Análisis y diseño de técnicas de preprocesamiento de instancias escalables para problemas no balanceados en Big Data : aplicaciones en situaciones de emergencias humanitarias
| Autor Principal: | |
|---|---|
| Otros autores o Colaboradores: | , |
| Formato: | Tesis |
| Lengua: | español |
| Datos de publicación: |
2022
|
| Temas: | |
| Acceso en línea: | http://catalogo.info.unlp.edu.ar/meran/getDocument.pl?id=2520 Consultar en el Cátalogo |
| Descripción Física: | 1 archivo (4,3 MB) : il. col. |
Tabla de Contenidos:
- I Introducción y base teórica
- 1 Introducción
- 1.1 Objetivos
- 1.2 Metodología
- 1.3 Organización de la tesis
- 2 Características de los datos
- 2.1 Complejidades intrínsecas de los datos
- 2.2 Análisis exploratorio de datos
- 2.3 Comentarios del capítulo
- 3 Aprendiendo de los datos
- 3.1 Aprendizaje Automático
- 3.2 Clasificación de los datos
- 3.2.1 Modelos de clasificación
- 3.3 Métricas de evaluación de la calidad predictiva
- 3.3.1 Métodos de validación
- 3.4 Comentarios del capítulo
- 4 Preprocesamiento de los datos
- 4.1 Desequilibrio de clases
- 4.1.1 Enfoques a nivel de algoritmos
- 4.1.2 Métodos sensibles a los costes
- 4.1.3 Enfoques a nivel de datos
- 4.2 Reducción de datos
- 4.2.1 Reducción de instancias (reducción horizontal)
- 4.2.2 Reducción de características (reducción vertical)
- 4.3 Zonas ambiguas de un problema
- 4.4 Comentarios del capitulo
- 5 Big Data
- 5.1 Introducción a Big Data
- 5.2 El modelo MapReduce
- 5.3 El ecosistema Hadoop
- 5.3.1 Almacenamiento: Hadoop HDFS
- 5.3.2 Gestión de recursos y monitorización de trabajos: Hadoop Yarn
- 5.3.3 Motores de procesamiento: Hadoop MapReduce y Apache Spark
- 5.4 Profundizando en Apache Spark
- 5.5 Comentarios del capítulo
- II Aportes
- 6 Big Data no balanceado
- 6.1 Clasificación no balanceada de Big Data
- 6.2 Synthetic Minority Oversampling TEchnique (SMOTE) escalable para la clasificación no balanceada en Big Data
- 6.3 Análisis del comportamiento de SMOTE-BD
- 6.4 Un análisis de soluciones locales y globales para abordar la clasificación
- no balanceada de Big Data
- 6.5 Comentarios del capítulo
- 7 Reducción escalable en escenarios Big Data
- 7.1 Condensación de datos en Big Data
- 7.2 FDR2-BD: Una herramienta rápida de recomendación de reducción
- de datos para problemas de clasificación de Big Data tabular
- 7.2.1 Descripción y flujo de trabajo
- 7.2.2 Resumen de la implementación técnica
- 7.3 Estudio experimental
- 7.3.1 Entorno de trabajo
- 7.3.2 Estudio de reducción del volumen de datos
- 7.3.3 La influencia de la selección de características en la reducción del volumen de datos
- 7.3.4 Detalles de la condensación de datos y evaluación del rendimiento
- 7.3.5 Evaluación de la escalabilidad
- 7.4 Comentarios del capítulo
- 8 Caracterización del solapamiento en conjuntos Big Data
- 8.1 Caracterización de un conjunto de datos. Particionamiento del espacio de características
- 8.2 GridOverlap-BD, hacia la caracterización escalable del solapamiento en un conjunto Big Data
- 8.2.1 Descripción y flujo de trabajo
- 8.2.2 Comentarios de la implementación técnica
- 8.3 Estudio experimental
- 8.3.1 Entorno experimental
- 8.3.2 Efectividad en la distinción de Áreas puras y ambiguas
- 8.3.3 Grado de solapamiento
- 8.3.4 Comparando el desempeño del método de base contra los enfoques para tratar el solapamiento
- 8.4 Comentarios del capítulo
- III Casos de uso
- 9 Emergencias humanitarias
- 9.1 Descripción de los conjuntos de datos de Emergencias Humanitarias (EH)
- 9.2 Análisis exploratorio de los datos
- 9.3 Empleo de técnicas de sobremuestreo y caracterización de los datos
- 9.4 Comentarios del capítulo
- IV Conclusiones
- 10 Conclusiones y trabajo a futuro
- Bibliografía
- Apéndices