Resumen

El uso de machine learning para la gestión de datos es una extraordinaria oportunidad para avanzar hacia un modelo de liderazgo basado en la información, que impulse a la organización hacia el éxito en cada iniciativa. Sin embargo, a la hora de incorporar estas tecnologías, la empresa presenta problemas asociados a los costes económicos y administrativos que se generan en este proceso ya que éstos suelen ser bastante elevados, lo que limita su implantación en las MIPYMES. Este trabajo propone integrar técnicas de aprendizaje automático supervisado en el SGBD PostgreSQL en una arquitectura moderadamente acoplada para dotarlo de capacidades de descubrimiento de conocimiento en bases de datos. Los algoritmos de clasificación y regresión se acoplaron mediante el desarrollo de extensiones utilizando uno de los lenguajes procedimentales soportados por PostgreSQL. Inicialmente, el algoritmo de clasificación de árbol de decisión C4.5 se implementó utilizando el lenguaje procedimental PL/pgSQL. La principal ventaja de esta estrategia es que tiene en cuenta la escalabilidad, administración y manipulación de datos del DBMS. Dado que PostgreSQL es un gestor de código abierto, organizaciones como las MIPYMES dispondrán de una herramienta gratuita que les permitirá realizar análisis predictivos con el fin de mejorar sus procesos de toma de decisiones anticipándose al comportamiento futuro de los consumidores y tomando decisiones racionales basadas en sus conclusiones.

• Materias:Acetamida
• Subjects:Acetamida
• Palabras claves:Técnicas de clasificación; Algoritmo C4.5; Arquitectura acoplada intermedia; Sistema de gestión de bases de datos PostgreSQL
• Keywords:Classification techniques; C4.5 algorithm; Middle coupled architecture; PostgreSQL DBMS