Extensión de algoritmos representativos del aprendizaje automático al trabajo con datos tipo conjunto
| dc.contributor.advisor | Rodríguez Sarabia, Yanet | |
| dc.contributor.advisor | Morell Pérez, Carlos | |
| dc.contributor.author | González Castellanos, Mabel | |
| dc.coverage.spatial | 1016432 | en_US |
| dc.date.accessioned | 2016-06-20T14:08:09Z | |
| dc.date.available | 2016-06-20T14:08:09Z | |
| dc.date.issued | 2010-07-10 | |
| dc.description.abstract | La forma de representación de los ejemplos en un conjunto de entrenamiento resulta de extrema importancia para el concepto de aprendizaje automatizado. Este constituye uno de los primeros pasos que se sigue en el diseño de un sistema que se supere mediante la experiencia y consiste en la descripción del problema mediante un conjunto de atributos con un determinado nivel de medición. Existen problemáticas con presencia de rasgos que pueden tomar varios valores de manera simultánea para un mismo ejemplo. Dichos rasgos se pueden representar de forma natural mediante conjuntos. Considerar conjuntos como tipo de dato es una problemática poco abordada en el contexto del aprendizaje automatizado. Las herramientas de aprendizaje automatizado disponibles no brindan facilidades para el tratamiento de rasgos con las características anteriormente descritas. Considerando lo anterior esta investigación aborda el tratamiento de atributos de tipo conjunto en el contexto de tres enfoques fundamentales del aprendizaje automatizado: árboles de decisión, enfoque basado en instancias y el probabilístico. Este trabajo incluye la presentación de nuevas propuestas basadas en algoritmos de clasificación clásicos, que explotan los beneficios de utilizar conjuntos como tipo de dato. El análisis experimental demuestra la validez de las propuestas evaluadas. | en_US |
| dc.description.abstract | The form of representation of the examples in a training set is of utmost importance to the concept of machine learning. This is one of the first steps to be followed in the design of a system that is exceeded by the experience and is the description of the problem through a set of attributes with a certain level of measurement. There are problems with the presence of traits that can take several values simultaneously for the same example. These features can be represented naturally by sets. Consider sets as a data type is a little problem addressed in the context of machine learning. Machine learning tools available do not provide facilities for the treatment of features with the characteristics described above. Considering the above, this research addresses the treatment of type attributes set in the context of three fundamental approaches to machine learning: focus lazy approach and probabilistic instances. This work includes the submission of new proposals based on traditional classification algorithms that exploit the benefits of using such type of data sets. The experimental analysis demonstrates the validity of the proposals evaluated. | en_US |
| dc.description.sponsorship | Facultad de Matemática, Física y Computación. Departamento de Ciencias de la Computación | en_US |
| dc.description.status | non-published | en_US |
| dc.identifier.uri | https://dspace.uclv.edu.cu/handle/123456789/5841 | |
| dc.language.iso | es | en_US |
| dc.publisher | Universidad Central “Marta Abreu” de Las Villas | en_US |
| dc.rights | Este documento es Propiedad Patrimonial de la Universidad Central “Marta Abreu” de Las Villas. Los usuarios podrán hacer uso de esta obra bajo la siguiente licencia: Creative Commons: Atribución-No Comercial-Compartir Igual 4.0 License | en_US |
| dc.subject | Algoritmos Representativos | en_US |
| dc.subject | Extensión | en_US |
| dc.subject | Aprendizaje Automático | en_US |
| dc.subject | Datos Tipo Conjunto | en_US |
| dc.subject.other | Weka | en_US |
| dc.title | Extensión de algoritmos representativos del aprendizaje automático al trabajo con datos tipo conjunto | en_US |
| dc.type | Thesis | en_US |
| dc.type.thesis | master | en_US |