Algunos resultados experimentales de la integración de agrupamiento e inducción como método de descubrimiento de conocimiento

Autores
Kogan, A.; Rancan, Claudio; Britos, Paola Verónica; Pesado, Patricia Mabel; García Martínez, Ramón
Año de publicación
2007
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El descubrimiento de conocimiento (KD Knowledge Discovery) consiste en la búsqueda de patrones interesantes y de regularidades importantes en grandes bases de información. Al hablar de descubrimiento de conocimiento basado en sistemas inteligentes nos referimos específicamente a la aplicación de métodos de aprendizaje automático u otros métodos similares, para descubrir y enumerar patrones presentes en dicha información. Un procedimiento recurrente a la hora de realizar descubrimiento de conocimiento basado en sistemas inteligentes consiste en tomar el conjunto de datos a estudiar, aplicar un algoritmo de agrupamiento para separarlo en distintos grupos (clases) y sobre cada uno de ellos, intentar generar reglas que caractericen su conformación, utilizando otro algoritmo a tales efectos. Una de las opciones para llevar adelante el proceso de agrupamiento está dada por el uso de los mapas auto-organizados, los cuales consisten en un algoritmo de redes neuronales utilizado para una gran variedad de aplicaciones, principalmente para problemas de ingeniería, pero también para análisis de datos. En cuanto a la inducción de reglas, dada la caracterización de las entidades que se utilizan comúnmente en descubrimiento de conocimiento, fuertemente basada en los valores de sus atributos y no en las relaciones establecidas entre estos, se suelen emplear métodos basados en atributos. Uno de los más claros y difundidos son los árboles de decisión o clasificación en los cuales se cuenta con nodos que modelizan cada atributo, ramas que se originan en estos nodos, una por cada valor que el atributo puede tomar, y finalmente las hojas que corresponden a las clases individuales. Recorriendo un árbol desde su nodo padre hasta las distintas hojas, se pueden generar de forma muy simple las reglas a las cuales la clasificación responde. Una de las herramientas aplicadas al mencionado proceso es la familia de algoritmos TDIDT (Top Down Induction Decision Trees). Sin embargo, estos pasos se realizan únicamente bajo la presunción de obtener un resultado representativo del conjunto de datos sobre el que se trabaja.
Eje: Agentes y Sistemas Inteligentes
Red de Universidades con Carreras en Informática (RedUNCI)
Materia
Ciencias Informáticas
integración de agrupamiento e inducción
Intelligent agents
Knowledge Representation Formalisms and Methods
descubrimiento
conocimiento
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/20152

id SEDICI_122364897afe77e170716b64682c04f4
oai_identifier_str oai:sedici.unlp.edu.ar:10915/20152
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Algunos resultados experimentales de la integración de agrupamiento e inducción como método de descubrimiento de conocimientoKogan, A.Rancan, ClaudioBritos, Paola VerónicaPesado, Patricia MabelGarcía Martínez, RamónCiencias Informáticasintegración de agrupamiento e inducciónIntelligent agentsKnowledge Representation Formalisms and MethodsdescubrimientoconocimientoEl descubrimiento de conocimiento (KD Knowledge Discovery) consiste en la búsqueda de patrones interesantes y de regularidades importantes en grandes bases de información. Al hablar de descubrimiento de conocimiento basado en sistemas inteligentes nos referimos específicamente a la aplicación de métodos de aprendizaje automático u otros métodos similares, para descubrir y enumerar patrones presentes en dicha información. Un procedimiento recurrente a la hora de realizar descubrimiento de conocimiento basado en sistemas inteligentes consiste en tomar el conjunto de datos a estudiar, aplicar un algoritmo de agrupamiento para separarlo en distintos grupos (clases) y sobre cada uno de ellos, intentar generar reglas que caractericen su conformación, utilizando otro algoritmo a tales efectos. Una de las opciones para llevar adelante el proceso de agrupamiento está dada por el uso de los mapas auto-organizados, los cuales consisten en un algoritmo de redes neuronales utilizado para una gran variedad de aplicaciones, principalmente para problemas de ingeniería, pero también para análisis de datos. En cuanto a la inducción de reglas, dada la caracterización de las entidades que se utilizan comúnmente en descubrimiento de conocimiento, fuertemente basada en los valores de sus atributos y no en las relaciones establecidas entre estos, se suelen emplear métodos basados en atributos. Uno de los más claros y difundidos son los árboles de decisión o clasificación en los cuales se cuenta con nodos que modelizan cada atributo, ramas que se originan en estos nodos, una por cada valor que el atributo puede tomar, y finalmente las hojas que corresponden a las clases individuales. Recorriendo un árbol desde su nodo padre hasta las distintas hojas, se pueden generar de forma muy simple las reglas a las cuales la clasificación responde. Una de las herramientas aplicadas al mencionado proceso es la familia de algoritmos TDIDT (Top Down Induction Decision Trees). Sin embargo, estos pasos se realizan únicamente bajo la presunción de obtener un resultado representativo del conjunto de datos sobre el que se trabaja.Eje: Agentes y Sistemas InteligentesRed de Universidades con Carreras en Informática (RedUNCI)2007-05info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf11-15http://sedici.unlp.edu.ar/handle/10915/20152spainfo:eu-repo/semantics/altIdentifier/isbn/978-950-763-075-0info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T10:54:10Zoai:sedici.unlp.edu.ar:10915/20152Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 10:54:10.431SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Algunos resultados experimentales de la integración de agrupamiento e inducción como método de descubrimiento de conocimiento
title Algunos resultados experimentales de la integración de agrupamiento e inducción como método de descubrimiento de conocimiento
spellingShingle Algunos resultados experimentales de la integración de agrupamiento e inducción como método de descubrimiento de conocimiento
Kogan, A.
Ciencias Informáticas
integración de agrupamiento e inducción
Intelligent agents
Knowledge Representation Formalisms and Methods
descubrimiento
conocimiento
title_short Algunos resultados experimentales de la integración de agrupamiento e inducción como método de descubrimiento de conocimiento
title_full Algunos resultados experimentales de la integración de agrupamiento e inducción como método de descubrimiento de conocimiento
title_fullStr Algunos resultados experimentales de la integración de agrupamiento e inducción como método de descubrimiento de conocimiento
title_full_unstemmed Algunos resultados experimentales de la integración de agrupamiento e inducción como método de descubrimiento de conocimiento
title_sort Algunos resultados experimentales de la integración de agrupamiento e inducción como método de descubrimiento de conocimiento
dc.creator.none.fl_str_mv Kogan, A.
Rancan, Claudio
Britos, Paola Verónica
Pesado, Patricia Mabel
García Martínez, Ramón
author Kogan, A.
author_facet Kogan, A.
Rancan, Claudio
Britos, Paola Verónica
Pesado, Patricia Mabel
García Martínez, Ramón
author_role author
author2 Rancan, Claudio
Britos, Paola Verónica
Pesado, Patricia Mabel
García Martínez, Ramón
author2_role author
author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
integración de agrupamiento e inducción
Intelligent agents
Knowledge Representation Formalisms and Methods
descubrimiento
conocimiento
topic Ciencias Informáticas
integración de agrupamiento e inducción
Intelligent agents
Knowledge Representation Formalisms and Methods
descubrimiento
conocimiento
dc.description.none.fl_txt_mv El descubrimiento de conocimiento (KD Knowledge Discovery) consiste en la búsqueda de patrones interesantes y de regularidades importantes en grandes bases de información. Al hablar de descubrimiento de conocimiento basado en sistemas inteligentes nos referimos específicamente a la aplicación de métodos de aprendizaje automático u otros métodos similares, para descubrir y enumerar patrones presentes en dicha información. Un procedimiento recurrente a la hora de realizar descubrimiento de conocimiento basado en sistemas inteligentes consiste en tomar el conjunto de datos a estudiar, aplicar un algoritmo de agrupamiento para separarlo en distintos grupos (clases) y sobre cada uno de ellos, intentar generar reglas que caractericen su conformación, utilizando otro algoritmo a tales efectos. Una de las opciones para llevar adelante el proceso de agrupamiento está dada por el uso de los mapas auto-organizados, los cuales consisten en un algoritmo de redes neuronales utilizado para una gran variedad de aplicaciones, principalmente para problemas de ingeniería, pero también para análisis de datos. En cuanto a la inducción de reglas, dada la caracterización de las entidades que se utilizan comúnmente en descubrimiento de conocimiento, fuertemente basada en los valores de sus atributos y no en las relaciones establecidas entre estos, se suelen emplear métodos basados en atributos. Uno de los más claros y difundidos son los árboles de decisión o clasificación en los cuales se cuenta con nodos que modelizan cada atributo, ramas que se originan en estos nodos, una por cada valor que el atributo puede tomar, y finalmente las hojas que corresponden a las clases individuales. Recorriendo un árbol desde su nodo padre hasta las distintas hojas, se pueden generar de forma muy simple las reglas a las cuales la clasificación responde. Una de las herramientas aplicadas al mencionado proceso es la familia de algoritmos TDIDT (Top Down Induction Decision Trees). Sin embargo, estos pasos se realizan únicamente bajo la presunción de obtener un resultado representativo del conjunto de datos sobre el que se trabaja.
Eje: Agentes y Sistemas Inteligentes
Red de Universidades con Carreras en Informática (RedUNCI)
description El descubrimiento de conocimiento (KD Knowledge Discovery) consiste en la búsqueda de patrones interesantes y de regularidades importantes en grandes bases de información. Al hablar de descubrimiento de conocimiento basado en sistemas inteligentes nos referimos específicamente a la aplicación de métodos de aprendizaje automático u otros métodos similares, para descubrir y enumerar patrones presentes en dicha información. Un procedimiento recurrente a la hora de realizar descubrimiento de conocimiento basado en sistemas inteligentes consiste en tomar el conjunto de datos a estudiar, aplicar un algoritmo de agrupamiento para separarlo en distintos grupos (clases) y sobre cada uno de ellos, intentar generar reglas que caractericen su conformación, utilizando otro algoritmo a tales efectos. Una de las opciones para llevar adelante el proceso de agrupamiento está dada por el uso de los mapas auto-organizados, los cuales consisten en un algoritmo de redes neuronales utilizado para una gran variedad de aplicaciones, principalmente para problemas de ingeniería, pero también para análisis de datos. En cuanto a la inducción de reglas, dada la caracterización de las entidades que se utilizan comúnmente en descubrimiento de conocimiento, fuertemente basada en los valores de sus atributos y no en las relaciones establecidas entre estos, se suelen emplear métodos basados en atributos. Uno de los más claros y difundidos son los árboles de decisión o clasificación en los cuales se cuenta con nodos que modelizan cada atributo, ramas que se originan en estos nodos, una por cada valor que el atributo puede tomar, y finalmente las hojas que corresponden a las clases individuales. Recorriendo un árbol desde su nodo padre hasta las distintas hojas, se pueden generar de forma muy simple las reglas a las cuales la clasificación responde. Una de las herramientas aplicadas al mencionado proceso es la familia de algoritmos TDIDT (Top Down Induction Decision Trees). Sin embargo, estos pasos se realizan únicamente bajo la presunción de obtener un resultado representativo del conjunto de datos sobre el que se trabaja.
publishDate 2007
dc.date.none.fl_str_mv 2007-05
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/20152
url http://sedici.unlp.edu.ar/handle/10915/20152
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-950-763-075-0
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
dc.format.none.fl_str_mv application/pdf
11-15
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844615798608363520
score 13.070432