Clústering Inteligente sobre Series Temporales
Este trabajo de fin de máster está orientado al campo de la inteligencia artificial, concretamente a los algoritmos de aprendizaje automático. En particular, y dentro del aprendizaje automático no supervisado, se centra en el clustering de señales de series temporales, aplicación de especial interés...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2023 |
| País: | España |
| Institución: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/88435 |
| Acceso en línea: | https://hdl.handle.net/20.500.14352/88435 |
| Access Level: | acceso abierto |
| Palabra clave: | 004(043.3) Clústering K-means centroide señal criterio visualización centroid signal criteria visualization Informática (Informática) 33 Ciencias Tecnológicas |
| Sumario: | Este trabajo de fin de máster está orientado al campo de la inteligencia artificial, concretamente a los algoritmos de aprendizaje automático. En particular, y dentro del aprendizaje automático no supervisado, se centra en el clustering de señales de series temporales, aplicación de especial interés en el contexto del Internet de las Cosas, donde una gran parte de los datos recolectados, especialmente aquellos provenientes de sensores, son de este tipo. En concreto, se presenta una versión del algoritmo TSK-means, un método propuesto en un artículo de investigación, cuya implementación no resulta trivial. Adicionalmente, se ha desarrollado una función generadora de conjuntos de datos personalizada, para disponer de conjuntos de entrenamiento con características concretas. Utilizando esta herramienta, realizamos un proceso de análisis y evaluación para identificar potenciales puntos de mejora. Fruto de esta evaluación, señalamos tres posibles problemas, para los que proponemos varias optimizaciones. Estos problemas están ligados al número de clústeres que el algoritmo busca obtener, y las optimizaciones desarrolladas aportan mayor flexibilidad al sistema, gracias a la posibilidad de variar este número durante la ejecución. En última instancia, el sistema evoluciona de un algoritmo independiente a una herramienta de exploración de datos. |
|---|