Pinzón, Luz MaryRestrepo, MauricioCruz Ramos, William Enrique2017-06-292017-06-292016-07-22https://hdl.handle.net/11634/3828El análisis de cluster ha sido un tema de investigación emergente en minería de datos debido a su variedad de aplicaciones, puede ser considerado el problema más importante de aprendizaje no supervisado que trata de encontrar una estructura en una colección de datos y que se puede de finir como el proceso de organizar objetos en grupos cuyos miembros son similares en alguna forma. Con el desarrollo de muchos algoritmos de agrupamiento de datos y su amplio uso, que incluyen desde procesamiento de imágenes, biología computacional, comunicaciones móviles, hasta medicina y economía, estos algoritmos se han vuelto muy populares. El principal problema con los algoritmos de agrupación es que no se pueden estandarizar. Un algoritmo puede dar buen resultado con un tipo de conjunto de datos, pero puede fallar o dar mal resultado con otros tipos de datos. Hasta ahora se han propuesto muchos algoritmos de agrupación, sin embargo, cada algoritmo tiene sus propios méritos y deméritos porque no funcionan bien en todas las situaciones reales.Cluster analysis has been an emerging research topic in data mining due to its variety of applications. applications, it can be considered the most important unsupervised learning problem that tries to find a structure in a collection of data and that can be It can be considered the most important unsupervised learning problem that tries to find a structure in a collection of data and can be defined as the process of organizing objects into groups whose members are similar in some way. organizing objects into groups whose members are similar in some way. With the development of many data clustering algorithms and their wide use, ranging from image processing, computational biology, mobile communications, to medicine and economics, these algorithms have become very popular. have become very popular. The main problem with clustering algorithms is that they cannot be standardized. An algorithm may perform well with one type of data set, but may fail or perform poorly with other types of data. other types of data. So far, many clustering algorithms have been proposed, however, each algorithm has its own merits and demerits because they do not work well in all real situations.application/pdfspaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/bachelor thesisNeural networksMiningAbierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Redes neuronalesK meansMineríareponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.co