Contribuciones al aprendizaje automatizado a través de la teoría de los conjuntos aproximados extendida

Resumen

Las investigaciones realizadas en el empleo de la Teoría de los Conjuntos Aproximados en el aprendizaje automático mostraron las limitaciones del enfoque clásico de esta teoría para el caso de dominios de aplicación con datos mezclados. Para superar estas limitaciones se han desarrollado investigaciones sobre los métodos de aprendizaje a través de la Teoría de los Conjuntos Aproximados Extendida (TCAE), en problemas de aproximación de funciones y en problemas de clasificación para datos balanceados y desbalanceados. El problema a resolver está dado por la necesidad de desarrollar la TCAE para facilitar el desarrollo de las técnicas de aprendizaje automático basadas en ella. Los objetivos del trabajo están dirigidos a obtener un método para la construcción de las relaciones de similaridad necesarias para la aplicación de la TCAE en un dominio de aplicación dado, y a partir de ella mejorar las técnicas de aprendizaje automático o en la mejora de los existentes. Los principales resultados de la investigación son los siguientes:

a) Medida denominada calidad de la similaridad de un sistema de decisión.
b) Método para construir relaciones de similaridad, a partir de la combinación de la metaheurística optimización basada en partículas y la medida propuesta en esta investigación.
c) Empleo de la relación de similaridad y los pesos de los rasgos para mejorar el desempeño del método de los k-Vecinos más Cercanos; así como en la inicialización de la red neuronal Perceptron Multicapa a partir de los pesos de los rasgos.
d) Algoritmos de edición de conjuntos de entrenamientos desbalanceados.
e) Algoritmos para el descubrimiento de reglas de clasificación para problemas balanceados y desbalanceados.
f) Aplicación de los resultados científicos obtenidos en la creación de sistemas inteligentes para la predicción en Ingeniería Civil y para la predicción de variables meteorológicas a mediano y largo plazos.

La producción científica asociada a estos resultados consiste en la publicación de 28 trabajos, de ellos: 14 en revistas y bases de datos referenciadas, así como la presentación de 14 ponencias en prestigiosos eventos científicos internacionales y el registro por CENDA de 6 productos de software. Además, forman parte de los resultados 24 tesis defendidas: 1 tesis de doctorado, 9 tesis de maestría y 14 trabajos de diplomas. Se han obtenido 14 Premios nacionales e internacionales. Se arriba a las conclusiones siguientes: los métodos propuestos han sido estudiados experimentalmente usando bases de datos internacionales; así como su aplicación para la solución de problemas reales en dos áreas del conocimiento: la Ingeniería Civil y la Meteorología. Se han obtenido resultados novedosos y relevantes desde el punto de vista teórico y práctico, lo cual se demuestra en la producción científica asociada y en los avales que se presentan en los anexos.

Nota: Los resultados que sustentan este trabajo son novedosos y en ningún caso coinciden con los presentados en el Premio de la Academia de Ciencias de Cuba 2009 “Métodos para el procesamiento de los conjuntos de entrenamiento en el aprendizaje automatizado basados en la Teoría de los Conjuntos Aproximados”, aunque corresponden a la misma línea de investigación. Los aportes merecedores del Premio anterior radicaban en algoritmos y métodos para el preprocesamiento de los datos, previo a la clasificación supervisada, a través de la Teoría de los Conjuntos Aproximados clásica. Los algoritmos y métodos que se proponen en el presente trabajo se basan en la Teoría de los Conjuntos Aproximados Extendida; además, los algoritmos de edición de conjuntos de entrenamiento que se proponen son para datos desbalanceados. La aplicación, en el 2009 fue en el pronóstico de variables meteorológicas a corto plazo. En el presente año las aplicaciones son en Ingeniería Civil y en el pronóstico meteorológico a mediano y largo plazos.