, incluida información como la persona que llama, la persona lla-

mada, la hora de la llamada, su duración, ubicación y estaciones base

recibidas⁵⁰. De esta forma, a partir de estos datos sin sentido es posi-

ble determinar la posición aproximada de la persona en el momento

del crimen y establecer la relación entre el sospechoso y la escena del

crimen. El programa del paquete I2 (i dos) desarrollado por ibm para

este análisis es muy utilizado para fines de análisis⁵¹.

Figura 3. Ejemplo de registro de hts

Cuando se examinan las investigaciones criminales, los sospecho-

sos suelen ser personas que rodean a la víctima y que tienen relación

con ella⁵². Por lo general, existe una relación entre el sospechoso y la

víctima, ya que un crimen no se comete sin una razón. Las enferme-

dades mentales como la psicopatía son una excepción a esta relación.

Uno de los hallazgos que revelan esta relación es el conocimiento de

entrevistas pasadas y el tráfico de la última llamada antes del evento,

en especial cuando la víctima resulta herida, a menudo puede arrojar

luz sobre el evento. En este contexto, existen modelos exitosos en la

literatura, en lo referente al uso de teléfonos móviles⁵³.

Como se indica en la figura 3, el análisis de hts es muy importante en

lo que respecta al desarrollo de la dimensión de relación, sobre todo

en las organizaciones del crimen organizado. Por ejemplo, si bien uno

puede afirmar que se le llama por error en una llamada única de diez

segundos por el número X dentro de un período de dos meses, será in-

coherente afirmar que también se le llama por error durante un total

de 590 horas en 47 llamadas realizadas por el número Y.

49 John Steenbruggen, Emmanouil Tranos y Peter Nijkamp. “Data from mobile phone

operators: A tool for smarter cities?”, Telecommunications Policy, vol. 39, n .^os3 y 4, May

2015, pp. 335 a 346.

50 Danah Boyd y Kate Crawford. “Critical questions for big data: Provocations for a cultu-

ral, technological and scholarly phenomenon”, en Information, Communication & Society,

vol. 15, n.° 5, January 2012, pp. 662 a 679, disponible en [https ://www.researchgate .net /

publication /281748849_C ritical _q uestions _for _big _data _P rovocations _for _a _cultural _te -

chnological _and _scholarly _phenomenon].

C. Hallazgos como huellas dactilares y adn en escenas del crimen

51 XinLi, BingLiuy PhilipS. Yu. “Discoveringoverlappingcommunitiesofnamedentities”, en

Knowledge Discovery in Databases: pkdd 2006, pp. 593 a 600, Berlin-Heidelberg, Springer,

2006, disponible en [https ://lin k.springe r .com /chapter /10.1007/11871637_60];

Christopher Tassone, Ben Martini y Kim-Kwang Raymond Choo. “Forensic visua-

lization: Survey and future research directions”, en Kim-Kwang Raymond Choo y Ali

Dehghantanha (eds.). Contemporary Digital Forensic Investigations of Cloud and Mobile

Applications, Cambridge, MA, Syngress, 2017, pp. pp. 163 a 184.

Algunos hallazgos detectados en la escena del crimen son bastante

importantes para la identificación particular, tanto las huellas dac-

tilares como las muestras de adn tienen una importancia separada

debido al hecho que proporcionan detección para no dejar lugar a

sospechas⁵⁴. Las huellas dactilares comienzan a formarse en los hu-

52 Nick Tilley y Aiden Sidebottom. Handbook of crime prevention and community safety,

New York, Routledge, 2017.

53 Li He, Antonio Páez, Jianmin Jiao, Ping An, Chuntian Lu, Wen Mao y Dongpin Long.

“Ambient Population and Larceny-Theft: A Spatial Analysis Using Mobile Phone Data”,

isprs International Journal of Geo-Information, vol. 9, n.° 6, 2020, disponible en [ht -

tps ://www.mdpi .com /2220-9964/9/6/342/pdf ?version =1591598730]; Martin W.

Traunmueller, Giovanni Quattrone y Licia Capra. “Mining mobile phone data to in-

vestigate urban crime theories at scale”, en International Conference on Social Informatics,

pp. 396 a 411, Cham (Switzerland), Springer, 2014.

54 Erkan Bostanci. “3D reconstruction of crime scenes and design considerations for an

interactive investigation tool”, en International Journal of Information Security Science,

vol. 4, n.° 2, 2015, pp. 50 a 58, disponible en [https ://dergipar k.org .tr /en /do w nload /

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

40

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

41

manos cuando todavía son fetos. Estas se utilizan para identificar a las

personas porque son únicas. En otras palabras, no hay dos personas

que tengan exactamente las mismas huellas dactilares, por lo que se

utilizan con fines de identificación.

Si bien las líneas papilares principales son las mismas, las le-

siones dejan marcas en la punta del dedo, pero la estructura carac-

terística principal es siempre la misma⁵⁵. Todos los datos de huellas

dactilares en cuestión constituyen la batería de datos. En los casos fo-

renses, las identidades de los sospechosos se detectan al hacer uso de

los hallazgos de huellas dactilares tomadas en la escena del crimen,

siempre que sea posible.

de datos, aquí presenta a los expertos las muestras de huellas dac-

tilares más similares del conjunto de datos mediante algoritmos de

aprendizaje automático⁵⁷. En este contexto, existen modelos exitosos

de aprendizaje automático y aprendizaje profundo en la literatura, en

especial, en el reconocimiento y clasificación de huellas dactilares⁵⁸.

Al comparar el adn con la base de datos, como en el ejemplo de

las huellas dactilares, si hay datos similares en el conjunto de datos

que contiene muestras de adn tomadas antes, se envían a los exper-

tos para su revisión⁵⁹. La única desventaja del adn es que las mues-

tras son idénticas en los gemelos monocigóticos. Existen modelos de

aprendizaje automático y aprendizaje profundo exitosos en la litera-

tura, sobre todo en adn⁶⁰.

Figura 4. Visualización de la pantalla de interrogación del Sistema

Automático de Identificación de Huellas Dactilares –afis–

D. Elaboración de normas a partir de estadísticas

delictivas y estimación de tendencias delictivas futuras

El análisis de la información estadística sobre delincuencia es una

práctica que implica revelar tendencias delictivas mediante la identi-

ficación de delitos existentes y también tomar las precauciones nece-

57 Khin Nandar Win, Kenli Li, Jianguo Chen, Philippe Fournier Viger y Keqin Li.

“Fingerprint classification and identification algorithms for criminal investigation: A sur-

vey”, en Future Generation Computer Systems, vol. 110, September 2020, pp. 758 a 771.

58 Diaa M.Uliyan, Somayeh Sadeghi y Hamid A. Jalab. “Anti-spoofing method for finger-

print recognition using patch based deep learning machine”, en Engineering Science and

Technology, an International Journal, vol. 23, n.° 2, 2020, pp. 264 a 273, disponible en

[https ://www.sciencedirect .com /journal /engineering -science -and -technology -an -in -

ternational -journal /vol /23/issue /2]; M. Arif Wani, Farooq Ahmad Bhat, Saduf Afzal y

Asif Iqbal Khan. “Application of Supervised Deep Learning in Fingerprint Recognition”,

en Advances in Deep Learning, Singapore Springer, 2020, pp. 111 a 132, disponible en

[https ://www.researchgate .net /publication /331790153_S upervised _D eep _L earning _

in _F ingerprint _R ecognition]; Bhavesh Pandya, Georgina Cosma, Ali A. Alani, Aboozar

Taherkhani, Vinayak Bharadi y Thomas Martin McGinnity. “Fingerprint classifica-

tion using a deep convolutional neural network”, en 2018 4^thInternational Conference on

Information Management, Oxford, ieee, 2018, pp. 86 a 91.

La Figura 4 muestra una comparación de huellas dactilares en la

base de datos del Sistema Automático de Identificación de Huellas

Dactilares –afis–⁵⁶. El sistema mencionado antes escanea la nueva

huella dactilar cargada en su memoria y la transfiere a su propia base

59 Hongyan Xu. “Big data challenges in genomics”, en Arni S. R. Srinivasa Rao y Calyampudi

Radhakrishna Rao (eds.). Handbook of Statistics, vol. 43, “Principles and Methods for

Data Science”, Amsterdam, Elsevier, 2020, pp. 337 a 348.

60 Mohammed Aledhari, Marianne Di Pierro, Mohamed Hefeida y Fahad Saeed. “A deep

learning-based data minimization algorithm for fast and secure transfer of big genomic

datasets”, en ieee Transactions on Big Data, vol. 7, n.° 2, 2018; Pui Yin Lau y Wing Kam

Fung. “Evaluation of marker selection methods and statistical models for chronological

age prediction based on dna methylation”, en Legal Medicine, vol. 47, November 2020.

article -f ile /147970]; David B.Wilson, David McClure y David Weisburd. “Does forensic

dna help to solve crime? The benefit of sophisticated answers to naive questions”, en

Journal of Contemporary Criminal Justice, vol. 26, n.° 4, 2010, pp. 458 a 469.

55 Monowar Hussain Bhuyan, Sarat Saharia y Dhruba Kr Bhattacharyya. “An effective

method for fingerprint classification”, en International Arab Journal of e-Technology, vol.

1, n.° 3, January 2010, pp. 89 a 97, disponible en [https ://ar x iv .org /pdf /1211.4658].

56 Commission. Kriminalistik, Ankara, Gendarmerie and Coast Guard Academy, 2017.

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

42

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

43

sarias contra dichos delitos⁶¹, porque el delito es un comportamiento

aprendido en general, también “el pasado es el presagio del futuro”

para la predicción de delitos futuros⁶². La detección de conductas de-

lictivas en la lucha contra el delito es el tema más importante de la

criminología. La conducta delictiva suele surgir como resultado de

diferentes motivaciones delictivas. Los sentidos son los puntos de

contacto que conectan a los individuos con el mundo social, muchos

comportamientos psicológicos –como el comportamiento egoísta y la

violencia– surgen junto con el mundo social. La identificación y cate-

gorización de estos comportamientos implica una comprensión del

estado emocional del propio sospechoso y de la sociedad que lo in-

cluye⁶³. Por esta razón, las estadísticas sobre delincuencia son impor-

tantes y se han desarrollado modelos que incluyen una gama de áreas

dinámicas micro o macro que predicen el comportamiento delictivo

con modelos de este tipo hipotéticos y experimentales para compren-

der el delito⁶⁴. Sin embargo, el principal problema de los datos sobre

delincuencia es que se presentan en forma de una pila de datos com-

pleja y grande antes del análisis. Con los métodos de análisis esta-

dístico-ordinarios, no siempre es fácil obtener conocimiento en este

caos, incluso con la adición de variables dependientes e independien-

tes que están en una posición específica e interactúan con otras. Por

esta razón, la recuperación de conocimiento significativo de dicha pila

de datos es posible mediante el análisis de datos. El uso de técnicas

de minería de datos brinda la capacidad de tomar medidas proactivas

contra las actividades delictivas y los posibles riesgos de seguridad⁶⁵.

Muchos estudios en criminología y sociología, con independen-

cia del tamaño del análisis específico que definen, proporcionan una

cantidad significativa de conocimiento sobre la densidad criminal a

niveles como la ubicación geográfica micro y macro, la estructura cri-

minal, etc., con el análisis de los datos sobre delincuencia en cuestión:

– Se dispone de conocimiento en muchos temas, como los tipos de de-

litos cometidos de manera principal y durante qué época se cometen

más delitos;

– Dónde se ubican los puntos críticos de delincuencia, Perfiles de sos-

pechosos;

– Perfiles de víctimas;

– Si existe una relación o correlación entre el tipo de delito y otras

variables;

– Estimación de las proporciones y frecuencia de las tasas de delin-

cuencia en el futuro.

61 Cheng Lei. “Legal Control over Big Data Criminal Investigation”, en Social Sciences in

China, vol. 40, n.° 3, 2019, pp. 189 a 204.

Los datos sobre delincuencia son un volumen de datos relativamente

grande. Por ejemplo, en 2019, las Fiscalías de la República de Turquía

(población: 83.154.997) recibieron 9.342.676 expedientes (transfe-

ridos desde el año anterior, el número total de expedientes recibidos

durante el año)⁶⁶. Cuando se examina esta cifra, se utilizan bastante

62 Hongjian Wang, Daniel Kifer, Corina Graif y Zhenhui Li. “Crime rate inference with

big data”, en Proceedings of the 22nd acm sigkdd International Conference on Knowledge

Discovery and Data Mining, New York, Association for Computing Machinery, 2016, pp.

635 a 644, disponible en [https ://dl .acm .org /doi /pdf /10.1145/2939672.2939736].

63 Umair Saeed, Muhammad Sarim, Amna Usmani, Aniqa Mukhtar, Abdul Basit

Shaikh y Sheikh Kashif Raffat. “Application of Machine learning Algorithms in Crime

Classification and Classification Rule Mining”, en Research Journal of Applied Sciences,

vol. 4, n.° 3, March 2015, pp. 106 a 114, disponible en [https ://www.researchgate .

net /publication /344099883_A pplication _of _M achine _learning _A lgorithms _in _C rime _

C lassi f ication _and _C lassi f ication _R ule _M ining].

65 Mingchen Feng, Jiangbin Zheng, Jinchang Ren, Amir Hussain, Xiuxiu Li, Yue Xi y

Qiaoyuan Liu. (2019). “Big data analytics and mining for effective visualization and

trends forecasting of crime data”, en ieee Access, vol. 7, 2019, pp. 106 a 123, disponible

64 Thom Snaphaan y Wim Hardyns. “Environmental criminology in the big data era”, en

European Journal of Criminology, vol. 18, n.° 5, October 2019, disponible en [https ://

www.researchgate .net /publication /336352488_E nvironmental _criminology _in _the _

big _data _era]; Elena Bulgakova, Vladimir Bulgakov, Igor Trushchenkov, Dmitry

Vasilev y Evgeny Kravets. “Big data in investigating and preventing crimes”, en Alla G.

Kravets (ed.). Big Data-driven World: Legislation Issues and Control Technologies, pp. 61

a 69, Cham (Switzerland), Springer, 2019.

en

[https ://www.researchgate .net /publication /334617796_B ig _D ata _A nalytics _and _

M ining _for _E ffective _V isualization _and _T rends _F orecasting _of _C rime _D ata].

66 Turkish Ministry of Justice. Judicial Statistics 2019, Ankara, Turkish Statistical

Institute –tüik–, disponible en [https ://data .tui k.gov .tr /K ategori /G et K ategori ?p =adalet -

ve -secim -110&dil =2]; Turkish Statistical Institute –tüik–. “The Results of Address

Based Population Registration System, 2019”, disponible en [https ://data .tui k.gov .tr /

bulten /inde x?p =adrese -dayali -nufus -k ayit -sistemi -sonuclari -2019-33705#:~:text=-

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

44

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

45

las técnicas de minería de datos para el análisis de los correspondien-

tes a delincuencia, basadas en la agrupación en clústeres.

des diarias. Al aumentar la cantidad de dispositivos tecnológicos que

poseen, las personas han llegado al punto en que pueden acceder a

Internet en cualquier momento, con dispositivos como computadoras

portátiles, tabletas y teléfonos móviles, ya sea en el espacio privado o

en el espacio público.

Internet y las redes sociales han transformado la forma en que las

personas se comunican y socializan, por lo tanto, los entornos virtua-

les se han convertido en plataformas populares para la comunicación.

En un mundo en el que las personas utilizan cada vez más Internet y

las redes sociales, la cantidad de datos que se utilizan aumenta día a

día⁶⁹.

Este tipo de clasificación de sospechas razonables solo es posible

con el tipo de actividad de predicción y elaboración de normas que

está disponible a través de la minería de datos. Dicha actividad pro-

porcionará aquellos que expliquen el delito que se revelará. En cada

delito, la determinación del perfil del delito con los modos de acción

objetivos que se presentarán a partir de los datos será el concepto

más importante en la lucha contra el delito⁶⁷. Estudios sobre aprendi-

zaje automático y aprendizaje profundo exitosos están disponibles en

la literatura, sobre todo en el modelo de predicción del delito⁶⁸.

Con la aparición de Internet y las redes sociales como plataforma

social, se ha observado un aumento de los delitos cometidos a tra-

vés de Internet y las redes sociales en los últimos años, en particu-

lar, delitos como la pornografía infantil, el acoso cibernético, el acoso

(laboral o sexual), los insultos, el fraude en Internet y el terrorismo

cibernético⁷⁰. En ocasiones, las redes sociales pueden utilizarse para

organizar acciones humanas contra el Gobierno actual, como se vio en

la Primavera Árabe y las protestas de Gezi (Turquía). En estos even-

tos, la organización de las protestas se logró a través de Twitter y los

Gobiernos prohibieron Twitter. Se afirma que un sistema desarro-

llado para clasificar las cuentas de usuario como simpatizantes o no

simpatizantes logró una precisión del 90% al analizar las cuentas de

Twitter relacionadas con las protestas de Gezi⁷¹.

E. Análisis de los datos sujetos al

delito en Internet y las redes sociales

En la era de la información, los conceptos de tiempo y espacio se han

minimizado con la aparición y el desarrollo de Internet, se han produ-

cido cambios importantes en muchos campos, en especial en el cam-

po de la comunicación. Con estos cambios, las actividades de ocio y las

actitudes de las personas cambiaron, se descubrieron nuevos méto-

dos de comunicación y muchas empresas, sobre todo de periodismo,

educación, banca y servicios comerciales, comenzaron a operar en el

entorno virtual. La mayoría de los trabajos recientes muestran que el

uso de Internet se ha convertido en una rutina diaria y que las per-

sonas pasan mucho tiempo en la red para realizar muchas activida-

Las publicaciones realizadas a través de Internet y las redes so-

ciales también tienen un efecto en el esclarecimiento de los delitos. En

un estudio realizado en Estados Unidos, más del 80% de las unidades

de aplicación de la ley utilizan de manera activa las redes sociales⁷².

Türkiye%20nüfusu%2083%20milyon%20154%20bin%20997%20kişi%20oldu&tex-

t=Diğer%20bir%20ifadeyle%20toplam%20nüfusun,531%20bin%20180%20kişi%20

oldu.], Ankara, tüik, 2020.

67 Jin Soung Yoo. “Crime data warehousing and crime pattern discovery”, en Proceedings of

the Second International Conference on Data Science, E-Learning and Information Systems

2019, pp. 1 a 6, December 2019.

68 Richard Berk. “An impact assessment of machine learning risk forecasts on parole board

decisions and recidivism”, en Journal of Experimental Criminology, vol. 13, n.° 2, June 2017,

pp. 193 a 216; Mamta Mittal, Lalit Mohan Goyal, Duraisamy Jude Hemanth y Jasleen

Kaur Sethi. “Monitoring the impact of economic crisis on crime in India using machine

learning”, en Computational Economics, vol. 53, n.° 4, 2018, pp. 1.467 a 1.485, disponible

69 Agrahari y Rao. “A review paper on Big Data: Technologies, tools and trends”, cit.; Ateş,

Bostanci y Güzel. “Security Evaluation of Industry 4.0: Understanding Industry 4.0 on

the Basis of Crime, Big Data, Internet Of Thing (IoT) and Cyber Physical Systems”, cit.

70 Roland Heickerö. “Cyber terrorism: Electronic jihad”, en Strategic Analysis, vol. 38, n.° 4,

2014, pp. 554 a 565.

71 Üyesi Uraz Yavanoğlu, Medine Colak, Busra Caglar, Semra Cakir, Ozlem Milletsever

y Şeref Sağiroğlu. “Intelligent approach for identifying political views over social networ-

ks”, en 2013 12^thInternational Conference on Machine Learning and Applications, vol. 2, pp.

281 a 287, Oxford, ieee, 2013.

en

[https ://www.researchgate .net /publication /325000522_M onitoring _the _I mpact _

of _E conomic _C risis _on _C rime _in _I ndia _U sing _M achine _L earning]; Andrew P. Wheeler

y Wouter Steenbeek. “Mapping the risk terrain for crime using machine learning”, en

Journal of Quantitative Criminology, vol. 37, n.° 2, June 2021, pp. 445 a 480.

72 A. J. Guenther. “Role of Social Media in Law Enforcement Significant and Growing”, 2012,

disponible en [https ://patch .com /district -columbia /georgeto w n /an --role -of -social -me -

dia -in -la w-enforcement -signi f icaea 1 c 7 d 91 fd].

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

46

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

47

Aunque no existe un estudio estadístico claro relacionado con este

tema, Internet –en particular las redes sociales–, se utilizan en for-

ma activa para todo tipo de delitos, así como para investigaciones de

seguridad en la mayoría de los países del mundo. Por ejemplo, en un

caso forense que se considera un suicidio, la normalidad de las publi-

caciones de la persona levantará la sospecha de que puede tratarse

de un asesinato que se ha hecho parecer un suicidio, mientras que en

los delitos de terrorismo, las publicaciones de una persona que elogia

a una organización terrorista y comparte pensamientos e imágenes

del líder de la organización también levantarán sospechas de que esta

persona puede estar relacionada con la organización. Aparte de estos,

varias aplicaciones y programas en Internet, en especial los escaneos

de motores de búsqueda basados en contactos y las aplicaciones para

compartir contactos (como getcontact y truecaller) pueden respaldar

los datos sobre el crimen.

Además de los datos de Internet y de las redes sociales (normal-

mente llamados “servicios de redes sociales” –sns–) que se utilizan a

nivel personal, también se usan en tareas preventivas e informativas

en el marco general⁷³. Entre el 60 y el 80% de la información de inteli-

gencia del mundo se obtiene de fuentes abiertas, por lo que el análisis

de los datos de fuentes abiertas es cada vez más importante⁷⁴. Desde

los ataques terroristas del 11 de septiembre de 2001, las preocupa-

ciones sobre la seguridad nacional han aumentado bastante. Varias

unidades de inteligencia recopilan y analizan conocimientos sobre

diversos temas, más las actividades de los terroristas⁷⁵. Si se detec-

ta un delito, se puede volver a contactar a las unidades relacionadas

para que inicien procedimientos judiciales. En particular, a través de

herramientas de redes sociales que permiten buscar palabras clave,

también se puede examinar el intercambio general de temas de ac-

tualidad relevantes⁷⁶. Además, existen modelos exitosos de aprendi-

zaje automático y aprendizaje profundo en la literatura, en estudios

de Internet y redes sociales⁷⁷.

F. Uso de propiedades biométricas en el área de seguridad

La autenticación biométrica se utiliza para medir las propiedades fí-

sicas y conductuales de las personas. Se utiliza en diversas áreas de

seguridad, en particular, en la validación de identidad, al permitir que

dichos valores medibles se distingan mediante sistemas de automati-

zación⁷⁸. La propiedad más importante del concepto de biometría es

que solo se utilizan por sí mismos sin utilizar ningún objeto o dato en

las identificaciones.

Los sistemas biométricos se estudian en dos grupos: físicos (pa-

sivos) y conductuales (activos)⁷⁹. En la biometría física, se utilizan la

voz, el rostro, la geometría de la mano, la huella dactilar, el iris y la

retina, mientras que características como el estilo de escritura, la fir-

ma, los patrones de marcha y los movimientos de los labios durante

el habla se utilizan en la biometría conductual. En esencia, la biome-

tría física se basa en propiedades físicas fijas de un individuo que le

77 Rupa Ch, Thippa Reddy Gadekallu, Mustafa Haider Abidi y Abdulrahman Al-

Ahmari. “Computational System to Classify Cyber Crime Offenses Using Machine

Learning”, Sustainability, vol. 12, n.° 10, 2020, pp. 1 a 16, disponible en [https ://www.

mdpi .com /2071-1050/12/10/4087]; Matthew L.Williams, Pete Burnap, Amir Javed,

Han Liu y Sefa Ozalp. “Hate in the machine: Anti-Black and anti-Muslim social media

posts as predictors of offline racially and religiously aggravated crime”, en The British

Journal of Criminology, vol. 60, n.° 1, January 2020, pp. 93 a 117, disponible en [https ://

academic .oup .com /bjc /article /60/1/93/5537169]; Alina Ristea, Mohammad Al Boni,

Bernd Resch, Matthew Gerber y Michael Leitner. “Spatial crime distribution and

prediction for sporting events using social media”, International Journal of Geographical

Information Science, 2020, vol. 34, n.° 9, pp. 1 a 32, disponible en [https ://www.tand -

fonline .com /doi /full /10.1080/13658816.2020.1719495#d 1 e 339]; Amgat Muneer y

Suliman Mohamed Fati. “A Comparative Analysis of Machine Learning Techniques for

Cyberbullying Detection on Twitter”, Future Internet, vol. 12, n.°11, 2020, 187, disponible

en [https ://www.mdpi .com /1999-5903/12/11/187/pdf ?version =1604400347].

78 Lauren Stewart. “Big Data Discrimination: Maintaining Protection of Individual Privacy

without Disincentivizing Businesses’ Use of Biometric Data to Enhance Security”, Boston

College Law Review, vol. 60, n.° 1, 2019, 349 a 386, disponible en [https ://core .ac .u k/

reader /200222570].

73 Humaira Arshad, Aman Jantan y Oludare Esther Omolara. “Evidence collection and

forensics on social networks: Research challenges and directions”, enDigital Investigation,

vol. 28, March 2019, pp. 126 a 138.

74 David J. Power. “‘Big Brother’ can watch us”, en Journal of Decision Systems, vol. 25, n.°

51, (sup. 1), 2016, pp. 578 a 588, disponible en [https ://www.researchgate .net /publica -

tion /304031923_B ig _B rother _can _w atch _us]; Chen, Mao y Liu. “Big data: A survey”, cit.

75 Power. “‘Big Brother’ can watch us”, cit.

79 Shradha Tiwari, J. N. Chourasia y Vijai S. Chourasia. “A review of advancements in

biometric systems”, International Journal of Innovative Research in Advanced Engineering,

vol. 2, n.° 1, pp. 187 a 204, January 2015, disponible en [https ://www.ijirae .com /volu -

mes /V ol 2/iss 1/30.JAEC10091.pdf].

76 Lori Bowen Ayre y Jim Craner. “Open data: What it is and why you should care”, en

Public Library Quarterly, vol. 36, n.° 2, April 2017, pp. 173 a 184.

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

48

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

49

permiten distinguirse de otras personas⁸⁰. La biometría del compor-

tamiento se basa en aquellos que llevan a cabo personas distintas en-

tre sí en función de un fin concreto y en un momento determinado.

La fiabilidad de estos datos biométricos es muy alta en términos de

seguridad porque no son datos transferibles como ocurre con otros

métodos de validación.

Los ámbitos de la vida cotidiana en los que se pueden utilizar los

sistemas biométricos son por ejemplo, en los pasaportes o sistemas

de imagen, en el control de fronteras, en la videovigilancia, la identi-

ficación de delincuentes, el control de acceso, el inicio de sesión en

ordenadores, la verificación de usuarios en teléfonos inteligentes, el

escaneo de multitudes, el comercio electrónico, la banca electrónica,

la informática forense y los documentos de identidad.

La verificación biométrica es un método muy fiable porque utili-

za la minería de datos basada en el aprendizaje supervisado de patro-

nes. Además, el diseño y la simulación de dichos sistemas también se

simplifican mucho al utilizar sistemas nerviosos artificiales y técnicas

de procesamiento de señales. Al tener en cuenta sus aspectos positi-

vos de mayor validación de la identidad y seguridad, se espera que la

frecuencia de uso de la biometría aumente en un futuro próximo. En

la literatura se encuentran modelos exitosos de aprendizaje automá-

tico y aprendizaje profundo, sobre todo, en el uso de la biometría⁸¹.

V. Discusión

En las operaciones que se llevan a cabo sobre datos delictivos, la prio-

ridad es que los agentes de la ley actúen de forma proactiva y preven-

gan el delito antes de que se cometa. Si se previene el delito, no habrá

víctimas. Sin embargo, no es fácil intervenir en el momento en que se

producen las actividades delictivas. Además, como no se ha cometido

ningún delito, el culpable solo recibe un pequeño castigo por el inten-

to de acto. Se debe evitar la victimización, incluso si los sospechosos

recibirán un castigo menor. En este contexto, en los últimos años se

han llevado a cabo actividades de prevención del delito de gran éxi-

to, como en plataformas digitales, al utilizar algoritmos de aprendi-

zaje profundo que actúan sobre la base del aprendizaje automático.

La repetición de conductas delictivas cometidas por las mismas per-

sonas en los mismos lugares es un tema bien conocido en la teoría

de los puntos calientes y las actividades rutinarias⁸². Como resultado

del análisis de datos históricos delictivos con técnicas de minería de

datos, se pueden detectar estas repeticiones y se pueden establecer

políticas de prevención del delito exitosas.

Una vez que se ha cometido un delito, intervienen los agentes de

la ley. En esta etapa, la cuestión más importante es que cada contacto

dejará un rastro, como se afirma en el principio de intercambio de

Edmond Locard⁸³. Los rastros en cuestión son testigos silenciosos del

crimen. La escena del crimen puede ser un espacio físico o un espacio

virtual. A partir de la escena del crimen, se intenta establecer una re-

lación entre el sospechoso, la víctima, el incidente y la escena⁸⁴.

80 Ivan Martinovic, Kasper Rasmussen, Marc Roeschlin y Gene Tsudik. “Authentication

using pulse-response biometrics”, en Communications of the acm, vol. 60, n.° 2, 2017, pp.

108 a 115, disponible en [https ://dl .acm .org /doi /pdf /10.1145/3023359].

82 Guangwen Song, Wim Bernasco, Lin Liu, Luzi Xiao, Suhong Zhou y Weiwei Liao. “Crime

feeds on legal activities: Daily mobility flows help to explain thieves’ target location choi-

ces”, en Journal of Quantitative Criminology, vol. 35, n.° 4, December 2019, pp. 831 a 854,

disponible en [https ://lin k.springe r .com /content /pdf /10.1007/s 10940-019-09406-z .

pdf]; Shuyu Yao, Ming Wei, Lingyu Yan, Chunzhi Wang, Xinhua Dong, Fangrui Liu y

Ying Xiong. “Prediction of Crime Hotspots based on Spatial Factors of Random Forest”, en

The 15^thInternational Conference on Computer Science & Education, pp. 811 a 815, Oxford,

ieee, 2020.

83 Ewelina Mistek, Marisia Fikiet, Shelby R. Khandasammy y Igor K. Lednev. “Toward

locard’s exchange principle: recent developments in forensic trace evidence analysis”, en

Analytical chemistry, vol. 91, n.° 1, 2018, pp. 637 a 654, disponible en [https ://pubs .acs .

org /doi /10.1021/acs .analchem .8 b 04704].

81 Soša Adamović, Vladislav Miškovic, Nermanja Maček, Milan Milosavljević, Marko

Šarac, Muzafer Saračević y Milan Gnjatović. “An efficient novel approach for iris re-

cognition based on stylometric features and machine learning techniques”, en Future

Generation Computer Systems, vol. 107, June 2020, pp. 144 a 157; Shefali Arora,

M. P. S. Bhatia y Harshita Kukreja. “A Multimodal Biometric System for Secure User

Identification Based on Deep Learning”, en Advances in Intelligent Systems and Computing

Proceedingsof FifthInternationalCongressonInformationandCommunicationTechnology,

pp. 95 a 103, Singapore, Springer, 2020; Rohit Kumar Pandey, Yingbo Zhou, Bhargava

Urala Kota y Venu Govindaraju. “Learning Representations for Cryptographic Hash

Based Face Template Protection”, en Bir Bhanu y Ajay Kumar (eds.). Deep Learning for

Biometrics, Cham (Switzerland), Springer, 2017, pp. 259 a 285; Kalaivani Sundararajan

y Damon L. Woodard. “Deep Learning for Biometrics: A Survey”, ACM Computing Surveys,

vol. 51, n.° 3, 2018.

84 Jeroen Bode. “Every Contact Leaves a Trace: A Literary Reality of Locard’s Exchange

Principle”, Outside the Box: A Multi-Lingual Forum, vol. 9, n.° 1, June 2019. pp. 18 a 22,

disponible en [https ://otbforum .net /otb _forum _9-1/B ode _2019_otb _forum _9-1.pdf].

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

50

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

51

Debido al desarrollo de la tecnología en los últimos años, el pro-

que permite a las autoridades judiciales tomar algunas determinacio-

nes para desarrollar una hipótesis sujeta a delito.

cesamiento de big data y los resultados rápidos basados en el apren-

dizaje automático han hecho una gran contribución en la resolución

de casos criminales, mucho mayor que la lograda por el poder huma-

no⁸⁵. En las operaciones realizadas sobre datos criminales, hacer infe-

rencias significativas constituye evidencia, que es la base fundamen-

tal de las autoridades judiciales en el proceso judicial. Las decisiones

tomadas sobre la base de la evidencia no dejarán dudas en la mente

de nadie y aumentarán la confianza de la sociedad en las autoridades

judiciales.

El objetivo de este artículo fue proporcionar una descripción de

las aplicaciones de la minería de datos en las áreas de criminología y

criminalística. Los ejemplos dados en la sección de aplicaciones son

solo algunas de las principales áreas de aplicación y no es posible li-

mitar el tema del delito a estos ejemplos. Los autores esperan y pre-

dicen que estos métodos se utilizarán bastante tanto en un sentido

preventivo como reactivo en la lucha contra el delito.

Bibliografía

VI. Conclusión

Abdullah, Noraini; Saiful Adli Ismail, Siti Sophiayati y Suriani Mohd Sam. “Data quality

in big data: A review”, en International Journal of Advances in Soft Computing & Its

Applications, vol. 7, n.° 3, November 2015, pp. 16 a 27, disponible en [https ://www.i -csrs .

org /V olumes /ijasca /IJASCA-SI-070302_P g 16-27_D ata -Q uality -in -B ig -D ata -A-R evie w.

pdf].

El crimen es uno de los problemas a los que se ha enfrentado la socie-

dad a lo largo de la historia de la humanidad, por esta razón, muchas

áreas de la ciencia han propuesto diversos métodos y tácticas para

combatir los delitos existentes. El concepto de crimen se ha transfor-

mado a lo largo de la historia de la humanidad, junto con cada nuevo

método de lucha contra el crimen, pero en su esencia, se ha manteni-

do como un fenómeno que causa daño a la otra parte. Por esta razón,

cada sociedad lleva a cabo operaciones que ayudan a la determinación

del perfil criminal responsable de los actos delictivos, la detección de

las causas del delito, la prevención de estos, la lucha contra ellos, la

exposición a delitos particulares y los lugares donde se cometen.

Con el desarrollo de la tecnología, tenemos una gran cantidad de

datos que no podemos utilizar en muchas materias, experimentamos

dificultades en la clasificación de esta cantidad cada vez mayor de da-

tos. Los delictivos relacionados con la criminología y la criminalidad

son los principales, por esta razón, el proceso de minería de datos

es muy importante, porque lo que importa es la recuperación de co-

nocimiento significativo. Además de la minería de datos, junto con el

desarrollo de conceptos como la inteligencia artificial, el aprendizaje

automático y los avances tecnológicos, las fuerzas de seguridad han

aumentado su trabajo en esta área. Los datos digitales obtenidos de

estas áreas se combinan con los datos obtenidos del mundo físico, lo

Adamović, Soša; Vladislav Miškovic, Nermanja Maček, Milan Milosavljević, Marko

Šarac, Muzafer Saračević y Milan Gnjatović. “An efficient novel approach for iris

recognition based on stylometric features and machine learning techniques”, en Future

Generation Computer Systems, vol. 107, June 2020, pp. 144 a 157.

Adewumi, Aderemi O. y Andronicus A. Akinyelu. “A survey of machine-learning and nature-

inspired based credit card fraud detection techniques”, en International Journal of System

Assurance Engineering and Management, vol. 8, n.° 2, November 2017, pp. 937 a 953,

disponible en [https ://lin k.springe r .com /article /10.1007/s 13198-016-0551-y].

Aggarwal, Charu C. Machine learning for text, Cham, Springer, 2018.

Agrahari, Anurag y Dharmaji Rao. “A review paper on Big Data: Technologies, tools and

trends”, en International Research Journal of Engineering and Technology, vol. 4, n.° 10,

October 2017, pp. 640 a 649, disponible en [https ://www.irjet .net /archives /V4/i 10/

IRJE T -V4I10112.pdf].

Agu, Sunday C.; Ifeyinwa Ajah y Walter E. Ibe. “Impact of Human Character and Information

System on Corruption Risk in Nigeria”, en International Journal of Scientific Research

and Engineering Development, vol. 2, n.° 4, July-August 2019, pp. 481 a 485, disponible

en

[https ://www.madonnauniversity .edu .ng /w p -content /uploads /2019/09/IJSRED-

V2I4P50-S unday -A gu .pdf].

Ahmed, Adel. “‘From Data to Wisdom’ Using Machine Learning Capabilities in Accounting

and Finance Professionals”, en Talent Development & Excellence, n.° 12, 2020.

Ajans Press. “Türkiye cep telefonuyla konuşmada Avrupa birincisi”, en cnnt u rk .com, 29 de

noviembre de 2017, disponible en [https ://www.cnntur k.com /te k noloji /tur k iye -cep -te -

lefonuyla -k onusmada -avrupa -birincisi -705837].

85 Coleen McCue. Data mining and predictive analysis: Intelligence gathering and crime

analysis, Oxford, Butterworth- Heinemann, 2014.

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

52

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

53

Akdemir, Naci y Christopher James Lawless. “Exploring the human factor in cyber-enabled

and cyber-dependent crime victimisation: A lifestyle routine activities approach”, en

Internet Research, vol. 30, n.° 6, June 2020, pp. 1665 a 1687, disponible en [https ://www.

semanticschola r .org /reader /f 2 d 52 e 0 caa 51 f 6 adb 42 acb 32 ace 0 f 305 b 44058 c 9].

Bhuyan, Monowar Hussain; Sarat Saharia y Dhruba Kr Bhattacharyya. “An effective

method for fingerprint classification”, en International Arab Journal of e-Technology, vol.

1, n.° 3, January 2010, pp. 89 a 97, disponible en [https ://ar x iv .org /pdf /1211.4658].

Blei, David M. y Padhraic Smyth. “Science and data science”, Proceedings of the National

Academy of Sciences, vol. 114, n.° 33, August 2017, pp. 8.689 a 8.692, disponible en

[https ://www.pnas .org /doi /epdf /10.1073/pnas .1702076114].

Aledhari, Mohammed; Marianne Di Pierro, Mohamed Hefeida y Fahad Saeed. “A deep

learning-based data minimization algorithm for fast and secure transfer of big genomic

datasets”, en ieee Transactions on Big Data, vol. 7, n.° 2, 2018.

Bock, Frederic E.; Roland C. Aydin, Christian J. Cyron, Norbert Huber, Surya R. Kalidindi

y Benjamin Klusemann. “A review of the application of machine learning and data

mining approaches in continuum materials mechanics”, en Frontiers in Materials, vol. 6,

May 2019, article 110, pp. 1 a 23, disponible en [https ://www.frontiersin .org /journals /

materials /articles /10.3389/fmats .2019.00110/full].

Arora, Shefali; M. P. S. Bhatia y Harshita Kukreja. “A Multimodal Biometric System for

Secure User Identification Based on Deep Learning”, enAdvances in Intelligent Systems and

Computing Proceedings of Fifth International Congress on Information and Communication

Technology, pp. 95 a 103, Singapore, Springer, 2020.

Arshad, Humaira; Aman Jantan y Oludare Esther Omolara. “Evidence collection and

forensics on social networks: Research challenges and directions”, enDigital Investigation,

vol. 28, March 2019, pp. 126 a 138.

Bode, Jeroen. “Every Contact Leaves a Trace: A Literary Reality of Locard’s Exchange

Principle”, Outside the Box: A Multi-Lingual Forum, vol. 9, n.° 1, June 2019. pp. 18 a 22,

disponible en [https ://otbforum .net /otb _forum _9-1/B ode _2019_otb _forum _9-1.pdf].

Ateş, Emre Cihan; Gazy Erkan Bostanci y Mehmet Serdar Güzel. “Big data, data mining,

Machine Learnig, and deep learning concepts in crime data”, enCeza Hukuku ve Kriminoloji

Dergisi-Journal of Penal Law and Criminology, vol. 8, n.° 2, 2020, pp. 293 a 319, disponible

en [https ://dergipar k.org .tr /en /do w nload /article -f ile /1354184].

Bostanci, Erkan. “3D reconstruction of crime scenes and design considerations for an

interactive investigation tool”, en International Journal of Information Security Science,

vol. 4, n.° 2, 2015, pp. 50 a 58, disponible en [https ://dergipar k.org .tr /en /do w nload /

article -f ile /147970].

Ateş, Emre Cihan; Gazy Erkan Bostanci y Mehmet Serdar Güzel. “Security Evaluation of

Industry 4.0: Understanding Industry 4.0 on the Basis of Crime, Big Data, Internet Of

Thing (IoT) and Cyber Physical Systems”, en Güvenlik Bilimleri Dergisi, (International

Security Congress Special Issue), n.° 9, February 2020, pp. 29 a 50, disponible en [https ://

www.researchgate .net /publication /339642922_S ecurity _E valuation _of _I ndustry _40_

U nderstanding _I ndustry _40_on _the _B asis _of _C rime _B ig _D ata _I nternet _of _T hing _I o T_

and _C yber _P hysical _S ystems].

Boyd, Danah y Kate Crawford. “Critical questions for big data: Provocations for a cultural,

technological and scholarly phenomenon”, en Information, Communication & Society, vol.

15, n.° 5, January 2012, pp. 662 a 679, disponible en [https ://www.researchgate .net /

publication /281748849_C ritical _q uestions _for _big _data _P rovocations _for _a _cultural _

technological _and _scholarly _phenomenon].

Bulgakova, Elena; Vladimir Bulgakov, Igor Trushchenkov, Dmitry Vasilev y Evgeny

Kravets. “Big data in investigating and preventing crimes”, en Alla G. Kravets (ed.).

Big Data-driven World: Legislation Issues and Control Technologies, pp. 61 a 69, Cham

(Switzerland), Springer, 2019.

Ayre, Lori Bowen y Jim Craner. “Open data: What it is and why you should care”, en Public

Library Quarterly, vol. 36, n.° 2, April 2017, pp. 173 a 184.

Beniwal, Sunita y Jitender Arora. “Classification and feature selection techniques in data

mining”, en International Journal of Engineering Research & Technology, vol. 1, n.° 6, August

2012, pp. 1 a 6, disponible en [https ://www.researchgate .net /publication /263662705_

C lassi f ication _and _feature _selection _techni q ues _in _data _mining].

Campbell, Colin y Yiming Ying. “Learning with support vector machines”, Synthesis Lectures

on Artificial Intelligence and Machine Learning, n.° 10, 1 a 83, San Rafael, CA, Morgan &

Claypool, 2011, disponible en [https ://digi -lib .ste k om .ac .id /assets /do k umen /eboo k/

feb _B8 y CN djg UA cti 5q dy U b B6L y V7949 c 7R eg DG g 8 ji Fk gj Sq d 8C_H v SSZE_1681201865.

pdf].

Berk, Richard. “An impact assessment of machine learning risk forecasts on parole board

decisions and recidivism”, en Journal of Experimental Criminology, vol. 13, n.° 2, June

2017, pp. 193 a 216.

Ch, Rupa; Thippa Reddy Gadekallu, Mustafa Haider Abidi y Abdulrahman Al-Ahmari.

“Computational System to Classify Cyber Crime Offenses Using Machine Learning”,

Sustainability, vol. 12, n.° 10, 2020, pp. 1 a 16, disponible en [https ://www.mdpi .

com /2071-1050/12/10/4087].

Berkhin, Pavel. “Asurveyofclusteringdataminingtechniques”, enGroupingmultidimensional

data, Berlin-Heidelberg, Springer, 2006, pp. 25 a 71.

Chan, Janet y Lyria Bennett Moses. “Making sense of big data for security”, en The British

Journal of Criminology, vol. 57, n.° 2, March 2017, pp. 299 a 319, disponible en [https ://

uploads -ssl .w eb f lo w.com /5 cd 23 e 823 ab 9 b 1 f 01 f 815 a 54/5 cff 2 fe 1 af 68 c 502 e 4474 e 4 b _

M a k ing %20S ense %20 of %20B ig %20D ata %20 for %20S ecurity .pdf].

Bhanu, Bir y Ajay Kumar (eds.). Deep Learning for Biometrics, Cham (Switzerland), Springer,

2017.

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

54

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

55

Chau, Duen Horng; Shashank Pandit y Christos Faloutsos. “Detecting fraudulent

personalities in networks of online auctioneers”, en European Conference on Principles of

Data Mining and Knowledge Discovery, pp. 103 a 114, Berlin-Heidelberg, Springer, 2006,

disponible en [https ://lin k.springe r .com /content /pdf /10.1007/11871637_14.pdf].

Hassani, Hossein; Xu Huang, Emmanuel Sirimal Silva y Mansi Ghodsi. “A review of data

mining applications in crime”, en Statistical Analysis and Data Mining, The asa Data

Science Journal, vol. 9, n.° 3, April 2016, disponible en [https ://www.researchgate .net /

publication /301579904_A_R evie w_of _D ata _M ining _A pplications _in _C rime].

Chen, Min; Shiwen Mao y Yunhao Liu. “Big data: A survey”, Mobile Networks and Applications,

He, Li; Antonio Páez, Jianmin Jiao, Ping An, Chuntian Lu, Wen Mao y Dongpin Long.

“Ambient Population and Larceny-Theft: A Spatial Analysis Using Mobile Phone Data”,

isprs International Journal of Geo-Information, vol. 9, n.° 6, 2020, disponible en [https ://

www.mdpi .com /2220-9964/9/6/342/pdf ?version =1591598730].

vol. 19, n.° 2, April 2014, pp. 171 a 209.

Choo, Kim-Kwang Raymond y Ali Dehghantanha (eds.). Contemporary Digital Forensic

Investigations of Cloud and Mobile Applications, Cambridge, MA, Syngress, 2017.

Heickerö, Roland. “Cyber terrorism: Electronic jihad”, en Strategic Analysis, vol. 38, n.° 4,

Clarke, Curtis. “Proactive policing: Standing on the shoulders of community-based policing”,

2014, pp. 554 a 565.

en Police Practice and Research, vol. 7, n.° 1, March 2006, pp. 3 a 17.

Hey, Jonathan. “The data, information, knowledge, wisdom chain: The metaphorical

Commission. Kriminalistik, Ankara, Gendarmerie and Coast Guard Academy, 2017.

link”, Intergovernmental Oceanographic Commission, 26, 2004, pp. 1 a 18, disponible

en

[https ://www.docsity .com /en /docs /the -data -information -k no w ledge -w isdom -

Cooper, Paul. “Data, information, knowledge and wisdom”, en Anaesthesia & Intensive Care

chain /9588737/].

Medicine, vol. 18, n.° 1, 2017, pp. 55 y 56.

ibm. “¿Qué es una base de datos nosql?”, disponible en [https ://www.ibm .com /es -es /topics /

Dey, Ayon. “Machine learning algorithms: A review”, en International Journal of Computer

Science and Information Technologies, vol. 7, n.° 3, 2016, pp. 1.174 a 1.179, disponible en

[https ://ijcsit .com /docs /V olume %207/vol 7 issue 3/ijcsit 2016070332.pdf].

nos q l -databases].

Jackson, Joyce. “Data mining; a conceptual overview”, en Communications of the Association

forInformationSystems, vol. 8, 2002, pp. 267 a296, disponibleen[https ://www.academia .

edu /5442707/DATA_MINING_A_CONCEPTUAL_OVERVIEW#:~:text=Download,-PDF].

Feng, Mingchen; Jiangbin Zheng, Jinchang Ren, Amir Hussain, Xiuxiu Li, Yue Xi y

Qiaoyuan Liu. (2019). “Big data analytics and mining for effective visualization and

trends forecasting of crime data”, en ieee Access, vol. 7, 2019, pp. 106 a 123, disponible

Kelleher, John D. y Brendan Tierney. Data science, Massachusetts, mit Press, 2018,

en

[https ://www.researchgate .net /publication /334617796_B ig _D ata _A nalytics _and _

disponible en [https ://mrce .in /eboo k s /D ata %20S cience .pdf].

M ining _for _E ffective _V isualization _and _T rends _F orecasting _of _C rime _D ata].

Kemp, Simon. “Digital in 2018: World’s Internet users pass the 4 billion mark”, en London, We

are social, 30 January 2018, disponible en [https ://w earesocial .com /u k/blog /2018/01/

global -digital -report -2018/].

Ge, Zhiqiang; Zhihuan Song, Steven X. Ding y Biao Huang. “Data mining and analytics

in the process industry: The role of machine learning”, en ieee Access, vol. 5, 2017,

pp. 20.590

a

20.616, disponible en [https ://ieee x plore .ieee .org /stamp /stamp .

jsp ?tp =&arnumber =8051033].

Khare, Akhill Rajendra y Pallavi Shrivasta. “Data mining for the internet of things”, en

Ambati V. Krishna Prasad (ed.). Exploring the Convergence of Big Data and the Internet

of Things, pp. 181 a 191, Hershey, PA, igi Global, 2018.

Ghorbani, Ramin y Rouzbeh Ghousi. “Predictive data mining approaches in medical

diagnosis: A review of some diseases prediction”, en International Journal of Data and

Network Science, vol. 3, 2019, pp. 47 a 70, disponible en [https ://www.gro w ingscience .

com /ijds /V ol 3/ijdns _2019_12.pdf].

Koyuncugil, Ali Serhan y Nermin Özgülbaş. “Veri madenciliği: Tıp ve sağlık hizmetlerinde

kullanımı ve uygulamaları”, en International Journal of Informatics Technologies, vol. 2,

n.° 2, May 2009, pp. 21 a 32, disponible en [https ://dergipar k.org .tr /tr /do w nload /artic -

le -f ile /75259].

Guenther, A. J. “Role of Social Media in Law Enforcement Significant and Growing”, 2012,

disponible en [https ://patch .com /district -columbia /georgeto w n /an --role -of -social -

media -in -la w-enforcement -signi f icaea 1 c 7 d 91 fd].

Kravets, Alla G. (ed.). Big Data-driven World: Legislation Issues and Control Technologies,

Cham, Springer, 2019.

Gupta, Manoj Kr. y Pravin Chandra, P. “A comparative study of clustering algorithms”,

en 2019 6^thInternational Conference on Computing for Sustainable Global Development

(indiacom), New Delhi, ieee Xplore, 13-15 March, 2019, pp. 801 a 805.

Krishna Prasad, Ambati V. (ed.). Exploring the Convergence of Big Data and the Internet of

Things, pp. 181 a 191, Hershey, PA, igi Global, 2018.

Hand, David J. y Niall M. Adams. “Data Mining”, en Wiley StatsRef: Statistics Reference Online,

Kumar, Ravi y Bharti Nagpal. “Analysis and prediction of crime patterns using big data”,

International Journal of Information Technology, vol. 11, n.° 4, December 2019, pp. 799

a 805.

Hoboken, NJ, John Wiley & Sons, 2014, pp. 1 a 7.

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

56

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

57

Lau, Pui Yin y Wing Kam Fung. “Evaluation of marker selection methods and statistical

models for chronological age prediction based on dna methylation”, en Legal Medicine,

vol. 47, November 2020.

2020,

187,

disponible

en

[https ://www.mdpi .com /1999-5903/12/11/187/

pdf ?version =1604400347].

Ngai, Wai Ting Eric; Li Xiu y Dorothy C. K. Chau. “Application of data mining techniques

in customer relationship management: A literature review and classification”, Expert

Systems with Applications, vol. 36, n.° 2, March 2009, pp. 2.592 a 2.602, disponible en

[https ://dida w i k i .di .unipi .it /lib /e x e /fetch .php /dm /crm _dm -survey .pdf].

Lei, Cheng. “Legal Control over Big Data Criminal Investigation”, en Social Sciences in China,

vol. 40, n.° 3, 2019, pp. 189 a 204.

Li, Xin; Bing Liu y Philip S. Yu. “Discovering overlapping communities of named entities”, en

Knowledge Discovery in Databases: pkdd 2006, pp. 593 a 600, Berlin-Heidelberg, Springer,

2006, disponible en [https ://lin k.springe r .com /chapter /10.1007/11871637_60].

Odia, James Osabuohien y Osahemi Thaddeus Akpata. “Role of Data Science and Data

Analytics in Forensic Accounting and Fraud Detection”, en Bhushan Patil y Manisha

Vohra (eds.). Handbook of Research on Engineering, Business, and Healthcare Applications

of Data Science and Analytics, 2020, Hershey, PA, igi Global, 2020, pp. 203 a 227.

Martinovic, Ivan; Kasper Rasmussen, Marc Roeschlin y Gene Tsudik. “Authentication

using pulse-response biometrics”, en Communications of the acm, vol. 60, n.° 2, 2017, pp.

108 a 115, disponible en [https ://dl .acm .org /doi /pdf /10.1145/3023359].

Olson, David L. y Georg Lauhoff. Descriptive Data Mining, Singapore, Springer, 2019.

McClendon, Lawrence y Natarajan Meghanathan. “Using machine learning algorithms

to analyze crime data”, en Machine Learning and Applications: An International Journal,

vol. 2, n.° 1, March 2015, pp. 1 a 12, disponible en [https ://www.researchgate .net /

publication /275220711_U sing _M achine _L earning _A lgorithms _to _A nalyze _C rime _D ata].

Pandey, Rohit Kumar; Yingbo Zhou, Bhargava Urala Kota y Venu Govindaraju. “Learning

Representations for Cryptographic Hash Based Face Template Protection”, en Bir Bhanu

y Ajay Kumar (eds.). Deep Learning for Biometrics, Cham (Switzerland), Springer, 2017,

pp. 259 a 285.

McCue, Coleen. Data mining and predictive analysis: Intelligence gathering and crime analysis,

Pandya, Bhavesh; Georgina Cosma, Ali A. Alani, Aboozar Taherkhani, Vinayak Bharadi y

Thomas Martin McGinnity. “Fingerprint classification using a deep convolutional neural

network”, en 2018 4^thInternational Conference on Information Management, Oxford, ieee,

2018, pp. 86 a 91.

Oxford, Butterworth- Heinemann, 2014.

Mesgarpour, Mohammad e Ian Dickinson. “Enhancing the value of commercial vehicle

telematics data through analytics and optimisation techniques”, en Archives of Transport

System Telematics, vol. 7, n.° 3, September 2014, pp. 27 a 30, disponible en [https ://

bibliote k anau k i .pl /articles /393920.pdf].

Patil, Bhushan y Manisha Vohra (eds.). Handbook of Research on Engineering, Business, and

Healthcare Applications of Data Science and Analytics, 2020, Hershey, PA, igi Global, 2020.

Mistek, Ewelina; Marisia Fikiet, Shelby R. Khandasammy y Igor K. Lednev. “Toward

locard’s exchange principle: recent developments in forensic trace evidence analysis”, en

Analytical chemistry, vol. 91, n.° 1, 2018, pp. 637 a 654, disponible en [https ://pubs .acs .

org /doi /10.1021/acs .analchem .8 b 04704].

Pauleen, David J.; David Rooney y Ali Intezari. “Big data, little wisdom: Trouble brewing?

Ethical implications for the information systems discipline”, Social Epistemology, vol. 31,

n.° 4, 2017, pp. 400 a 416.

Perols, Johan. “Financial statement fraud detection: An analysis of statistical and machine

learning algorithms”, Auditing: A Journal of Practice & Theory, vol. 30, n.° 2, May 2011,

pp. 19 a 50, disponible en [https ://www.researchgate .net /publication /256045322_

F inancial _S tatement _F raud _D etection _A n _A nalysis _of _S tatistical _and _M achine _

L earning _A lgorithms].

Mittal, Mamta; Lalit Mohan Goyal, Duraisamy Jude Hemanth y Jasleen Kaur

Sethi. “Clustering approaches for high-dimensional databases: A review”, en Wiley

Interdisciplinary Reviews. Data Mining and Knowledge Discovery, vol. 9, n.° 3, 2019, pp.

1 a 14.

Mittal, Mamta; Lalit Mohan Goyal, Duraisamy Jude Hemanth y Jasleen Kaur Sethi.

“Monitoring the impact of economic crisis on crime in India using machine learning”, en

Computational Economics, vol. 53, n.° 4, 2018, pp. 1.467 a 1.485, disponible en [https ://

www.researchgate .net /publication /325000522_M onitoring _the _I mpact _of _E conomic _

C risis _on _C rime _in _I ndia _U sing _M achine _L earning].

Power, David J. “‘Big Brother’ can watch us”, en Journal of Decision Systems, vol. 25, n.°

51, (sup. 1), 2016, pp. 578 a 588, disponible en [https ://www.researchgate .net /

publication /304031923_B ig _B rother _can _w atch _us].

Quick, Darren y Kim-Kwang Raymond Choo. “Big forensic data reduction: Digital forensic

images and electronic evidence”, Cluster Computing, vol. 19, n.° 2, 2016, pp. 723 a 740.

Mukhopadhyay, Anirban; Ujjwal Maulik, Sanghamitra Bandyopadhyay y Carlos Artemio

Coello Coello. “A survey of multiobjective evolutionary algorithms for data mining: Part

I”, en ieee Transactions on Evolutionary Computation, vol. 18, n.° 1, 2013, pp. 4 a 19.

Srinivasa Rao, Arni S. R. y Calyampudi Radhakrishna Rao (eds.). Handbook of Statistics,

vol. 43, “Principles and Methods for Data Science”, Amsterdam, Elsevier, 2020

Muneer, Amgat y Suliman Mohamed Fati. “A Comparative Analysis of Machine Learning

Ristea, Alina; Mohammad Al Boni, Bernd Resch, Matthew Gerber y Michael Leitner.

Techniques for Cyberbullying Detection on Twitter”, Future Internet, vol. 12, n.°11,

“Spatial crime distribution and prediction for sporting events using social media”,

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

58

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

59

International Journal of Geographical Information Science, 2020, vol. 34, n.° 9, pp. 1 a 32,

disponible en [https ://www.tandfonline .com /doi /full /10.1080/13658816.2020.17194

95#d 1 e 339].

Sundararajan, Kalaivani y Damon L. Woodard. “Deep Learning for Biometrics: A Survey”,

ACM Computing Surveys, vol. 51, n.° 3, 2018.

Tassone, Christopher; Ben Martini y Kim-Kwang Raymond Choo. “Forensic visualization:

Survey and future research directions”, en Kim-Kwang Raymond Choo y Ali

Dehghantanha (eds.). Contemporary Digital Forensic Investigations of Cloud and Mobile

Applications, Cambridge, MA, Syngress, 2017, pp. pp. 163 a 184.

Roy, Abhimanyu; Jingyi Sun, Robert Mahoney, Loreto Alonzi, Stephen Adams y Peter

Beling. “Deep learning detecting fraud in credit card transactions”, en 2018 Systems and

Information Engineering Design Symposium, Oxford, ieee, 2018, pp. 129 a 134.

Rutkowski, LLeszek; Maciej Jaworski y Piotr Duda. Stream data mining: Algorithms and

Tilley, Nick y Aiden Sidebottom. Handbook of crime prevention and community safety, New

their probabilistic properties, Cham (Switzerland), Springer, 2020.

York, Routledge, 2017.

Saeed, Umair; Muhammad Sarim, Amna Usmani, Aniqa Mukhtar, Abdul Basit Shaikh

y Sheikh Kashif Raffat. “Application of Machine learning Algorithms in Crime

Classification and Classification Rule Mining”, en Research Journal of Applied Sciences,

vol. 4, n.° 3, March 2015, pp. 106 a 114, disponible en [https ://www.researchgate .

net /publication /344099883_A pplication _of _M achine _learning _A lgorithms _in _C rime _

C lassi f ication _and _C lassi f ication _R ule _M ining].

Tirgari, Vesal. “Information technology policies and procedures against unstructured

data: A phenomenological study of information technology professionals”, en Journal

of Management Information and Decision Sciences, vol. 15, n.° 2, 2012, pp. 87 a 106,

disponible en [https ://www.abacademies .org /articles /aimsjvol 15 no 22012.pdf].

Tiwari, Shradha; J. N. Chourasia y Vijai S. Chourasia. “A review of advancements in

biometric systems”, International Journal of Innovative Research in Advanced Engineering,

vol. 2, n.° 1, pp. 187 a 204, January 2015, disponible en [https ://www.ijirae .com /

volumes /V ol 2/iss 1/30.JAEC10091.pdf].

Shao, Lixu; Yucong Duan, Xiaobing Sun, Honghao Gao, Donghai Zhu y Welkal Miao.

“Answering Who/When, What, How, Why through Constructing Data Graph, Information

Graph, Knowledge Graph and Wisdom Graph”, en Seke, July 2017, pp. 1 a 6, disponioble en

[https ://k siresearch .org /se k e /se k e 17 paper /se k e 17 paper _79.pdf].

Traunmueller, Martin W.; Giovanni Quattrone y Licia Capra. “Mining mobile phone

data to investigate urban crime theories at scale”, en International Conference on Social

Informatics, pp. 396 a 411, Cham (Switzerland), Springer, 2014.

Snaphaan, Thom y Wim Hardyns. “Environmental criminology in the big data era”, en

European Journal of Criminology, vol. 18, n.° 5, October 2019, disponible en [https ://

www.researchgate .net /publication /336352488_E nvironmental _criminology _in _the _

big _data _era].

Turkish Ministry of Justice. Judicial Statistics 2019, Ankara, Turkish Statistical Institute –

tüik–, disponible en [https ://data .tui k.gov .tr /K ategori /G et K ategori ?p =adalet -ve -secim -

110&dil =2].

Song, Guangwen; Wim Bernasco, Lin Liu, Luzi Xiao, Suhong Zhou y Weiwei Liao. “Crime

feeds on legal activities: Daily mobility flows help to explain thieves’ target location

choices”, en Journal of Quantitative Criminology, vol. 35, n.° 4, December 2019, pp. 831

a 854, disponible en [https ://lin k.springe r .com /content /pdf /10.1007/s 10940-019-

09406-z .pdf].

Turing, Allan Mathison. “Computing machinery and intelligence”, en Mind, vol. lix, n.° 236,

October 1950, pp. 433 a 460, disponible en [https ://courses .cs .umbc .edu /471/papers /

turing .pdf].

TurkishStatisticalInstitute–tüik–.“TheResultsofAddressBasedPopulationRegistration

System, 2019”, disponible en [https ://data .tui k.gov .tr /bulten /inde x?p =adrese -dayali -

nufus -k ayit -sistemi -sonuclari -2019-33705#:~:text=Türkiye%20nüfusu%2083%20

milyon%20154%20bin%20997%20kişi%20oldu&text=Diğer%20bir%20ifadeyle%20

toplam%20nüfusun,531%20bin%20180%20kişi%20oldu.], Ankara, tüik, 2020.

Srinivas, Konda; B. Kavihta Rani y Aliseri Govrdhan. “Applications of data mining

techniques in healthcare and prediction of heart attacks”, en International Journal

on Computer Science and Engineering, vol. 2, n.° 2, 2010, pp. 250 a 255, disponible en

[https ://www.researchgate .net /publication /49617135_A pplications _of _D ata _M ining _

T echni q ues _in _H ealthcare _and _P rediction _of _H eart _A ttac k s].

Uliyan, Diaa M.; Somayeh Sadeghi y Hamid A. Jalab. “Anti-spoofing method for fingerprint

recognition using patch based deep learning machine”, en Engineering Science and

Technology, an International Journal, vol. 23, n.° 2, 2020, pp. 264 a 273, disponible en

[https ://www.sciencedirect .com /journal /engineering -science -and -technology -an -

international -journal /vol /23/issue /2].

Srinivasa Rao, Arni S. R. y Calyampudi Radhakrishna Rao (eds.). Handbook of Statistics,

vol. 43, “Principles and Methods for Data Science”, Amsterdam, Elsevier, 2020

Steenbruggen, John; Emmanouil Tranos y Peter Nijkamp. “Data from mobile phone

operators: A tool for smarter cities?”, Telecommunications Policy, vol. 39, n .^os3 y 4, May

2015, pp. 335 a 346.

Vaidhyanathan, Siva y Chris Bulock. “Knowledge and dignity in the era of ‘big data’”, en

The Serials Librarian, vol. 66, n .^os1 a 4, 2014, pp. 49 a 64, disponible en [https ://www.

tandfonline .com /doi /epdf /10.1080/0361526X.2014.879805].

Stewart, Lauren. “Big Data Discrimination: Maintaining Protection of Individual Privacy

without Disincentivizing Businesses’ Use of Biometric Data to Enhance Security”, Boston

College Law Review, vol. 60, n.° 1, 2019, 349 a 386, disponible en [https ://core .ac .u k/

reader /200222570].

N u e v o s Pa r a d i g m a s d e l a s C i e n c i a s S o c i a l e s L at i n o a m e r i c a n a s

issn 2346-0377 (en línea) vol. XII, n.º 24, julio-diciembre 2021, Emre C. Ateş, Erkan Bostanci y Mehmet S. Güzel

60

Emre Cihan Ateş, Erkan Bostancı y Mehmet Serdar Güzel

Conceptos de big data, minería de datos, aprendizaje automático...

61

Wamba, Samuel Fosso; Shahriar Akter, Andrew James Edwards, Geoffrey Chopin

y Denis Gnanzou. “How ‘big data’can make big impact: Findings from a systematic

review and a longitudinal case study”, en International Journal of Production Economics,

vol. 165, July 2015, pp. 234 a 246, disponible en [https ://www.researchgate .net /

publication /270276259_H o w_’big _data ’_can _ma k e _big _impact _F indings _from _a _

systematic _revie w_and _a _longitudinal _case _study].

International Conference on Computer Science & Education, pp. 811 a 815, Oxford, ieee,

2020.

Yavanoğlu, Üyesi Uraz; Medine Colak, Busra Caglar, Semra Cakir, Ozlem Milletsever y

Şeref Sağiroğlu. “Intelligent approach for identifying political views over social networks”,

en 2013 12^thInternational Conference on Machine Learning and Applications, vol. 2, pp.

281 a 287, Oxford, ieee, 2013.

Wang, Hongjian; Daniel Kifer, Corina Graif y Zhenhui Li. “Crime rate inference with

big data”, en Proceedings of the 22nd acm sigkdd International Conference on Knowledge

Discovery and Data Mining, New York, Association for Computing Machinery, 2016, pp.

635 a 644, disponible en [https ://dl .acm .org /doi /pdf /10.1145/2939672.2939736].

Yoo, Jin Soung. “Crime data warehousing and crime pattern discovery”, en Proceedings of

the Second International Conference on Data Science, E-Learning and Information Systems

2019, pp. 1 a 6, December 2019.

Wani, M. Arif; Farooq Ahmad Bhat, Saduf Afzal y Asif Iqbal Khan. “Application of

Supervised Deep Learning in Fingerprint Recognition”, en Advances in Deep Learning,

Singapore Springer, 2020, pp. 111 a 132, disponible en [https ://www.researchgate .net /

publication /331790153_S upervised _D eep _L earning _in _F ingerprint _R ecognition].

Zins, Chaim. “Conceptual approaches for defining data, information, and knowledge”, en

Journal of the American Society for Information Science and Technology, vol. 58, n.° 4, 2007,

pp. 479 a 493, disponible en [https ://www.researchgate .net /publication /220432993_

C onceptual _approaches _for _de f ining _data _information _and _k no w ledge].

Wheeler, Andrew P. y Wouter Steenbeek. “Mapping the risk terrain for crime using

machine learning”, en Journal of Quantitative Criminology, vol. 37, n.° 2, June 2021, pp.

445 a 480.

White, Martin. “Digital workplaces: Vision and reality”, en Business Information

Review, vol. 29, n.° 4, 2012, pp. 205 a 214, disponible en [https ://es .scribd .com /

document /886559974/D igital -W or k places -V ision -and -R eality].

Williams, Graham J. “Rattle: a data mining gui for R”, en The R Journal, vol. 1, n.° 2, 2009, pp.

45 a 55, disponible en [https ://journal .r -project .org /archive /2009-2/RJ ournal _2009-2_

W illiams .pdf].

Williams, Matthew L.; Pete Burnap, Amir Javed, Han Liu y Sefa Ozalp. “Hate in the

machine: Anti-Black and anti-Muslim social media posts as predictors of offline

racially and religiously aggravated crime”, en The British Journal of Criminology, vol.

60, n.° 1, January 2020, pp. 93 a 117, disponible en [https ://academic .oup .com /bjc /

article /60/1/93/5537169].

Wilson, David B.; David McClure y David Weisburd. “Does forensic dna help to solve crime?

The benefit of sophisticated answers to naive questions”, en Journal of Contemporary

Criminal Justice, vol. 26, n.° 4, 2010, pp. 458 a 469.

Win, Khin Nandar; Kenli Li, Jianguo Chen, Philippe Fournier Viger y Keqin Li. “Fingerprint

classification and identification algorithms for criminal investigation: A survey”, en Future

Generation Computer Systems, vol. 110, September 2020, pp. 758 a 771.

Xu, Hongyan. “Big data challenges in genomics”, en Arni S. R. Srinivasa Rao y Calyampudi

Radhakrishna Rao (eds.). Handbook of Statistics, vol. 43, “Principles and Methods for

Data Science”, Amsterdam, Elsevier, 2020, pp. 337 a 348.

Yao, Shuyu; Ming Wei, Lingyu Yan, Chunzhi Wang, Xinhua Dong, Fangrui Liu y Ying Xiong.

“Prediction of Crime Hotspots based on Spatial Factors of Random Forest”, en The 15^th