Extracción de conocimiento en grandes bases de datos utilizando estrategias adaptativas
Hoy en día, dada la existencia de enormes volúmenes de información digital, resulta de interés contar con técnicas que permitan, en una primera etapa, analizar tal información y obtener conocimiento nuevo a partir de ella. Además, como se espera que la información disponible se modifique o increment...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Objeto de conferencia |
| Lenguaje: | Español |
| Publicado: |
2013
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/27551 |
| Aporte de: |
| Sumario: | Hoy en día, dada la existencia de enormes volúmenes de información digital, resulta de interés contar con técnicas que permitan, en una primera etapa, analizar tal información y obtener conocimiento nuevo a partir de ella. Además, como se espera que la información disponible se modifique o incremente a lo largo del tiempo, en una segunda etapa, sería relevante poder adaptar el conocimiento adquirido a los cambios o variaciones que ocurran en el conjunto de datos original.
El objetivo general de esta tesis es la definición de una nueva técnica de minería de datos capaz de generar conocimiento útil, produciendo resultados provechosos para el usuario final.
El aporte central es la definición e implementación de una técnica adaptativa que permite obtener modelo dinámico, formado por reglas de clasificación, capaz de adaptarse a los cambios de la información. |
|---|