Métodos de transformación de características basados en descomposición de funciones

Abstract

Los métodos de descomposición de funciones y su aplicación en la Transformación de Características para la Minería de Datos y el Aprendizaje Automático resultan de gran interés para muchos investigadores de esta rama de la ciencia que es la Inteligencia Artificial. Sin embargo, son pocas las publicaciones existentes en este tema y la mayoría de las que existen tienen alcances limitados respecto a estos algoritmos y su utilidad en la recopilación y almacenamiento eficiente de datos, así como su integración al Descubrimiento de Conocimiento. En este trabajo investigativo se proponen tres de estas técnicas y se evalúan ante los algoritmos de aprendizaje IBk, RIPPER y Naive Bayes. Incluye además una explicación detallada de las formas de Transformación de Características estudiadas. Recoge los elementos teóricos de la descomposición de funciones y específicamente la de paso simple. También contiene las descripciones del Descubrimiento de Conocimientos en Bases de Datos y particularmente de la Minería de Datos, además de los elementos básicos del Aprendizaje Automático y los Sistemas Expertos. Function decomposition methods and its integration with the Feature Transformation for Data Mining and Machine Learning has been, and are for many authors of this topic’s science that is the Atifitial Intelligence, of a big investment interest. However, there exists a little publications number about this topic and the most of them use to be poor about these algorithms and its utility in the efficient gathering and storage of data, as well as its integration with the Knowledge Discovery. This dissertation prupose three of this techniques and evaluate them against this learning algorithms wich are: IBk, RIPPER and Naïve Bayes. Besides it has a Feature Transformations detailed explanation studied methods. Itemise the theory of the function decomposition and, specifically, the simple step funcion decomposition. Also contains the description of the Knowledge Discovery in Databases and Machine Learning and Experts Systems overview.

Function decomposition methods and its integration with the Feature Transformation for Data Mining and Machine Learning has been, and are for many authors of this topic’s science that is the Atifitial Intelligence, of a big investment interest. However, there exists a little publications number about this topic and the most of them use to be poor about these algorithms and its utility in the efficient gathering and storage of data, as well as its integration with the Knowledge Discovery . This dissertation prupose three of this techniques and evaluate them against this learning algorithms wi c h are: I Bk , RIPPER and Naïve Bayes. Besides it has a Feature Transformations detailed explanation studie d methods. Itemise the theory of the function decomposition and, specifically, the simple step funcion decomposition. Also contains the description of the Knowledge Discovery in Databases and Machine Learning and Experts Systems overview