A. Villagra, D. Pandolfi LabTEm: Laboratorio de Tecnologías Emergentes Universidad Nacional de la Patagonia Austral Unidad Académica Caleta Olivia G. Leguizamón.

Presentación del tema: "A. Villagra, D. Pandolfi LabTEm: Laboratorio de Tecnologías Emergentes Universidad Nacional de la Patagonia Austral Unidad Académica Caleta Olivia G. Leguizamón."— Transcripción de la presentación:

1 A. Villagra, D. Pandolfi LabTEm: Laboratorio de Tecnologías Emergentes Universidad Nacional de la Patagonia Austral Unidad Académica Caleta Olivia G. Leguizamón LIDIC: Laboratorio de Investigación y Desarrollo en Inteligencia Computacional Universidad Nacional de San Luis HIBRIDIZACION DE K-MEANS A TRAVES DE TECNICAS METAHEURISTICAS Trabajos Futuros Actualmente se esta trabajando en el desarrollo de técnicas avanzadas o mejoradas de minería de datos, particularmente en la tarea de clustering y en mejoras al algoritmo de K-means basándose en la aplicación de técnicas Metaheurísticas. Se pretende hibridizar dicho algoritmo a través de técnicas Metaheurísticas en una primer etapa utlizando el algoritmo de PSO y comparar los resultados con los obtenidos en mejoras alternativas a dicho algoritmo propuestas en trabajos existentes, incluyendo además, la aplicación de los resultados a distintos problemas del mundo real analizando la calidad de dichas técnicas. Resumen En los últimos años, ha existido un gran crecimiento en nuestras capacidades de generar y colectar datos, debido básicamente al gran poder de procesamiento de las máquinas y a su bajo costo de almacenamiento. Sin embargo, dentro de estas enormes masas de datos existe una gran cantidad de información ``oculta", de gran importancia estratégica, a la que no se puede acceder por las técnicas clásicas de recuperación de la información. La Minería de Datos implica “escabar” en esa inmensidad de datos, en búsqueda de patrones, asociaciones o predicciones que permitan transformar esa maraña de datos en información útil. Una de las tareas utilizadas en minería de datos es el clustering (agrupamiento) y un algoritmo muy popular y simple usado en esta tarea es K-means. Se pretende a través de esta línea de investigación desarrollar técnicas avanzadas o mejoradas de minería de datos, particularmente en la tarea de clustering y además, proponer mejoras al algoritmo de K-means basándose en la aplicación de técnicas Metaheurísticas. k-Means 1. seleccionar aleatoriamente k ejemplos (semillas) para ser centroides de los clusters 2. asignar cada ejemplo al centroide con el que tenga mayor similitud 3. recalcular los centroides de acuerdo a los ejemplos asignados a cada cluster 4. si no se satisface el criterio de terminaci ó n establecido volver a 2 Clustering PSO Inicializar S /* S= Swarm*/ do for cada part í cula i del c ú mulo { /* Establecer la mejor posici ó n peronal*/ if f(S.x i ) < f(S.y i ) S. y i = S.x i /* Establecer la mejor posici ó n global*/ if f(S.x i ) < f(S.y i ) S. y i = S.x i } for cada part í cula i del c ú mulo { Actualizar velocidad Actualizar posici ó n } while (condicion de parada) Metaheurística Ventajas Implementaci ó n sencilla Entre los algoritmos de particionamiento es eficiente Desventajas Necesita conocer de antemano el valor de k. Sensible a outliers Sensitivo a la elecci ó n de semillas. Puede caer en m í nimos locales. LabTEm: El Laboratorio de Tecnologías Emergentes de la UNPA, trabaja con distintos proyectos que se enfocan a la investigación y desarrollo de distintas tecnologías basadas en Sistemas Inteligentes Multiagentes, Aprendizaje Automático y Minería de Datos, para la resolución de distintos problemas de optimización, planificación, edificios inteligentes y principalmente aplicados en el ámbito de la industria (gas, petróleo, hidrógeno y eólicas). Formación de Recursos Humanos: Dos doctorados y dos maestrías en curso, tres becas de posgrado, tres becas de investigación y cuatro pasantías.