English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

El clustering de datos ayuda a discernir la estructura y simplifica la complejidad de cantidades masivas de datos. Es una t´ecnica com´un y se utiliza en diversos campos como, aprendizaje de m´aquina, miner´ia de datos, reconocimiento de patrones, an´alisis de im´agenes y bioinform´atica, donde la distribuci´on de la informaci´on puede ser de cualquier tama˜no y forma. La eficiencia de los algoritmos de clustering es extremadamente necesaria cuando se trabaja con enormes bases de datos y tipos de datos de grandes dimensiones. Este trabajo presenta una evaluaci´on desde distintas perspectivas de una serie de medidas relevantes no-supervisadas de calidad como por ejemplo, cuantizaci´on del error, distancias intra- e inter- cluster, de los clusters obtenidos por el conocido algoritmo de K-means, una metaheur´istica poblacional denominada Particle Swarm Optimization (PSO) y un algoritmo h´ibrido, que combina las caracter´isticas de los dos algoritmos anteriores, denominado PSO+Kmeans. De los resultados obtenidos se observa que en general el algoritmo PSO+K-means obtiene mejores resultados en cada una de las medidas generando clusters m´as compactos y separados entre ellos que los obtenidos por los otros algoritmos.

An´alisis de medidas no-supervisadas de calidad en clusters obtenidos por K-means y Particle Swarm Optimization