Sistema de enseñanza para la técnica de agrupamiento k-means
Resumen
La tarea de agrupamiento es una de las técnicas de clasificación no supervisada más empleadas en el procesamiento de datos, la cual tiene el objetivo de encontrar una partición idónea de un conjunto de datos. Uno de los algoritmos que más se ha aplicado en entornos reales y cotidianos es el conocido como algoritmo k-means. Existen diversas plataformas que permiten la aplicación de dicho algoritmo, pero el uso de estas plataformas es limitado, ya que el usuario no puede identificar los procesos que sigue el algoritmo para llegar al resultado final. Dado el uso de k-means, con el fin de conocer su funcionamiento detallado y así saber en qué casos es conveniente usarlo, es de relevancia contar con una herramienta que muestre paso a paso cada una de las operaciones que realiza para cumplir su fin. Este trabajo presenta este sistema de enseñanza, el cual es una herramienta de apoyo que permite descubrir cómo se construye la partición de un conjunto de datos y de esta forma reforzar la enseñanza del algoritmo k-means.
Descargas
Citas
Duda, R.O., Hart, P.E., Stork, D.G., (2012). Pattern Classification, John Wiley & Sons, Inc., USA.
Frank, E., Hall, M.A., Witten I.H., (2016). The WEKA Workbench. Online Appendix for "Data Mining: Practical Machine Learning Tools and Techniques", Morgan Kaufmann, Fourth Edition.
Han, J., Kamber, M., Pei, J., (2012) Data Mining, Concepts and Techniques, Morgan Kaufmann Publishers, USA.
Joshi, A., Kale, S., Chandel, S., Pal, D.K., (2015). Likert Scale: Explored and Explained. Current Journal of Applied Science and Technology, 7, 4, pp. 396-403.
Letelier, P., Penadés, M., (2006). Metodologías ágiles para el desarrollo de software: eXtreme Programming (XP). Técnica administrativa, 5, 26.
Marzocchi, V. A., Vílchez, A., D’Amato, M., (2012). Incorporación de TICs de modelado molecular en la enseñanza universitaria de la Química. Revista Iberoamericana de Tecnología en Educación y Educación en Tecnología, 8, 9-15.
MATLAB (2018), The MathWorks, Inc., Natick, Massachusetts, United States.
Monserrat, C., López, O., Meier, U., Juan, M.C., Grau, V., Gil, J.A., Lozano, J.A & Alcañiz, M., (2002). GeRTiSS: Simulador quirúrgico virtual para el entrenamiento en cirugías mínimamente invasivas. In: IX Congreso Nacional de Informática Medica. Informed, pp. 87-91.
Murty, M.N., Devi, V.S., (2015). Introduction to Pattern Recognition and Machine Learning. World Scientific Publishing, Singapore.
Orjuela-Duarte, A., Rojas C.M., (2008). Las Metodologías de Desarrollo Ágil como una Oportunidad para la Ingeniería del Software Educativo. Revista Avances en Sistemas e Informática, 5, pp. 159-171.
Pantaleo, G., Rinaudo, L., (2015). Ingeniería de software. Alfaomega, Argentina.
Valencia Armijos, W. V., Charro Arévalo, C., (2007). Modelo tridimensional de la historia geológica del volcán Cotopaxi. Tesis Sistemas Informáticos y de Computación. Escuela Politécnica Nacional.
Wells, D., (1999). Extreme Programming-Rules. Retrieved from Extreme Programming: http://www.extremeprogramming.org/rules.html
Wu, X., Kumar, V., (2009). The Top Ten Algorithms in Data Mining. CRC Press, Boca Raton, FL.
Yee, L.Y., Belaidan, S.L., Rahman, A.A, Harun, K.S., (2019). Implementing K-Means Clustering Algorithm in Collaborative Trip Advisory and Planning System. Periodicals of Engineering and Natural Sciences 7,2, pp. 723-740.