Desarrollo de sistemas expertos con programación funcional y metodología Big Data

• Autores: Gabriel Antonio Valverde Castilla
• Directores de la Tesis: José Manuel Mira Mcwilliams (dir. tes.) , Beatriz González Pérez (dir. tes.)
• Lectura: En la Universidad Complutense de Madrid ( España ) en 2023
• Idioma: español
• Número de páginas: 158
• Títulos paralelos:
  • Expert System Development Using FunctionalProgramming and Big Data Methodologies
• Tribunal Calificador de la Tesis: Juan Tinguaro Rodríguez González (presid.) , Rosa Alonso Sanz (secret.) , María Concepción Ausín Olivera (voc.) , Ana Justel Eusebio (voc.) , Agustín García Nogales (voc.)
• Enlaces
  • Tesis en acceso abierto en: Docta Complutense
• Resumen
  • español

    Los sistemas expertos han ganado recientemente una gran popularidad en la industria y en el negocio debido a los avances en Big Data y Machine Learning. Estos sistemas están diseñados para realizar tareas de manera más eficiente que los humanos y abordar tareas cognitivas que los humanos no pueden. Esta tesis de doctorado investiga el uso de Big Data, programación funcional y teoría de categorías en el desarrollo de sistemas expertos, enfocándose específicamente en el mapa autoorganizativo (SOM) como una herramienta para la representación del conocimiento. El objetivo es crear un sistema experto basado en funtores que pueda transformar un espacio de alta dimensión en un espacio de menor dimensión y fácil de interpretar, mientras preserva la topología del espacio métrico original.

    El principal desafío encontrado durante esta investigación fue la representación incompleta del espacio probabilístico original al utilizar un SOM de una sola capa. Una revisión de la literatura reveló que se han propuesto algunas soluciones jerárquicas para abordar este problema, pero no existe una solución existente que utilice el ensamblado distribuido o el bootstrapping. Para abordar este desafío, se propuso un nuevo SOM de dos capas que utiliza el aprendizaje conjunto y se evalúa utilizando un método de validez alternativo. Se ha llevado a cabo un experimento computacional utilizando un modelo de mixtura de gaussianas estocástico para simular datos de baja frecuencia con varias estructuras y representaciones. También se discute el procedimiento de muestreo, la configuración de estratos, la estructura y los parámetros de los SOM y la inicialización de los nodos SOM.

    En esta tesis de doctorado, la conservación de la topología, o la preservación de las relaciones entre los elementos de datos, se examina utilizando distancias basadas tanto en imágenes como en grafos, que fueron desarrolladas específicamente para esta investigación. Estas distancias sirven para validar la estrategia propuesta a la hora de preservar las relaciones topológicas. Los resultados del experimento mostraron que el SOM de dos capas superó al SOM de una capa en la identificación de valores atípicos. Esto, puede permitir, que Two-layer SOM sea utilizado de manera adecuada como ese funtor sobre la categoría del espacio probabilístico generación de datos. Se muestra la principal contribución aportada por el autor de esta memoria.

  • English

    Expert systems have recently gained significant popularity in industry and business due to advances in big data and computational technology. These systems are designed to perform tasks more efficiently than humans and even tackle cognitive tasks that humans cannot. This PhD thesis investigates the use of big data, functional programming, and category theory in developing expert systems, specifically focusing on the self-organizing map (SOM) as a tool for knowledge representation. The goal is to create a functor-level expert system that can transform a high-dimensional space into a lower dimensional, interpretable space while preserving the topology of the original metric space...