Aplicación de la pseudoderivada para la identificación de puntos de inflexión en conjuntos de datos
DOI:
https://doi.org/10.61117/ipsumtec.v8i3.386Palabras clave:
Grandes Datos, Minería de Datos, Reconocimiento de patronesResumen
En el ámbito del reconocimiento de patrones existen técnicas para identificar las características deseadas de un conjunto de datos, en otras palabras, clasificar la información en categorías predefinidas. La pseudoderivada es una herramienta que puede ser utilizada en el reconocimiento de imágenes, reconocimiento de voz, reconocimiento de escritura a mano, etc. Este trabajo presenta la aplicación de la pseudoderivada para la identificación de características en conjuntos de datos, basada en un algoritmo para el tratamiento de datos fundamentado en ecuaciones diferenciales lineales, mismo que permite procesar un dato en un momento específico a partir del análisis de n datos inmediatos anteriores y posteriores, de tal manera que se puede ampliar o disminuir el número de elementos para su manipulación. La pseudoderivada no solo permite identificar mínimos y máximos en una primera aplicación, sino que, además de esta información, al aplicarse una segunda vez al mismo conjunto de datos, permite obtener los puntos de inflexión de la información sobre la que opera.
Descargas
Métricas
Citas
Adrian, Cecilia, et al. “Theoretical Aspect In Formulating Assesment Model Of Big Data Analytics Environment.” Acta Mechanica Malaysia, vol. 1, no. 1, 2018, pp. 16–17., doi:10.26480/amm.01.2018.16.17. DOI: https://doi.org/10.26480/amm.01.2018.16.17
Zeng, Wenrong, et al. “Access Control for Big Data Using Data Content.” 2013 IEEE International Conference on Big Data, 2013, doi:10.1109/bigdata.2013.6691798. DOI: https://doi.org/10.1109/BigData.2013.6691798
Fernández, Alicia, et al. “Pattern Recognition in Latin America in the ‘Big Data’ Era.” Pattern Recognition, vol. 48, no. 4, 2015, pp. 1185–1196., doi:10.1016/j.patcog.2014.04.012. DOI: https://doi.org/10.1016/j.patcog.2014.04.012
Ianni, M., Masciari, E. & Sperlí, G. A survey of Big Data dimensions vs Social Networks analysis. J Intell Inf Syst 57, 73–100 (2021). https://doi.org/10.1007/s10844-020-00629-2 DOI: https://doi.org/10.1007/s10844-020-00629-2
Zheng, C., Zhang, Q., Long, G., Zhang, C., Young, S.D., Wang, W. (2020). Measuring time-sensitive and topic-specific influence in social networks with lstm and self-attention. IEEE Access, 8, 82481–82492. DOI: https://doi.org/10.1109/ACCESS.2020.2991683
Tian, S., Mo, S., Wang, L., Peng, Z. (2020). Deep reinforcement learning-based approach to tackle topic-aware influence maximization. Data Science and Engineering, 1–11. DOI: https://doi.org/10.1007/s41019-020-00117-1
Shao, H., Sun, D., Su, L., Wang, Z., Liu, D., Liu, S., Kaplan, L., Abdelzaher, T. (2020). Truth discovery with multi-modal data in social sensing. IEEE Transactions on Computers, 1–1.
Franklinos, Lydia, et al. “Key Opportunities and Challenges for the Use of Big Data Inmigration Research and Policy.” 2020, doi:10.14324/111.444/000042.v1. DOI: https://doi.org/10.14324/111.444/000042.v1
Gaidarski, Ivan, and Pavlin Kutinchev. “Using Big Data for Data Leak Prevention.” 2019 Big Data, Knowledge and Control Systems Engineering (BdKCSE), 2019, doi:10.1109/bdkcse48644.2019.9010596. DOI: https://doi.org/10.1109/BdKCSE48644.2019.9010596
Zhang, Y., Wang, J., & Liu, Y. (2023). Pseudoderivada-based feature extraction for image classification. Pattern Recognition, 132, 108925.
Li, X., Zhang, H., & Sun, S. (2022). Speaker identification using pseudoderivatives. Speech Communication, 143, 109-118.
Wang, Y., Zhang, X., & Li, X. (2021). Handwritten digit recognition using pseudoderivatives. International Journal of Pattern Recognition and Artificial Intelligence, 35(04), 2150017.
Lohr, Sharon. “Big Data and Crime Statistics.” Measuring Crime, 2019, pp. 125–136., doi:10.1201/9780429201189-10. DOI: https://doi.org/10.1201/9780429201189-10
Paz Grebe, M de la, Centeno, Angel M, Galazi, M Lucía, & Campos, M Soledad. (2021). Turning points: puntos de inflexión en la vida de los estudiantes de medicina. FEM: Revista de la Fundación Educación Médica, 24(6), 291-293. Epub 17 de enero de 2022.https://dx.doi.org/10.33588/fem.246.1157. DOI: https://doi.org/10.33588/fem.246.1157
Datos Abiertos Dirección General de Epidemiología, Influenza, COVID-19 y otros virus respiratorios [base de datos en línea]. Disponible en: https://www.gob.mx/salud/documentos/datos-abiertos-152127
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Misael López Nava , Juan Reyes Reyes , Gloria Lilia Osorio Gordillo , Carlos Manuel Astorga Zaragoza, Luis José Muñiz Rascado
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
