Producto añadido correctamente al carrito

Cantidad
Total
Continuar comprando

Realizar pago

Sistemas e Informática

Suscribete a nuestro newsletter

Teoría de los conjuntos aproximados. Conceptos y métodos computacionales - Universidad Distrital Francisco José de Caldas Ver más grande

Teoría de los conjuntos aproximados. Conceptos y métodos computacionales

Nuevo

Autores: Varios
Editorial: Universidad Distrital Francisco José de Caldas
Edición: Primera, 2012
Formato: Libro
Rústica, 17 x 24 cm
385 páginas
Peso: 0.627 Kg
ISBN: 9789588723778
Click para ver: Reseña - Contenido

Más detalles

Libro disponible ¡Pídelo ya!


COP$ 37.000

Más

Reseña. Teoría de los conjuntos aproximados. Conceptos y métodos computacionales

El desarrollo de las tecnologías de la información ha permitido un rápido crecimiento de la información en soporte digital, lo que ha provocado una alta demanda de análisis automatizado de los datos para mejorar los procesos de toma de decisiones en todas las esferas de la vida del ser humano. Los procesos de análisis de datos permiten enriquecer el conocimiento existente sobre cualquier dominio de aplicación, y consecuente disminuir la incertidumbre asociada a las decisiones que se tomen ante los nuevos problemas que aparecen. En este contexto se ha desarrollado la Teoría de los Conjuntos aproximados (Rough set theory) en los últimos años.

La misma tiene la ventaja, sobre otras teorías conocidas para el análisis de los datos, que trabaja directamente con la información disponible, sin ningún otro requerimiento ni supuesto adicional. Sobre unos pocos y precisos conceptos se han desarrollado diversas técnicas para el análisis de los datos, para el descubrimiento del conocimiento y para la toma de decisiones, con aplicaciones en innumerables áreas de la actividad socioeconómica y científica. Con este libro los autores han querido ofrecer al lector una visión general de la Teoría de los conjuntos aproximados desde sus conceptos básicos, se presentan diferentes extensiones de la teoría, diversas técnicas para el análisis de los datos desarrolladas a partir de ella; así como se muestra sus aplicaciones en diferentes campos.

Subir

Contenido. Teoría de los conjuntos aproximados. Conceptos y métodos computacionales

Introducción

Capítulo 1
Conjuntos aproximados superior e inferiormente

1.1. Teoría de Conjuntos Aproximados en el contexto de la Inteligencia Artificial
1.2. Sistemas de Información: definiciones, propiedades y relaciones
1.3. Definiciones de los conjuntos aproximados superior e inferiormente
1.4. Medidas para realizar inferencias
1.5. Ejemplo de estudio de un sistema de información usando la Teoría de los Conjuntos Aproximados
1.6. Relaciones entre conjuntos aproximados
1.7. Grado de inclusión: una nueva medida para el análisis de datos basado en conjuntos aproximados
1.8. Aspectos computacionales de la Teoría de Conjuntos
Aproximados
1.9. Análisis de la aplicabilidad de los conjuntos aproximados
Figuras
Referencias

Capítulo 2
Extensiones de la Teoría de los Conjuntos Aproximados

2.1. Conjuntos aproximados en sistemas de información incompletos
2.2. Conjuntos aproximados basados en relaciones de similaridad
2.3. Conjuntos aproximados en la aproximación de funciones Figuras
Referencias

Capítulo 3:
Incertidumbre y conjuntos aproximados

3.1. La modelación de la incertidumbre
3.2. Relación entre conjuntos aproximados y conjuntos borrosos
3.3. Relación entre los conjuntos aproximados y la Teoría de Dempster-Shafer
3.4. Entropía de un conjunto aproximado
3.5. Razonamiento lógico con conjuntos aproximados
3.6. Análisis de la incertidumbre de un sistema de decisión usando conjuntos aproximados
Figuras
Referencias

Capítulo 4
El problema de la toma de decisiones y algoritmos para la toma decisiones basados en conjuntos aproximados

4.1. Organización y administración: el problema de la toma de decisiones
4.2. Sistemas de apoyo a la toma de decisiones
4.3. Modelos y métodos para el problema de toma de decisiones
4.4. Valoración de la aplicabilidad de los conjuntos aproximados en la toma de decisiones
4.5. Un algoritmo para la toma de decisiones a partir del uso de conjuntos aproximados en problemas de ordenamiento multicriferio
4.6. Tomar decisiones con multiatributos y multicriterios con el uso de los conjuntos aproximados
Figuras
Referencias

Capítulo 5
Aprendizaje Automático y Minería de Datos

5.1 El problema del aprendizaje
5.2 Minería de Datos o descubrimiento de conocimiento en bases de datos
5.3 Relación de la Minería de Datos y el Aprendizaje Automatizado
5.4 ¿Qué tipo de conocimiento descubrir?
5.5 Evaluación del proceso de descubrimiento
5.6 Valoración de la aplicabilidad de los conjuntos aproximados en el descubrimiento de conocimiento
Figuras
Referencias

Capítulo 6
Descubrimiento de conocimiento basado en conjuntos aproximados

6.1. Medidas de dependencia entre atributos
6.2 Selección de los atributos y reducción de atributos
6.3. Extracción de atributos
6.4. Descubrimiento de reglas de decisión usando RST
6.4.1. Un algoritmo simple para descubrir reglas de decisión con el uso de conjuntos aproximados
6.5. Construcción de reglas de asociación usando conjuntos aproximados
6.6. Descubrimiento de secuencias con el uso de conjuntos aproximados
Figuras
Referencias

Capítulo 7
Algoritmos para el cálculo de reductos

7.1. Definición de reducto
7.2. Definición de núcleo
7.3. Variantes del concepto de reducto
7.4. Métodos para el cálculo de reductos con el uso de técnicas de reconocimiento de patrones
7.5. Cálculo de reductos usando algoritmos heurísticos
7.6. Cálculo de reductos con el uso de la metaheurística Optimización Basada en Colonias de Hormigas
Figuras
Referencias

Capítulo 8
Aplicación de los Algoritmos Genéticos en la Teoría de los Conjuntos Aproximados

8.1. Idea básica de un algoritmo genético
8.2. Descripción formal de los Algoritmos Genéticos
8.3. Problemas que pueden presentarse con la realización del algoritmo genético
8.4. Análisis del comportamiento de los Algoritmos Genéticos a partir de los esquemas
8.5. Algoritmos para el cálculo de reductos basados en Algoritmos Genéticos
8.6. Genoma de los conjuntos aproximados
8.7. Algoritmos con estimación de distribuciones para el cálculo de reductos
8.8. Cálculo de reductos usando Rosetta
8.9. Estudio del comportamiento de los métodos para el cálculo de reductos
Figuras
Referencias

Capítulo 9
Los conjuntos aproximados en las Redes Neuronales Artificiales

9.1. Redes Neuronales Artificiales
9.2. Heurísticas para mejorar el aprendizaje durante el entrenamiento del MLP
9.3. Conjuntos aproximados y Redes Neuronales Artificiales Figuras
Referencias

Capítulo 10
Otras aplicaciones de los conjuntos aproximados en el Aprendizaje Automático

10.1 Los conjuntos aproximados en la edición de conjuntos de entrenamientos
10.2. Caracterización de conjuntos de entrenamientos y selección de algoritmos con el uso de conjuntos aproximados
10.3. Conjuntos aproximados en casos especiales de Sistemas de Decisión
Figuras
Referencias

Capítulo 11
Conjuntos aproximados en los Sistemas Basados en Casos

11.1. Relación entre los conjuntos aproximados y los Sistemas Basados en Casos
11.2. Descripción de los Sistemas Basados en Casos
11.4. Uso de los conjuntos aproximados para seleccionar los casos a colocar en la base
11.5. Uso los conjuntos aproximados para organizar la base de casos
11.6. Uso de los conjuntos aproximados para realizar la selección inicial de casos
11.7. Uso de los conjuntos aproximados para modelar la incertidumbre en los Sistemas Basados en Casos
11.8. Uso de los conjuntos aproximados como método para calcular el peso de los rasgos
11.9. Resultados experimentales de emplear los conjuntos aproximados para implementar el razonamiento basado en casos
Figuras
Referencias

Capítulo 12
Otras aplicaciones de los conjuntos aproximados

12.1. Aplicaciones de los conjuntos aproximados en la informática médica
12.2. Aplicaciones de los conjuntos aproximados en la Bioinformática
12.3. Procesamiento de textos con el uso de los conjuntos aproximados
Figuras
Referencias

Subir