El aprendizaje autom�atico es un �area de investigaci�on que proporciona algoritmos
y t�ecnicas que son capaces de aprender autom�aticamente a partir
de experiencias pasadas. Estas t�ecnicas son esenciales en el �area de descubrimiento
de conocimiento de bases de datos (KDD), cuya fase principal es
t�ÿpicamente conocida como miner�ÿa de datos. El proceso de KDD se puede ver
como el aprendizaje de un modelo a partir de datos anteriores (generaci�on del
modelo) y la aplicaci�on de este modelo a nuevos datos (utilizaci�on del modelo).
La fase de utilizaci�on del modelo es muy importante, porque los usuarios y,
muy especialmente, las organizaciones toman las decisiones dependiendo del
resultado de los modelos.
Por lo general, cada modelo se aprende de forma independiente, intentando
obtener el mejor resultado (local). Sin embargo, cuando varios modelos se usan
conjuntamente, algunos de ellos pueden depender los unos de los otros (por
ejemplo, las salidas de un modelo pueden ser las entradas de otro) y aparecen
restricciones. En este escenario, la mejor decisi�on local para cada problema
tratado individualmente podr�ÿa no dar el mejor resultado global, o el resultado
obtenido podr�ÿa no ser v�alido si no cumple las restricciones del problema.
El �area de administraci�on de la relaci�on con los clientes (CRM) ha dado
origen a problemas reales donde la miner�ÿa de datos y la optimizaci�on (global)
deben ser usadas conjuntamente. Por ejemplo, los problemas de prescripci�on
de productos tratan de distinguir u ordenar los productos que ser�an ofrecidos
a cada cliente (o sim�etricamente, elegir los clientes a los que se les deber�ÿa de
ofrecer los productos). Estas �areas (KDD, CRM) carecen de herramientas para
tener una visi�on m�as completa de los problemas y una mejor integraci�on de
los modelos de acuerdo a sus interdependencias y las restricciones globales y
locales. La aplicaci�on cl�asica de miner�ÿa de datos a problemas de prescripci�on
de productos, por lo general, ha / Bella Sanjuán, A. (2012). Model Integration in Data Mining: From Local to Global Decisions [Tesis doctoral no publicada]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/16964 / Palancia
| Identifer | oai:union.ndltd.org:upv.es/oai:riunet.upv.es:10251/16964 |
| Date | 31 July 2012 |
| Creators | Bella Sanjuán, Antonio |
| Contributors | Ferri Ramírez, César, Hernández Orallo, José, Ramírez Quintana, María José, Universitat Politècnica de València. Departamento de Sistemas Informáticos y Computación - Departament de Sistemes Informàtics i Computació |
| Publisher | Universitat Politècnica de València |
| Source Sets | Universitat Politècnica de València |
| Language | English |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/doctoralThesis, info:eu-repo/semantics/acceptedVersion |
| Source | Riunet |
| Rights | http://rightsstatements.org/vocab/InC/1.0/, info:eu-repo/semantics/openAccess |
Page generated in 0.0025 seconds