Lenguajes e interfaces de alto nivel para data mining con aplicación práctica en entornos financieros

Resumen

Las bases de datos del mundo real además de contener una cantidad ingente de información, frecuentemente son incompletas y tienen una mala calidad de datos. Por otro lado, muchas veces es innecesario obtener resultados (reglas, agrupaciones, etc.) con un alto grado de precisión ya que tanto las especificaciones del usuario, como los mismos datos, son imprecisos en sí. Por esta razón, en esta memoria se proponen técnicas de Soft Computing que combinan la versatilidad de la Lógica Difusa para representar y gestionar los datos imprecisos con otras técnicas como las Redes Neuronales Artificiales para resolver el problema de Data Mining (DM) de forma efectiva. El objetivo de esta memoria es construir un sistema, que esté soportado en un modelo teórico, e implementarlo sobre un SGBD real de tal manera que sea posible la resolución de los problemas que se pueden considerar entran dentro del ámbito de DM. Se hace especial hincapié en la resolución de problemas propios del sector financiero. Se puede describir el contenido de esta memoria explicando brevemente los contenidos de los capítulos: CAPÍTULO 1 Se introduce la motivación y planteamiento del problema, los objetivos y la estructura de esta memoria. CAPÍTULO 2 Se da una visión global de DM como un conjunto de técnicas orientadas a obtener un conocimiento implícito que sea de interés a partir de los datos existentes en la base de datos, explicándose las principales técnicas existentes. Posteriormente se da una visión práctica de DM, con especial referencia al sector financiero detallando software comercial aplicado al efecto. CAPÍTULO 3 Se hace una introducción a las bases de datos relacionales y a la teoría de Conjuntos Difusos, fijando las bases y notación sobre la que va a estar soportada una parte de esta memoria. Luego se incluyen los principales modelos publicados para dar solución al tratamiento de la información "imprecisa" en base de