“Herramienta software para implementar minería de datos:clusterización utilizando lógica difusa”

RESUMEN: La minería de datos se ha convertido en un área de investigación y desarrollo, desde la cual se proponen técnicas que apuntan a encontrar el conocimiento oculto en grandes colecciones de datos.  Estos datos contienen información valiosa, que puede ser usada para  mejorar la competitividad d...

Full description

Autores:
SANABRIA GARZÓN, J.
Tipo de recurso:
Article of journal
Fecha de publicación:
2004
Institución:
Universidad de los Llanos
Repositorio:
Repositorio Digital Universidad de los LLanos
Idioma:
spa
OAI Identifier:
oai:repositorio.unillanos.edu.co:001/3702
Acceso en línea:
https://repositorio.unillanos.edu.co/handle/001/3702
https://doi.org/10.22579/20112629.179
Palabra clave:
Bases de Datos (BD)
Conjuntos Difusos
Cluster
C-Means
Minería de Datos
Data Bases (BD)
Fuzzy Sets
Data Mining
Rights
openAccess
License
Orinoquia - 2014
id Unillanos2_6beb18eb385074d7be3f5135a27b7bc2
oai_identifier_str oai:repositorio.unillanos.edu.co:001/3702
network_acronym_str Unillanos2
network_name_str Repositorio Digital Universidad de los LLanos
repository_id_str
dc.title.spa.fl_str_mv “Herramienta software para implementar minería de datos:clusterización utilizando lógica difusa”
dc.title.translated.eng.fl_str_mv “Herramienta software para implementar minería de datos:clusterización utilizando lógica difusa”
title “Herramienta software para implementar minería de datos:clusterización utilizando lógica difusa”
spellingShingle “Herramienta software para implementar minería de datos:clusterización utilizando lógica difusa”
Bases de Datos (BD)
Conjuntos Difusos
Cluster
C-Means
Minería de Datos
Data Bases (BD)
Fuzzy Sets
Data Mining
title_short “Herramienta software para implementar minería de datos:clusterización utilizando lógica difusa”
title_full “Herramienta software para implementar minería de datos:clusterización utilizando lógica difusa”
title_fullStr “Herramienta software para implementar minería de datos:clusterización utilizando lógica difusa”
title_full_unstemmed “Herramienta software para implementar minería de datos:clusterización utilizando lógica difusa”
title_sort “Herramienta software para implementar minería de datos:clusterización utilizando lógica difusa”
dc.creator.fl_str_mv SANABRIA GARZÓN, J.
dc.contributor.author.spa.fl_str_mv SANABRIA GARZÓN, J.
dc.subject.spa.fl_str_mv Bases de Datos (BD)
Conjuntos Difusos
Cluster
C-Means
Minería de Datos
Data Bases (BD)
Fuzzy Sets
Data Mining
topic Bases de Datos (BD)
Conjuntos Difusos
Cluster
C-Means
Minería de Datos
Data Bases (BD)
Fuzzy Sets
Data Mining
description RESUMEN: La minería de datos se ha convertido en un área de investigación y desarrollo, desde la cual se proponen técnicas que apuntan a encontrar el conocimiento oculto en grandes colecciones de datos.  Estos datos contienen información valiosa, que puede ser usada para  mejorar la competitividad de las instituciones dueñas de la información. La información por descubrir puede tener muchas formas, entre ellas reglas asociativas o grupos de conjuntos denominados (Cluster), si a esto se le suma la capacidad que tiene la lógica difusa de romper con el principio del tercero excluido y permitir la pertenencia  de un elemento a varios Cluster, se tiene una metodología útil a la hora de clasificar en grupos el contenido de las bases de datos. En el presente artículo se presenta la implementación del algoritmo denominado C-Means para la agrupación de datos en conjuntos difusos, como técnica de minería de datos, esta técnica se implementó en el programa SM2D 1.2 Beta (Software  Minería  Datos Difusa), y se presenta como ejemplo el analisis del rendimiento académico de la asignatura  fisiología vegetal. Palabras Claves: Bases de Datos (BD), Conjuntos Difusos, Cluster,   C-Means, Minería de DatosABSTRACT: The data  mining has become an investigation and development area, in which are intending technicals that point to find the hidden information in a huge data. These data contain valuable information that can be used to improve the  competitiveness  of institutions owners of these data.The information  to discover can have many forms,  among  them associative  rules or groups of denominated  sets (Cluster), if to this we add the capacity that  has the Fuzzy Logic of breaking up with the third  excluded principle and to allow the relevancy from an element to several Cluster, we have a quite useful methodology when classifying in sets the content of the database.associative  rules or groups of denominated sets (Cluster), if to this we add the capacity that  has the Fuzzy Logic of breaking up with the third  excluded principle and to allow the relevancy from an element to several Cluster, we have a quite useful methodology when classifying in sets the content of the databases.In this paper is shown the implementation  of an  algorithm denominated C -Means for the grouping of data in fuzzy sets, this it has been implemented with the development of a  denominated program  (Software  Mining Data Fuzzy) SM2D 1.21.0  Beta.Key words: Data Bases (BD), Fuzzy Sets, Cluster, C-Means, Data Mining.
publishDate 2004
dc.date.accessioned.none.fl_str_mv 2004-01-01T00:00:00Z
2024-07-25T18:13:34Z
dc.date.available.none.fl_str_mv 2004-01-01T00:00:00Z
2024-07-25T18:13:34Z
dc.date.issued.none.fl_str_mv 2004-01-01
dc.type.spa.fl_str_mv Artículo de revista
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv Journal article
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_6501
dc.type.content.spa.fl_str_mv Text
dc.type.coarversion.spa.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
format http://purl.org/coar/resource_type/c_6501
status_str publishedVersion
dc.identifier.issn.none.fl_str_mv 0121-3709
dc.identifier.uri.none.fl_str_mv https://repositorio.unillanos.edu.co/handle/001/3702
dc.identifier.doi.none.fl_str_mv 10.22579/20112629.179
dc.identifier.eissn.none.fl_str_mv 2011-2629
dc.identifier.url.none.fl_str_mv https://doi.org/10.22579/20112629.179
identifier_str_mv 0121-3709
10.22579/20112629.179
2011-2629
url https://repositorio.unillanos.edu.co/handle/001/3702
https://doi.org/10.22579/20112629.179
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.bitstream.none.fl_str_mv https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/download/179/327
https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/download/179/328
https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/download/179/641
dc.relation.citationendpage.none.fl_str_mv 23
dc.relation.citationissue.spa.fl_str_mv 1
dc.relation.citationstartpage.none.fl_str_mv 15
dc.relation.citationvolume.spa.fl_str_mv 8
dc.relation.ispartofjournal.spa.fl_str_mv Orinoquia
dc.rights.spa.fl_str_mv Orinoquia - 2014
dc.rights.uri.spa.fl_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Orinoquia - 2014
https://creativecommons.org/licenses/by-nc-sa/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv application/msword
application/pdf
text/html
dc.publisher.spa.fl_str_mv Universidad de los Llanos
dc.source.spa.fl_str_mv https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/view/179
institution Universidad de los Llanos
bitstream.url.fl_str_mv https://repositorio.unillanos.edu.co/bitstreams/cdc9c632-8a6f-4eba-ab59-f53f3b9bf8bb/download
bitstream.checksum.fl_str_mv e14b79fa4a593bf64aa105d2f571f8c5
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositorio Universidad de Los Llanos
repository.mail.fl_str_mv repositorio@unillanos.edu.co
_version_ 1812104656427417600
spelling SANABRIA GARZÓN, J.2004-01-01T00:00:00Z2024-07-25T18:13:34Z2004-01-01T00:00:00Z2024-07-25T18:13:34Z2004-01-010121-3709https://repositorio.unillanos.edu.co/handle/001/370210.22579/20112629.1792011-2629https://doi.org/10.22579/20112629.179RESUMEN: La minería de datos se ha convertido en un área de investigación y desarrollo, desde la cual se proponen técnicas que apuntan a encontrar el conocimiento oculto en grandes colecciones de datos.  Estos datos contienen información valiosa, que puede ser usada para  mejorar la competitividad de las instituciones dueñas de la información. La información por descubrir puede tener muchas formas, entre ellas reglas asociativas o grupos de conjuntos denominados (Cluster), si a esto se le suma la capacidad que tiene la lógica difusa de romper con el principio del tercero excluido y permitir la pertenencia  de un elemento a varios Cluster, se tiene una metodología útil a la hora de clasificar en grupos el contenido de las bases de datos. En el presente artículo se presenta la implementación del algoritmo denominado C-Means para la agrupación de datos en conjuntos difusos, como técnica de minería de datos, esta técnica se implementó en el programa SM2D 1.2 Beta (Software  Minería  Datos Difusa), y se presenta como ejemplo el analisis del rendimiento académico de la asignatura  fisiología vegetal. Palabras Claves: Bases de Datos (BD), Conjuntos Difusos, Cluster,   C-Means, Minería de DatosABSTRACT: The data  mining has become an investigation and development area, in which are intending technicals that point to find the hidden information in a huge data. These data contain valuable information that can be used to improve the  competitiveness  of institutions owners of these data.The information  to discover can have many forms,  among  them associative  rules or groups of denominated  sets (Cluster), if to this we add the capacity that  has the Fuzzy Logic of breaking up with the third  excluded principle and to allow the relevancy from an element to several Cluster, we have a quite useful methodology when classifying in sets the content of the database.associative  rules or groups of denominated sets (Cluster), if to this we add the capacity that  has the Fuzzy Logic of breaking up with the third  excluded principle and to allow the relevancy from an element to several Cluster, we have a quite useful methodology when classifying in sets the content of the databases.In this paper is shown the implementation  of an  algorithm denominated C -Means for the grouping of data in fuzzy sets, this it has been implemented with the development of a  denominated program  (Software  Mining Data Fuzzy) SM2D 1.21.0  Beta.Key words: Data Bases (BD), Fuzzy Sets, Cluster, C-Means, Data Mining.application/mswordapplication/pdftext/htmlspaUniversidad de los LlanosOrinoquia - 2014https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/view/179Bases de Datos (BD)Conjuntos DifusosClusterC-MeansMinería de DatosData Bases (BD)Fuzzy SetsData Mining“Herramienta software para implementar minería de datos:clusterización utilizando lógica difusa”“Herramienta software para implementar minería de datos:clusterización utilizando lógica difusa”Artículo de revistainfo:eu-repo/semantics/articleJournal articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Texthttp://purl.org/coar/version/c_970fb48d4fbd8a85https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/download/179/327https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/download/179/328https://orinoquia.unillanos.edu.co/index.php/orinoquia/article/download/179/641231158OrinoquiaPublicationOREORE.xmltext/xml2580https://repositorio.unillanos.edu.co/bitstreams/cdc9c632-8a6f-4eba-ab59-f53f3b9bf8bb/downloade14b79fa4a593bf64aa105d2f571f8c5MD51001/3702oai:repositorio.unillanos.edu.co:001/37022024-07-25 13:13:34.753https://creativecommons.org/licenses/by-nc-sa/4.0/Orinoquia - 2014metadata.onlyhttps://repositorio.unillanos.edu.coRepositorio Universidad de Los Llanosrepositorio@unillanos.edu.co