Published September 28, 2017 | Version v1
Journal article Open

ANÁLISIS DE LAS TENDENCIAS Y PERSPECTIVAS DE LAS HERRAMIENTAS DE APRENDIZAJE DE MÁQUINA ACTUALES

Authors/Creators

  • 1. ROR icon Instituto Politécnico Nacional
  • 2. ROR icon Universidad Autónoma de Guerrero

Description

La inteligencia artificial, es un área que ha tenido increíbles avances desde sus inicios, a mediados del siglo pasado. Ha sido utilizada en diversos y prominentes ámbitos de investigación, desde la creación de aparatos y dispositivos “inteligentes” hasta el desarrollo de diversas aplicaciones biomédicas o en las ciencias de la salud. Sin embargo, históricamente, los investigadores de otras áreas han tenido que acercarse a los expertos en ciencias de la computación para poder utilizar y aprovechar los algoritmos para el aprendizaje de máquina, o como se denomina en inglés: machine learning. Situación que motivó la creación de herramientas que permitan que aquellas personas con poco, y en ocasiones nulo, conocimiento sobre programación puedan utilizar modelos y algoritmos para ser utilizados en su investigación. En este trabajo, se toman como base los artículos científicos publicados que pueden encontrarse en Scopus, para indagar sobre las tendencias y perspectivas de algunas herramientas de machine learning: WEKA, scikit-learn y Rapidminer, mediante estadísticas de uso, preferencia y utilización. Se presenta también un análisis de las principales características, ventajas y desventajas de las mismas, con la finalidad de acercar y promover el uso de estas herramientas a los investigadores en otras áreas científicas alrededor del mundo. 

Files

17_2 MEMORIASCICOM2017-1-134-151.pdf

Files (1.4 MB)

Name Size Download all
md5:eaedfac97b1a60d17196f18689a29452
1.4 MB Preview Download

Additional details

References

  • Burnham, J.F. 2006. Scopus database: a review. Biomedical digital libraries. 3, 1 (2006), 1.
  • Collier, K. et al. 1999. A methodology for evaluating and selecting data mining software. Systems Sciences, 1999. HICSS-32. Proceedings of the 32nd Annual Hawaii International Conference on (1999), 11–pp.
  • Garner, S.R. 1995. Weka: The waikato environment for knowledge analysis. Proceedings of the New Zealand computer science research students conference (1995), 57–64.
  • Hall, M. et al. 2009. The WEKA data mining software. SIGKDD Explorations. 11, 1 (2009), 10–18. DOI:https://doi.org/10.1145/1656274.1656278.
  • Hebb, D.O. 1949. The organization of behavior: A neuropsychological approach. John Wiley & Sons.
  • Hofmann, M. and Klinkenberg, R. 2013. Rapid Miner Data Mining Use Cases and Business Analytics Applications. CRC Press.
  • McCulloch, W.S. and Pitts, W. 1943. A logical calculus of the ideas immanent in nervous activity. Bulletin of mathematical biology. 5, 4 (1943), 115–133.
  • Mierswa, I. et al. 2006. YALE: Rapid prototyping for complex data mining tasks. Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (2006), 935–940.
  • Minsky, M. and Papert, S. 1969. Perceptrons. MIT press.
  • Oliphant, T.E. 2007. Python for scientific computing. Computing in Science & Engineering. 9, 3 (2007).
  • Pedregosa, F. et al. 2011. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research. 12, Oct (2011), 2825–2830.
  • Rumelhart, D.E. et al. 1986. Learning representations by back-propagating errors. Nature. 323, 6088 (1986), 533–536. DOI:https://doi.org/10.1038/323533a0.
  • Russell, S. and Norvig, P. 1995. Artificial Intelligence: A modern approach.
  • SciPy: Open source scientific tools for Python: 2001. http://www.scipy.org/. Accessed: 2017-07-03.
  • Scopus: https://www.scopus.com. Accessed: 2017-06-07.
  • Scopus content: 2017. https://www.elsevier.com/solutions/scopus/content#content-policyand-selection. Accessed: 2017-06-07.
  • The Waikato Environment for Knowledge Analysis: 2016. http://www.cs.waikato.ac.nz/ml/index.html. Accessed: 2017-07-03.
  • Turing, A.M. 1950. Computing machinery and intelligence. Mind. 59, 236 (1950), 433–460.
  • Wu, X. et al. 2008. Top 10 algorithms in data mining. Knowledge and information systems. 14, 1 (2008), 1–37.