Una actualización del algoritmo de aprendizaje de reglas difusas de Wang y Mendel para problemas de clasificación con datos masivos

Resumen

En las últimas décadas, la sociedad ha sido testigo de una transformación tecnológica sin precedentes. Este período se ha caracterizado por la generalización de Internet, la difusión masiva de dispositivos móviles y un asombroso incremento en la generación de datos. En este marco, el análisis de datos ha surgido como uno de los campos de mayor crecimiento. Específicamente, el análisis de datos masivos, una parte de lo que se conoce como Big Data, se ha convertido en un enfoque fundamental para obtener conocimiento a partir del comportamiento humano y su entorno. Como resultado, muchas organizaciones, tanto empresariales como gubernamentales, han optado por emplear estas tecnologías con el fin de aprovechar al máximo su inmenso potencial de datos y extraer valiosa información de los mismos. Sin embargo, esta abundancia de información plantea un desafío considerable. Aunque esta gran cantidad de datos tiene el potencial de mejorar significativamente la precisión de los algoritmos de minería de datos, los enfoques tradicionales en este campo no están preparados para lidiar con los requisitos de velocidad y volumen que Big Data impone. Por lo tanto, se hace necesario desarrollar nuevas técnicas que aborden estos problemas y permitan un análisis efectivo de estos datos masivos. En este contexto, la presente tesis se enfoca en el desafío de extraer conocimiento significativo de estos vastos volúmenes de datos, con un énfasis principal en el aprendizaje automático. Esta disciplina, que forma parte de la inteligencia artificial, capacita a las máquinas para adquirir conocimientos directamente a partir de los datos y tomar decisiones autónomas sin intervención humana. El aprendizaje automático se basa en técnicas estadísticas y algoritmos diseñados para analizar datos y revelar patrones subyacentes. Sus aplicaciones son diversas y van desde la detección de fraudes hasta el diagnóstico médico. En esta investigación, se pone un énfasis particular en el aprendizaje supervisado para la clasificación, un escenario en el cual se asignan etiquetas a los datos con el fin de categorizarlos de manera precisa y efectiva. Un modelo de aprendizaje basado en reglas y fundamentado en la lógica difusa se erige como el protagonista de esta investigación. Estos modelos se especializan en tratar con la incertidumbre y la ambigüedad inherentes a los datos. Como punto de partida, se selecciona el algoritmo de Wang y Mendel (WM), reconocido por su simplicidad y eficiencia al trabajar con datos masivos, aunque acompañado de ciertas limitaciones en cuanto a precisión e interpretabilidad. El objetivo principal de esta tesis es mejorar sustancialmente el rendimiento del algoritmo WM, especialmente cuando se enfrenta a conjuntos de datos masivos.