Show simple item record

dc.contributor.advisorHervás-Martínez, César
dc.contributor.advisorGutiérrez Peña, Pedro Antonio
dc.contributor.authorPérez-Ortiz, María
dc.date.accessioned2015-02-18T14:06:29Z
dc.date.available2015-02-18T14:06:29Z
dc.date.issued2015
dc.identifier.urihttp://hdl.handle.net/10396/12564
dc.description.abstractEn la actualidad, la cantidad ingente de datos disponibles ha hecho, que el tratamiento y análisis de estos se haga intratable de manera manual. Esto ha propiciado que el objetivo de usar estos datos para la construcción de sistemas capaces de adaptarse al medio y de aprender de la experiencia haya sido desde siempre uno de los grandes desafíos para el hombre, atrayendo científicos de muy distintas áreas, como ciencias de la computación, ingeniería, física, matemáticas o neurociencia, entre otros. El término de ciencia de los datos abarca todo este tipo de técnicas que tienen como objetivo la extracción de conocimientos de los datos. Sin embargo, el crecimiento y desarrollo de este área se debe en parte a los recientes avances en aprendizaje automático, dada la amplitud y diversidad de conocimiento y aplicaciones de este área. La principal meta del aprendizaje automático es emular los complicados procesos de la toma de decisiones y automatizarlos usando ordenadores. Sin embargo, debido a la naturaleza compleja de este mecanismo, la mayoría de investigación en aprendizaje automático está dirigida a problemas más prácticos y reales, como puede ser el reconocimiento de escritura a mano, facial, o de huella dactilar. Los métodos que podemos encontrar en este área tan variada pueden ser categorizados de acuerdo a distintos criterios, por ejemplo, aprendizaje no supervisado frente a supervisado. El aprendizaje supervisado es quizás el problema de aprendizaje más común que se engloba dentro de este área, y a su vez dentro de esta se encuentra el paradigma de clasificación, que es también uno de los más estudiados. Sin embargo, hay categorizaciones, tanto dentro del aprendizaje supervisado como de la clasificación que han sido mucho menos estudiadas en la literatura, como es el caso de las tratadas en esta tesis: la clasificación ordinal y la clasificación desbalanceada. La clasificación ordinal se refiere a problemas de clasificación donde la variable categórica presenta un orden lógico entre las distintas etiquetas. Este paradigma de aprendizaje se presenta en numerosas aplicaciones, como economía, medicina, psicología y otros. La aplicación de métodos de clasificación estándar no es en este caso satisfactoria, ya que dichos métodos ignoran por completo la información de orden que puede tan útil para la construcción de un clasificador. Por ello, es de vital importancia el estudio de métodos capaces de usar dicha información para mejorar la clasificación. Hay, en este sentido, distintas cuestiones que pueden destacarse dentro de este área y que son la piedra angular de esta tesis. En primer lugar la necesidad de analizar y estudiar cada uno de los métodos existentes en la literatura. En segundo lugar el proponer nuevos métodos capaces de suplir las deficiencias de los existentes. Por otro lado, también se propone el estudio del paradigma de clasificación desbalanceada, donde una o varias clases tienen una probabilidad a priori muy inferior al resto. Este tipo de problemas supone un verdadero desafío para los investigadores en aprendizaje automático, y por ello es necesario su estudio. El problema del desbalanceo es también común en el ámbito de la clasificación ordinal, por lo que el desarrollo de métodos para mitigar sus efectos son también de importancia. Finalmente, la presente tesis también utiliza los métodos desarrollados para resolver ciertos problemas ordinales del mundo real, como es el caso de la construcción de un modelo de asignación donante-receptor en trasplante hepático.es_ES
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoenges_ES
dc.publisherUniversidad de Córdoba, Servicio de Publicacioneses_ES
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0/es_ES
dc.subjectKernel methodses_ES
dc.subjectMachine learninges_ES
dc.subjectOrdinal regressiones_ES
dc.subjectKernel functionses_ES
dc.subjectOrdinal kernel learninges_ES
dc.subjectOver-sampling techniqueses_ES
dc.titleUtilización de métodos de descomposición, algoritmos kernel y técnicas de remuestreo para clasificación ordinales_ES
dc.title.alternativeExploiting decomposition methods, kernel algorithms and over-sampling techniques for ordinal regressiones_ES
dc.typeinfo:eu-repo/semantics/doctoralThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record