Detalle de la tesis

Autores: Ahumada, Hernán César.

Resumen: Tradicionalmente, los métodos de Aprendizaje Automatizado son agrupados endos paradigmas: supervisado y no supervisado. La principal diferencia entre ellos esel tipo de conjunto de datos que procesan. Los métodos supervisados requieren quetodos los ejemplos tengan un valor de salida asociado, por ejemplo, una clase. Por otrolado, los metodos no supervisados consideran que ningún ejemplo tiene un valor deetiqueta conocido. La utilización combinada de técnicas de ambos paradigmas sobreconjuntos totalmente etiquetados se denomina en la literatura Métodos Híbridos.La clasificación automática de ejemplos es una de las principales tareas del Aprendizaje Automatizado. Consiste en determinar, en base a un conjunto de datos dados,una función que permita asignar la pertenencia a cierta clase de ejemplos no clasificados aún. Según la cantidad de valores discretos posibles que puede asumir la variablede salida, se tienen problemas de clasificación binarios o multiclases.La mayoría de los métodos de clasificación conocidos parten del supuesto de quese dispone de cantidades similares de ejemplos de cada una de las clases. Cuando esteúltimo supuesto no se verifica, surge el denominado problema de clases desbalanceadas.La presente tesis tiene entre sus objetivos desarrollar un método eficaz y eficiente declasificación para este tipo de problemas.En general, los métodos de clasificación se encuentran diseñados para resolver problemas de clasificación binarios, y son raros los métodos que funcionen adecuadamente en problemas con muchas clases. Otra problemática que se estudia en esta tesis es la de resolver de la misma forma, con eficiencia y eficacia, problemas de clasificación multiclases.En los últimos años ha surgido un nuevo tipo de métodos que permiten procesar simultáneamente datos etiquetados y no etiquetados, dando origen al paradigma delaprendizaje semisupervisado. Éste es el último problema que se aborda en esta tesis,siempre buscando obtener eficiencia computacional y eficacia en las predicciones delmétodo.En todos los casos, tanto en los problemas desbalanceados, multiclases o semi-supervisados, las soluciones propuestas consisten en métodos híbridos, tendientes adescomponer inteligentemente el problema original en subproblemas mas simples deresolver, utilizando en primer término una estrategia no supervisada seguido de unmétodo supervisado apropiado.Los tres métodos desarrollados fueron evaluados experimentalmente con datosartificiales y del mundo real, obteniéndose resultados promisorios al ser comparadoscon los desempeños de otros métodos del estado del arte.

Grado académico: Universitario de posgrado/doctorado.

Titulo obtenido: Doctor en Informática.

Idioma: Español.

Area de conocimiento: Ciencias de la Computación.

Año: 2012