Descripción
|
|
---|---|
El aprendizaje no supervisado es una técnica esencial en cualquier campo de investigación que involucre el análisis o procesamiento de datos, tales como la segmentación de imágenes, minería de datos, recuperación de documentos, etc. Con el objetivo de aumentar la calidad de este proceso surge la idea de combinar resultados de algoritmos de aprendizaje no supervisado. Por otro lado, la representación natural de muchos de los conjuntos de datos son series temporales, por lo que resulta necesaria y de mucha importancia la vinculación de estas dos áreas. El propósito fundamental de este trabajo es contribuir al desarrollo de un modelo de combinación de agrupamientos para series temporales. Para ello, se realizó un estudio de diversos algoritmos de agrupamiento jerárquicos: Single Link, Complete Link y Average Link, así como no jerárquicos: DBSCAN. Para estos algoritmos se incorporaron medidas de proximidad para series temporales como Dynamic Time Warping y Edit Distance on Real Secuence. Para la validación de las agrupaciones se estudiaron variados índices internos y externos destacados en la literatura. Por último, se analizaron en profundidad diferentes algoritmos de combinación de agrupamientos basados fundamentalmente en métodos de co-asociación y algoritmos basados en la Teoría de la Información (QMI). Estos algoritmos son | |
Internacional
|
No |
ISBN
|
|
Tipo de Tesis
|
Master |
Calificación
|
Sobresaliente |
Fecha
|
24/07/2014 |