Obtención de reglas de clasificación utilizando estrategias adaptativas
- Autores
- Villa Monte, Augusto
- Año de publicación
- 2013
- Idioma
- español castellano
- Tipo de recurso
- tesis de grado
- Estado
- versión aceptada
- Colaborador/a o director/a de tesis
- Lanzarini, Laura Cristina
- Descripción
- En la actualidad, la mayoría de los procesos cuentan con información histórica lo suficientemente grande como para que sea difícil procesarla en forma manual. La Minería de Datos, una de las etapas más importantes del proceso de Extracción de Conocimiento, cuenta con un conjunto de técnicas capaces de modelizar y resumir esos datos históricos, facilitando su comprensión y ayudando a la toma de decisiones en situaciones futuras. Esta tesina presenta una nueva técnica de Minería de Datos, llamada SOM+PSO, capaz de construir, a partir de la información disponible, un conjunto reducido de reglas de clasificación sencillas de cuya lectura se desprenden las relaciones más importantes entre las características registradas. También se detallan los resultados obtenidos y se los compara contra un método existente en la literatura, el cual fue seleccionado por considerarlo un referente en el tema.
Licenciado en Sistemas
Universidad Nacional de La Plata
Facultad de Informática - Materia
-
Informática
reglas de clasificación
Minería de Datos
mapas auto-organizativos - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/47056
Ver los metadatos del registro completo
id |
SEDICI_9f683bb76cdcb05c600d6aac56d9db4f |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/47056 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Obtención de reglas de clasificación utilizando estrategias adaptativasVilla Monte, AugustoInformáticareglas de clasificaciónMinería de Datosmapas auto-organizativosEn la actualidad, la mayoría de los procesos cuentan con información histórica lo suficientemente grande como para que sea difícil procesarla en forma manual. La Minería de Datos, una de las etapas más importantes del proceso de Extracción de Conocimiento, cuenta con un conjunto de técnicas capaces de modelizar y resumir esos datos históricos, facilitando su comprensión y ayudando a la toma de decisiones en situaciones futuras. Esta tesina presenta una nueva técnica de Minería de Datos, llamada SOM+PSO, capaz de construir, a partir de la información disponible, un conjunto reducido de reglas de clasificación sencillas de cuya lectura se desprenden las relaciones más importantes entre las características registradas. También se detallan los resultados obtenidos y se los compara contra un método existente en la literatura, el cual fue seleccionado por considerarlo un referente en el tema.Licenciado en SistemasUniversidad Nacional de La PlataFacultad de InformáticaLanzarini, Laura Cristina2013-02info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionTesis de gradohttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/47056spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by/4.0/Creative Commons Attribution 4.0 International (CC BY 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:02:50Zoai:sedici.unlp.edu.ar:10915/47056Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:02:51.14SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Obtención de reglas de clasificación utilizando estrategias adaptativas |
title |
Obtención de reglas de clasificación utilizando estrategias adaptativas |
spellingShingle |
Obtención de reglas de clasificación utilizando estrategias adaptativas Villa Monte, Augusto Informática reglas de clasificación Minería de Datos mapas auto-organizativos |
title_short |
Obtención de reglas de clasificación utilizando estrategias adaptativas |
title_full |
Obtención de reglas de clasificación utilizando estrategias adaptativas |
title_fullStr |
Obtención de reglas de clasificación utilizando estrategias adaptativas |
title_full_unstemmed |
Obtención de reglas de clasificación utilizando estrategias adaptativas |
title_sort |
Obtención de reglas de clasificación utilizando estrategias adaptativas |
dc.creator.none.fl_str_mv |
Villa Monte, Augusto |
author |
Villa Monte, Augusto |
author_facet |
Villa Monte, Augusto |
author_role |
author |
dc.contributor.none.fl_str_mv |
Lanzarini, Laura Cristina |
dc.subject.none.fl_str_mv |
Informática reglas de clasificación Minería de Datos mapas auto-organizativos |
topic |
Informática reglas de clasificación Minería de Datos mapas auto-organizativos |
dc.description.none.fl_txt_mv |
En la actualidad, la mayoría de los procesos cuentan con información histórica lo suficientemente grande como para que sea difícil procesarla en forma manual. La Minería de Datos, una de las etapas más importantes del proceso de Extracción de Conocimiento, cuenta con un conjunto de técnicas capaces de modelizar y resumir esos datos históricos, facilitando su comprensión y ayudando a la toma de decisiones en situaciones futuras. Esta tesina presenta una nueva técnica de Minería de Datos, llamada SOM+PSO, capaz de construir, a partir de la información disponible, un conjunto reducido de reglas de clasificación sencillas de cuya lectura se desprenden las relaciones más importantes entre las características registradas. También se detallan los resultados obtenidos y se los compara contra un método existente en la literatura, el cual fue seleccionado por considerarlo un referente en el tema. Licenciado en Sistemas Universidad Nacional de La Plata Facultad de Informática |
description |
En la actualidad, la mayoría de los procesos cuentan con información histórica lo suficientemente grande como para que sea difícil procesarla en forma manual. La Minería de Datos, una de las etapas más importantes del proceso de Extracción de Conocimiento, cuenta con un conjunto de técnicas capaces de modelizar y resumir esos datos históricos, facilitando su comprensión y ayudando a la toma de decisiones en situaciones futuras. Esta tesina presenta una nueva técnica de Minería de Datos, llamada SOM+PSO, capaz de construir, a partir de la información disponible, un conjunto reducido de reglas de clasificación sencillas de cuya lectura se desprenden las relaciones más importantes entre las características registradas. También se detallan los resultados obtenidos y se los compara contra un método existente en la literatura, el cual fue seleccionado por considerarlo un referente en el tema. |
publishDate |
2013 |
dc.date.none.fl_str_mv |
2013-02 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/acceptedVersion Tesis de grado http://purl.org/coar/resource_type/c_7a1f info:ar-repo/semantics/tesisDeGrado |
format |
bachelorThesis |
status_str |
acceptedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/47056 |
url |
http://sedici.unlp.edu.ar/handle/10915/47056 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by/4.0/ Creative Commons Attribution 4.0 International (CC BY 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by/4.0/ Creative Commons Attribution 4.0 International (CC BY 4.0) |
dc.format.none.fl_str_mv |
application/pdf |
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_ |
1844615896362909696 |
score |
13.070432 |