Resumen de Extracción de conocimiento empleando técnicas genéticas
En la actualidad es una práctica habitual el almacenamiento de datos de cualquier tipo y origen con el objetivo de proceder posteriormente a la extracción de la información relevante que pueda estar contenida en ellos para su utilización en multitud de campos y con diferentes fines. El problema aparece cuando se trata de analizar las enormes cantidades de datos que debido a un gran número de transacciones y al desarrollo de las tecnologías hardware es posible almacenar en diferentes soportes que en definitiva se constituirán como inmensas bases de datos cuyo tratamiento y análisis sobrepasa con mucho las posibilidades de cualquier ser humano.
Esta es la razón por la que desde hace algunos años se ha hecho cada vez más patente la imperiosa necesidad de disponer de técnicas de análisis, descubrimiento, y extracción de la información y del conocimiento relevante almacenado en esos grandes depósitos de datos. El proceso completo de extracción de información, KDD (Knowledge Discovery in Databases) es un proceso interactivo, iterativo y muy complejo, que involucra numerosos pasos e incluye muchas decisiones que deben ser tomadas por el usuario, y que se estructura en un gran número de tareas que de forma resumida pueden ser agrupadas de la siguiente forma: Comprensión del dominio de la aplicación, Preparación de los datos, Minería de Datos e Interpretación y aplicación de los patrones encontrados. Todas las tareas incluidas en estos complejos grupos se consideran importantes para el éxito del KDD, y todas ellas han de ser tenidas en cuenta. Esta Tesis se ha enfocado hacia la Minería de Datos en el intento de contribuir con aportaciones novedosas a las técnicas y algoritmos utilizados.
Las técnicas de Minería de Datos intentan obtener patrones o modelos a partir de los datos recopilados. Decidir si los modelos obtenidos son útiles o no suele requerir una valoración subjetiva por parte del usuario. Desde hace al
