Tesis doctorales: TESEO

Ayuda Salir

Ficha de Tesis

Imprimir

Ministerio de Universidades - Gobierno de España

Título: MINERÍA DE DATOS MEDIANTE PROGRAMACIÓN AUTOMÁTICA CON COLONIAS DE HORMIGAS
Autor: OLMO ORTIZ, JUAN LUIS
Universidad: Universidad de Córdoba
Departamento: Informática y análisis numérico
Fecha de Lectura: 12/03/2013
Programa de doctorado: INGENIERÍA Y TECNOLOGÍA
Dirección:
- ROMERO SALGUERO, JOSE RAUL (DIRECTOR)
- VENTURA SOTO, SEBASTIAN EMILIO (DIRECTOR)
Tribunal:
- DEL JESÚS DÍAZ, MARÍA JOSÉ (PRESIDENTE)
- ROMERO MORALES, CRISTÓBAL (SECRETARIO)
- PROVETTI, ALESSANDRO (VOCAL)
Descriptores:
- INTELIGENCIA ARTIFICIAL
Fichero de tesis:
Marcador: https://www.educacion.gob.es/teseo/mostrarRef.do?ref=1018299Añadir a favoritos.
Resumen:
RESUMEN DE LA TESIS DOCTORAL DE D./Dª Juan Luis Olmo Ortiz El resumen de la tesis para la base de datos Teseo debe ser una presentación de la tesis y tener la extensión suficiente para que quede explicado el argumento de la tesis doctoral. El formato debe facilitar la lectura y comprensión del texto a los usuarios que accedan a Teseo, debiendo diferenciarse las siguientes partes de la tesis: 1. introducción o motivación de la tesis La presente tesis doctoral supone el primer acercamiento de la metaheurística de programación automática mediante colonias de hormigas (Roux, 2000) a tareas de minería de datos. (Cios, 2010). Esta técnica de aprendizaje automático ha demostrado ser capaz de obtener buenos resultados en problemas de optimización, pero su aplicación a la minería de datos no había sido explorada hasta el momento. 2.contenido de la investigación Específicamente, esta tesis cubre las tareas de clasificación y asociación. Para la primera se presentan tres modelos que inducen un clasificador basado en reglas. Dos de ellos abordan el problema de clasificación desde el punto de vista de evaluación monobjetivo (Olmo, 2011) y multiobjetivo (Olmo, 2012), respectivamente , mientras que el tercero afronta el problema específico de clasificación en conjuntos de datos no balanceados (Herrera, 2013) desde una perspectiva multiobjetivo. Por su parte, para la tarea de extracción de reglas de asociación se han desarrollado dos algoritmos que llevan a cabo la extracción de patrones frecuentes (Olmo, 2013). El primero de ellos propone una evaluación de los individuos novedosa, mientras que el segundo lo hace desde un punto de vista basado en la dominancia de Pareto. 3.conclusión Todos los algoritmos han sido evaluados en un marco experimental adecuado, utilizando numerosos conjuntos de datos y comparando su rendimiento frente a otros métodos ya publicados de contrastada calidad. Los resultados obtenidos, que han sido verificados mediante la aplicación de test estadísticos no paramétricos (Demsar, 2006), demuestran los beneficios de utilizar la metaheurística de programación automática con colonias de hormigas para dichas tareas de minería de datos. 4. bibliografía Bibliografía Cios, K. a. (2010). Data Mining: A Knowledge Discovery Approach. Springer. Demsar, J. (2006). Statistical Comparisons of Classifiers over Multiple Data Sets. Journal of Machine Learning Research , 7, 1-30. Herrera, A. F.a. (2013). Analysing the classification of imbalanced data-sets with multiple classes: Binarization techniques and ad-hoc approaches. Knowledge-Based Systems , 42, 97-110. Olmo, J. L. (2011). Using Ant Programming Guided by Grammar for Building Rule-Based Classifiers. Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on , 41 (6), 1585-1599. Olmo, J. L. (2012). Classification rule mining using ant programming guided by grammar with multiple Pareto fronts. Soft Computing - A Fusion of Foundations, Methodologies and Applications, 16 (12), 2143-2163. Olmo, J. L. (2013). Mining association rules with single and multi-objective grammar guided ant programming. Integrated Computer-Aided Engineering , 1-17. Roux, O. a. (2000). Ant Programming: or how to use ants for automatic programming. International conference on Swarm Intelligence (ANTS), (págs. 121-129).

Imprimir

Modificar Consulta Nueva Consulta

Versión 4.4