Modelo Híbrido Predictivo y de Recomendaciones con Técnicas de Minería de Datos e Inteligencia Artificial

Autores/as

  • René Cruz Guerrero Instituto Tecnológico Superior del Oriente del Estado de Hidalgo Carretera Apan-Tepeapulco Km 3.5, Colonia Las Peñitas, Apan Hidalgo, C.P. 43900.
  • María de los Ángeles Alonso Lavernia Universidad Autónoma del Estado de Hidalgo Carretera Pachuca-Tulancingo, Km 4.5, Mineral de la Reforma, Hidalgo, México, CP. 42186
  • Anilú Franco Árcega Universidad Autónoma del Estado de Hidalgo Carretera Pachuca-Tulancingo, Km 4.5, Mineral de la Reforma, Hidalgo, México, CP. 42186

DOI:

https://doi.org/10.30973/progmat/2017.9.3/3

Palabras clave:

Modelos predictivos, Minería de Datos, Sistemas Basados en Conocimiento, Ontologías, Reglas de Asociación

Resumen

El presente trabajo propone un modelo híbrido predictivo capaz de utilizar datos y conocimiento para brindar losresultados, enriqueciéndolo, en el caso que así lo requiera, con recomendaciones que faciliten la toma de decisiones. Se utilizaron técnicas de Inteligencia Artificial para representar en un esquema ontológico el conocimiento obtenido al aplicar reglas de asociación.

Biografía del autor/a

René Cruz Guerrero, Instituto Tecnológico Superior del Oriente del Estado de Hidalgo Carretera Apan-Tepeapulco Km 3.5, Colonia Las Peñitas, Apan Hidalgo, C.P. 43900.

René Cruz Guerrero es un estudiante de doctorado en el Centro de Investigación en Tecnologías de Información y Sistemas en la Universidad Autónoma del Estado de Hidalgo, México. Obtuvo su grado de maestría en Ciencias Computacionales en la Universidad Autónoma del Estado de Hidalgo. Sus intereses de investigación incluyen Minería de Datos y Sistemas Basados en Conocimiento.

María de los Ángeles Alonso Lavernia, Universidad Autónoma del Estado de Hidalgo Carretera Pachuca-Tulancingo, Km 4.5, Mineral de la Reforma, Hidalgo, México, CP. 42186

María de los Ángeles Alonso Lavernia es profesora investigadora en el Centro de Investigación en Tecnologías de Información y Sistemas en la Universidad Autónoma del Estado de Hidalgo, México. Obtuvo su doctorado en Ciencias Computacionales en el Instituto Politécnico Nacional (IPN), México, DF. Sus intereses de investigación incluyen Reconocimiento de Patrones, Minería de Datos y Sistemas Basados en Conocimiento.

Anilú Franco Árcega, Universidad Autónoma del Estado de Hidalgo Carretera Pachuca-Tulancingo, Km 4.5, Mineral de la Reforma, Hidalgo, México, CP. 42186

Anilú Franco Árcega es Doctora en Ciencias Computacionales por el Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE), Puebla, México en 2010. Actualmente es investigadora de tiempo completo en la Universidad Autónoma del Estado de Hidalgo, México, sus intereses de investigación incluyen Minería de Datos, Inteligencia Computacional, Reconocimiento de Patrones, Selección de Variables, Clasificación y Agrupamiento.

Citas

Hanafy, O. A Multivariate Model for Predicting the Efficiency of Financial Performance for Property and Liability Egyptian Insurance Companies. Sadat Academy for Management Sciences. 2008, 1(1), 54-78.

Miguéis, V., Camanho, A., Falcao, J. Customer attrition in retailing: An application of Multivariate Adaptive Regression Splines. Expert Systems with Applications. 2013, 40(16), 6225-6232. https://doi.org/10.1016/j.eswa.2003.12.013

Hobson, R., Alkhasawneh, R. Modeling Student Retention in Science and and engineering disciplines using neural networks Global Engineering Education Conference IEEE, 2011, 86-97. https://doi.org/10.1109/EDUCON.2011.5773209

Aiswarya, I., Jeyalatha, S. Diagnosis of Diabetes using Classification Mining Techniques. International Journal of Data Mining & Knowledge Management Process. 2014, 2(1), 5-19. https://doi.org/10.48550/arXiv.1502.03774

Anbuselvan, S., Balamuralithara, B. Holistic Prediction of Student Attrition in Higher Learning Institutions in Malaysia Using Support Vector Machine Model. International Journal of Research Studies in Computer Science and Engineering. 2014, 29-35.

Lowd, D., Domingos, P. Naive Bayes Models for Probability Estimation. Department of Computer Science and Engineering University of Washington. 2008. 529-536. https://doi.org/10.1145/1102351.1102418

Tahi, N. A Comparative Analysis of Techniques for Predicting Academic Performance. IEEE Xploree Frontiers in Education Conference. 2007, 1(1), T2G-7-T2G-12. https://doi.org/10.1109/FIE.2007.4417993

Espín, V., Hurtado, M., Noguera, M. Nutrition for Elder Care: a nutritional semantic recommender system for the elderly. Expert Systems. 2016, 201-210. https://doi.org/10.1111/exsy.12143

Gopalachari, V., Sammulal, P. Personalized Web Page Recommender System using integrated Usage and Content Knowledge. IEEE Advanced Communication Control and Computing Technologies, 2014, 1066-1071. https://doi.org/10.1109/ICACCCT.2014.7019261

Hudaib, A., Dannoun, R., Harfoushi, O. Hybrid Data Mining Models for Predicting Customer Churn. Communications Network and System Sciences. 2015, 1, 91-96. https://doi.org/10.4236/ijcns.2015.85012

Doreswamy, L., Hemanth, D. Hybrid Data Mining Technique for Knowledge Discovery from Discovery from Engineering Materials Datasets. Computer Science. 2011, 1-12.

V. Fournie, P., Soltani, A. SPMF: a Java Open-Source Pattern Mining Library. Journal of Machine Learning Research – JMLR. 2014, 1,1-5.

Descargas

Publicado

15-12-2017

Cómo citar

Cruz Guerrero, R., Alonso Lavernia, M. de los Ángeles, & Franco Árcega, A. (2017). Modelo Híbrido Predictivo y de Recomendaciones con Técnicas de Minería de Datos e Inteligencia Artificial. Programación matemática Y Software, 9(3), 18–24. https://doi.org/10.30973/progmat/2017.9.3/3

Número

Vol. 9 Núm. 3 (2017): Octubre de 2017

Sección

Artículos

Licencia

Derechos de autor 2016 Programación Mtatemática y Software

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Usted es libre de:

Compartir — compartir y redistribuir el material publicado en cualquier medio o formato.
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente.

Bajo las siguientes condiciones:

Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso.
  Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia.