SAICCAD v2.0: Herramienta para el Aprendizaje Automático basado en Inteligencia Colectiva y Conjuntos Aproximados y Difusos

En este trabajo se presenta una herramienta software SAICCAD v2.0 (Sistema para el Aprendizaje Automático basado en Inteligencia Colectiva y Conjuntos Aproximados y Difusos) para utilizar y construir modelos de aprendizaje automático y minería de datos. Los aportes principales que recoge esta herramienta dentro de la librería de algoritmos de aprendizaje incluyen métodos de selección de atributos relevantes, métodos para el cálculo de pesos/importancia de los atributos, métodos de generación de reglas de clasificación y métodos de clasificación basados en generación y selección de prototipos. Así como mejoras al desempeño del método de k-NN y para el entrenamiento de la Red Neuronal Multilayer Perceptron MLP. Incluye también herramientas estadísticas para el análisis de algoritmos utilizando librerías en lenguaje R. Todos los algoritmos incluidos en esta propuesta de software están definidos para el caso de problemas con datos mezclados, conjuntos de datos no balanceados y balanceados, y se basan en el empleo de los conceptos de la Inteligencia Colectiva y de la Teoría de los Conjuntos Aproximados extendida formulados usando relaciones de similaridad y su enfoque difuso. La librería de algoritmos para el aprendizaje automático es resultado de la producción científica del Grupo de Investigación AIRES (Artificial Intelligence Researches) de la Universidad de Camagüey y no está  implementada en ninguna de las plataformas de software internacionalmente conocidas como son Weka y KEEL. Con el desarrollo y aplicación de estos algoritmos se han resuelto problemas reales de ramas como Ingeniería Civil, Ingeniería Eléctrica, Meteorología, Biotecnología y Medicina.