Estudio de pertinencia de algoritmos en procesos de descubrimiento de reglas de pertenencia a grupos

Autores
Ciciliani, Gabriel
Año de publicación
2019
Idioma
español castellano
Tipo de recurso
tesis de maestría
Estado
versión aceptada
Colaborador/a o director/a de tesis
Merlino, Hernán
Martins, Sebastian
Descripción
En el campo de la Ingeniería de explotación de información, el proceso de descubrimiento de reglas de pertenencia a grupos se caracteriza por la utilización combinada de un proceso de descubrimiento de grupos (clustering) y uno de inducción de reglas. Dada la variedad de algoritmos de clustering e inducción de reglas disponibles en la actualidad, es de interés poder conocer a priori que pareja de algoritmos es más conveniente para un set de datos, en a base sus características. En esta tesis, se propone un proceso que permite validar el rendimiento de los algoritmos, en base a métricas internas, para distintos tipos de sets de datos, con características específicas, de forma tal que permita comprender bajo que características cada pareja de algoritmos ofrece mejor rendimiento.
In the data mining field, the group membership rules discovery process consists of utilizing a group discovery (clustering) and rules induction process combined. Due to the broad variety of clustering and rules induction algorithms currently available, it is considered of interest to know beforehand which pair of algorithms is more convenient for a given dataset, based just on its properties. In this thesis, a process that allows to validate algorithms performance, based on internal metrics, for different datasets, with specific characteristics, is proposed, so that it allows to understand under which characteristics, each algorithm pair offers better performance.
Fil: Ciciliani, Gabriel. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires; Argentina.
Materia
Sistemas de Información
Minería de datos
Clustering
Inducción de reglas
Descubrimiento de reglas de pertenencia a grupos
Estudio de algoritmos
Data mining
Rules induction
Membership rules discovery
Algorithms study
Nivel de accesibilidad
acceso abierto
Condiciones de uso
2019-08-22T20:39:20Z
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/3903

id RIAUTN_fa70b493ab064e2132eb1eb492537680
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/3903
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Estudio de pertinencia de algoritmos en procesos de descubrimiento de reglas de pertenencia a gruposCiciliani, GabrielSistemas de InformaciónMinería de datosClusteringInducción de reglasDescubrimiento de reglas de pertenencia a gruposEstudio de algoritmosData miningRules inductionMembership rules discoveryAlgorithms studyEn el campo de la Ingeniería de explotación de información, el proceso de descubrimiento de reglas de pertenencia a grupos se caracteriza por la utilización combinada de un proceso de descubrimiento de grupos (clustering) y uno de inducción de reglas. Dada la variedad de algoritmos de clustering e inducción de reglas disponibles en la actualidad, es de interés poder conocer a priori que pareja de algoritmos es más conveniente para un set de datos, en a base sus características. En esta tesis, se propone un proceso que permite validar el rendimiento de los algoritmos, en base a métricas internas, para distintos tipos de sets de datos, con características específicas, de forma tal que permita comprender bajo que características cada pareja de algoritmos ofrece mejor rendimiento.In the data mining field, the group membership rules discovery process consists of utilizing a group discovery (clustering) and rules induction process combined. Due to the broad variety of clustering and rules induction algorithms currently available, it is considered of interest to know beforehand which pair of algorithms is more convenient for a given dataset, based just on its properties. In this thesis, a process that allows to validate algorithms performance, based on internal metrics, for different datasets, with specific characteristics, is proposed, so that it allows to understand under which characteristics, each algorithm pair offers better performance.Fil: Ciciliani, Gabriel. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires; Argentina.Escuela de Posgrado - Facultad Regional Buenos AiresMerlino, HernánMartins, Sebastian2019-08-22T20:39:20Z2019-08-22T20:39:20Z2019-02-20info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_bdccinfo:ar-repo/semantics/tesisDeMaestriatext/plainapplication/pdfhttp://hdl.handle.net/20.500.12272/3903spainfo:eu-repo/semantics/openAccess2019-08-22T20:39:20Zhttp://creativecommons.org/licenses/by-nc-nd/4.0/Facultad Regional Buenos Aires. Universidad Tecnológica Nacional.Atribución – No comercial – Compartir igual (by-nc-sa): No se permite un uso comercial de la obra original ni de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.Attribution-NonCommercial-NoDerivatives 4.0 Internacionalreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-10-29T11:27:38Zoai:ria.utn.edu.ar:20.500.12272/3903instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-10-29 11:27:39.278Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Estudio de pertinencia de algoritmos en procesos de descubrimiento de reglas de pertenencia a grupos
title Estudio de pertinencia de algoritmos en procesos de descubrimiento de reglas de pertenencia a grupos
spellingShingle Estudio de pertinencia de algoritmos en procesos de descubrimiento de reglas de pertenencia a grupos
Ciciliani, Gabriel
Sistemas de Información
Minería de datos
Clustering
Inducción de reglas
Descubrimiento de reglas de pertenencia a grupos
Estudio de algoritmos
Data mining
Rules induction
Membership rules discovery
Algorithms study
title_short Estudio de pertinencia de algoritmos en procesos de descubrimiento de reglas de pertenencia a grupos
title_full Estudio de pertinencia de algoritmos en procesos de descubrimiento de reglas de pertenencia a grupos
title_fullStr Estudio de pertinencia de algoritmos en procesos de descubrimiento de reglas de pertenencia a grupos
title_full_unstemmed Estudio de pertinencia de algoritmos en procesos de descubrimiento de reglas de pertenencia a grupos
title_sort Estudio de pertinencia de algoritmos en procesos de descubrimiento de reglas de pertenencia a grupos
dc.creator.none.fl_str_mv Ciciliani, Gabriel
author Ciciliani, Gabriel
author_facet Ciciliani, Gabriel
author_role author
dc.contributor.none.fl_str_mv Merlino, Hernán
Martins, Sebastian
dc.subject.none.fl_str_mv Sistemas de Información
Minería de datos
Clustering
Inducción de reglas
Descubrimiento de reglas de pertenencia a grupos
Estudio de algoritmos
Data mining
Rules induction
Membership rules discovery
Algorithms study
topic Sistemas de Información
Minería de datos
Clustering
Inducción de reglas
Descubrimiento de reglas de pertenencia a grupos
Estudio de algoritmos
Data mining
Rules induction
Membership rules discovery
Algorithms study
dc.description.none.fl_txt_mv En el campo de la Ingeniería de explotación de información, el proceso de descubrimiento de reglas de pertenencia a grupos se caracteriza por la utilización combinada de un proceso de descubrimiento de grupos (clustering) y uno de inducción de reglas. Dada la variedad de algoritmos de clustering e inducción de reglas disponibles en la actualidad, es de interés poder conocer a priori que pareja de algoritmos es más conveniente para un set de datos, en a base sus características. En esta tesis, se propone un proceso que permite validar el rendimiento de los algoritmos, en base a métricas internas, para distintos tipos de sets de datos, con características específicas, de forma tal que permita comprender bajo que características cada pareja de algoritmos ofrece mejor rendimiento.
In the data mining field, the group membership rules discovery process consists of utilizing a group discovery (clustering) and rules induction process combined. Due to the broad variety of clustering and rules induction algorithms currently available, it is considered of interest to know beforehand which pair of algorithms is more convenient for a given dataset, based just on its properties. In this thesis, a process that allows to validate algorithms performance, based on internal metrics, for different datasets, with specific characteristics, is proposed, so that it allows to understand under which characteristics, each algorithm pair offers better performance.
Fil: Ciciliani, Gabriel. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires; Argentina.
description En el campo de la Ingeniería de explotación de información, el proceso de descubrimiento de reglas de pertenencia a grupos se caracteriza por la utilización combinada de un proceso de descubrimiento de grupos (clustering) y uno de inducción de reglas. Dada la variedad de algoritmos de clustering e inducción de reglas disponibles en la actualidad, es de interés poder conocer a priori que pareja de algoritmos es más conveniente para un set de datos, en a base sus características. En esta tesis, se propone un proceso que permite validar el rendimiento de los algoritmos, en base a métricas internas, para distintos tipos de sets de datos, con características específicas, de forma tal que permita comprender bajo que características cada pareja de algoritmos ofrece mejor rendimiento.
publishDate 2019
dc.date.none.fl_str_mv 2019-08-22T20:39:20Z
2019-08-22T20:39:20Z
2019-02-20
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_bdcc
info:ar-repo/semantics/tesisDeMaestria
format masterThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/20.500.12272/3903
url http://hdl.handle.net/20.500.12272/3903
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
2019-08-22T20:39:20Z
http://creativecommons.org/licenses/by-nc-nd/4.0/
Facultad Regional Buenos Aires. Universidad Tecnológica Nacional.
Atribución – No comercial – Compartir igual (by-nc-sa): No se permite un uso comercial de la obra original ni de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
eu_rights_str_mv openAccess
rights_invalid_str_mv 2019-08-22T20:39:20Z
http://creativecommons.org/licenses/by-nc-nd/4.0/
Facultad Regional Buenos Aires. Universidad Tecnológica Nacional.
Atribución – No comercial – Compartir igual (by-nc-sa): No se permite un uso comercial de la obra original ni de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
dc.format.none.fl_str_mv text/plain
application/pdf
dc.publisher.none.fl_str_mv Escuela de Posgrado - Facultad Regional Buenos Aires
publisher.none.fl_str_mv Escuela de Posgrado - Facultad Regional Buenos Aires
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1880396327735525376
score 13.334379