Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TECNOLOGÍA DE LA INFORMACIÓN Y
COMUNICACIÓN
INTEGRANTES:
PERIODO ACADÉMICO:
TEMA:
Regla de Asociación
Redes Neuronales
Algoritmos Genéticos
JIPIJAPA- MANABÍ- ECUADOR
REGLA DE ASOCIACIÓN
un antecedente (si) y
un consecuente (entonces)
Las reglas de asociación se crean buscando en los datos patrones frecuentes de “if-
then” y utilizando los criterios de apoyo y confianza para identificar las relaciones más
importantes. El apoyo es una indicación de la frecuencia con que los elementos aparecen en
los datos. La confianza indica el número de veces que las afirmaciones del tipo “if-then” se
consideran verdaderas. Se puede utilizar una tercera métrica, llamada fit para comparar la
confianza con la confianza esperada, o cuántas veces se espera que una afirmación del tipo
“if-then” se considera cierta.
La realización de base de datos se ha vuelto una acción fundamental para las empresas,
pero a consecuencia de la generación masiva de estos, nos encontramos frente a un problema,
la infoxicación, disponemos de tanta información, que a veces es imposible organizarla con
efectividad. Por ello, la clave está en descubrir patrones o algoritmos para sacarle el máximo
partido, y aquí es donde entra en juego el Data Mining o minería de datos. (Baoss, 2020)
Association Rules
Aplicaciones
Ejemplos
Algoritmo Apriori
Los conjuntos de elementos candidatos se generan usando solo los grandes conjuntos
de elementos de la pasada anterior. El conjunto de ítems grandes de la pasada anterior se une
a sí mismo para generar todos los conjuntos de ítems con un tamaño que es mayor por uno.
Cada conjunto de ítems generado con un subconjunto que no es grande es entonces
eliminado. El resto de los conjuntos de elementos son candidatos.
Apriori usa grandes conjuntos de datos mientras que Eclat usa un conjunto de datos
pequeño y mediano.
Apriori es más lento que Eclat.
Algoritmo AIS
Algoritmo SETM
REGLA NEURONALES
Las redes neuronales son una herramienta poderosa en minería de datos y aprendizaje
automático. Se utilizan para modelar y analizar patrones complejos en conjuntos de datos,
realizar predicciones y clasificar información. Aquí hay algunos aspectos clave de cómo se
aplican las redes neuronales en minería de datos:
La elección de la arquitectura depende del tipo de datos y del problema específico que
se esté abordando.
En minería de datos, los algoritmos genéticos pueden ser aplicados para tareas como
la selección de características, optimización de parámetros de modelos, descubrimiento de
reglas y otras tareas de optimización. La flexibilidad y capacidad de explorar grandes
espacios de búsqueda hacen que los algoritmos genéticos sean útiles en problemas complejos
y no lineales.
Bibliografía
Baoss. (10 de 2020).