Tesis:
Adapting autonomously classification data mining algorithms for ubiquitous devices.
- Autor: ZANDA, Andrea
- Título: Adapting autonomously classification data mining algorithms for ubiquitous devices.
- Fecha: 2012
- Materia: Sin materia definida
- Escuela: FACULTAD DE INFORMATICA
- Departamentos: LENGUAJES Y SISTEMAS INFORMATICOS E INGENIERIA DE SOFTWARE
- Acceso electrónico: http://oa.upm.es/14878/
- Director/a 1º: MENASALVAS RUIZ, Ernestina
- Director/a 2º: EIBE GARCIA, Santiago
- Resumen: Con los reciente progresos científico y tecnológicos en sistemas de información, es ahora posible ejecutar casi cada aplicación en un dispositivo móvil. La necesidad de hacer tales dispositivos más inteligentes abre una oportunidad de diseñar algoritmos de minería de datos que sean capaces de ejecutar autónomamente en dispositivos móviles para proveer al dispositivo de el conocimiento. El problema detrás de la minería autónoma es encontrar la configuración apropiada del algoritmo para producir los resultados más apropiados. La información de contexto junta con la información de recurso del dispositivo tiene un impacto en la viabilidad de una ejecución y en la producción de los modelos adecuados. Por otro lado, el rendimiento del algoritmo expresado en función de eficacia y eficiencia depende sumamente de las características del dataset de analizar y de los valores de los parámetros de una determinada implementación de algoritmo. Sin embargo, los enfoques en literatura que tratan de ejecutar autónomamente un algoritmo de minería de datos, no tratan información de contexto ni información de recursos. Ambos asuntos son de mucha importancia, en particular para aplicación social de redes. De hecho, el uso generalizado de redes sociales y consiguientemente la cantidad de información compartida, ha hecho la necesidad de modelar el contexto en las redes sociales una prioridad. También el consumo de recurso tiene un papel crucial en tales plataformas, porque los usuarios utilizan las redes sociales principalmente en sus dispositivos móviles. Esta tesis está enfocada los mencionados asuntos, centrándose en i) Analizar el comportamiento de algoritmos de minería de datos, ii) analizar información de contexto y de recursos para encontrar la configuración más apropiada, iii) aplicar el modelo para el caso de un recommender social. Cuatro principales contribuciones son presentadas: • EE-MODEL: puede predecir el comportamiento de un algoritmo de minería de datos en función de recurso consumidos y cualidad del • SC-Mapper: dada una situación definida por el contexto y los recurso encuentra una configuración para el algoritmo • SOMAR: es un recomendador de actividades sociales para dispositivos móviles. • D-SOMAR: es una evolución de SOMAR que integra el configurator para proporcionar recomendaciones actualizadas. Por último, la validación experimental de las contribuciones propuestas que base de datos sintéticas y base de datos verdaderas, nos permite lograr los objetivos y contestar las preguntas de investigación propuestas para esta disertación.