Clustering a través de técnicas bio-inspiradas
Este artículo describe los trabajos de investigación y desarrollo que se están llevando a cabo en el Laboratorio de Investigación y Desarrollo en Inteligencia Computacional (LIDIC), relacionados a la aplicación de técnicas bio-insipiradas a problemas de minería de datos, y en particular, a tareas de...
Guardado en:
| Autores principales: | , , |
|---|---|
| Formato: | Objeto de conferencia |
| Lenguaje: | Español |
| Publicado: |
2005
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/21196 |
| Aporte de: |
| Sumario: | Este artículo describe los trabajos de investigación y desarrollo que se están llevando a cabo en el Laboratorio de Investigación y Desarrollo en Inteligencia Computacional (LIDIC), relacionados a la aplicación de técnicas bio-insipiradas a problemas de minería de datos, y en particular, a tareas de clustering. Intuitivamente, una tarea de clustering consiste en la clasificación no supervisada de patrones (observaciones, datos, vectores, etc.) en grupos. Este problema ha sido analizado en varios contextos y por investigadores de distintas disciplinas, reflejando su amplia utilidad. Si bien se han propuesto distintas alternativas para abordar las tareas de clustering, existe un área particularmente interesante y novedosa que ha planteado distintos enfoques bio-inspirados que incluyen los algoritmos genéticos y algoritmos basados en la metáfora del comportamiento de las hormigas. En este trabajo, describimos brevemente algunos de los trabajos que se están llevando a cabo en el LIDIC referidos a la utilización de algoritmos basados en el comportamiento de hormigas en la Minería de Datos, y más específicamente, a la tarea de clustering. Entre estos algoritmos podemos mencionar a AntTree, con el cual se ha experimentado utilizando distintas instancias del problema de clustering, reportándose algunas de las ventajas y desventajas observadas en este algoritmo en el trabajo experimental. También se proponen extensiones a este algoritmo que permitirían flexibilizar el proceso del descubrimiento de clusters dentro de los datos a analizar. |
|---|