Diseño y desarrollo de nuevos modelos difusos evolutivos para agrupamiento en entornos de flujos continuos de datos

Abstract

La extracción de conocimiento de datos se enfrenta a grandes retos debido a su crecimiento exponencial en volumen y complejidad, desafiando a la comunidad científica y a las prestaciones de los sistemas tradicionales. En la Ciencia de Datos, el agrupamiento es una técnica de aprendizaje no supervisado utilizada para establecer relaciones entre los datos. Mejorar el agrupamiento implica una serie de desafíos, como la distribución, tamaño, densidad y orientación de los grupos. La calidad del agrupamiento puede verse comprometida ante la pertenencia de un mismo dato a diferentes grupos por lo que se necesita un enfoque integral para asegurar resultados de alta calidad. Además, la complejidad para agrupar datos en entornos complejos de datos implica extraer conocimiento en tiempo real. En esta tesis se proponen diferentes propuestas que tratan de dar soluciones a los problemas de agrupamiento en entornos complejos como puede ser los flujos continuos de datos mediante modelos difusos evolutivos. Knowledge extraction from data faces great challenges due to its exponential growth in volume and complexity, challenging the scientific community and the performance of traditional systems. In Data Science, clustering is an unsupervised learning technique used to establish relationships between data. Improving clustering involves several challenges, such as the distribution, size, density and orientation of clusters. Clustering quality can be compromised when the same data belongs to different clusters, so a holistic approach is needed to ensure high-quality results. Moreover, the complexity of clustering data in complex data environments implies extracting knowledge in real-time. In this thesis different proposals are proposed that try to provide solutions to clustering problems in complex environments such as continuous data streams employing evolutionary fuzzy models.