dc.provenance | Universidad Nacional Autónoma de México. Dirección General de Cómputo y de Tecnologías de Información y Comunicación | |
dc.rights.license | CC BY-NC 4.0 DEED Attribution-NonCommercial 4.0 International, https://creativecommons.org/licenses/by-nc-sa/4.0/ | |
dc.contributor.author | Hevia Montiel, Nidiyare | |
dc.contributor.author | Neme Castillo, José Antonio | |
dc.contributor.author | Mota Pantoja, Sergio Iván | |
dc.contributor.editor | Luna González, Lizbeth | |
dc.contributor.editor | Benítez Pérez, Héctor | |
dc.contributor.editor | Arámbula Cosío, Fernando | |
dc.date.accessioned | 2023-12-16T03:07:13Z | |
dc.date.available | 2023-12-16T03:07:13Z | |
dc.date.issued | 2021-10 | |
dc.identifier.citation | "J. L. Morales, H. G. Acosta, N. Hevia, S. Mota y A. Neme, “Las anomalías: ¿qué son?, ¿dónde surgen?, ¿cómo detectarlas?,” TIES, Revista de Tecnología e Innovación en Educación Superior, no. 4, octubre, 2021. [En línea]. Disponible en: http://ties.unam.mx/ [Consultado en mes día, año]. https://www.ties.unam.mx/art_03.html | es_MX |
dc.identifier.issn | 2683-2968 | |
dc.identifier.other | https://10.22201/dgtic.26832968e.2021.4.3 | |
dc.identifier.uri | http://ru.tic.unam.mx/handle/123456789/3545 | |
dc.description | An anomaly is an instance that does not resemble most observations. Establishing the comparison criteria that allow us to identify an instance as a possible anomaly is an open task in Artificial Intelligence. Anomalies are generally much less frequent than common or usual observations. The low frequency of occurrence of the candidate anomalies makes it difficult to have data sets from which it can extract attributes that give us an idea about what makes an anomaly different from the common or usual observations. The core idea of anomaly detection algorithms is to scrutinize the common or usual observations and extract a criterion or metric that is common among those observations, at the time that such property is absent in the anomalous observations. Traditional practice with respect to anomalies is to associate them with observations noise or errors, and then discard them. A modern perspective suggests us that an anomaly is an indication, possibly an early one, of some major change in the studied phenomena. In this paper, we will present operational definitions of anomalies, we will relate in which contexts they arise, and we will take a tour of some algorithms for their detection. | es_MX |
dc.description.abstract | Una anomalía es una instancia que no se asemeja a la mayoría de las observaciones. Establecer los criterios de comparación, que nos permitan identificar a una instancia como posible anomalía es una tarea abierta en Inteligencia Artificial (IA). La baja frecuencia de estas dificulta tener datos para extraer atributos, que nos proporcionen una idea de qué hace diferente a una anomalía con respecto a las observaciones usuales o habituales. La idea general de los algoritmos de detección de anomalías pasa por escudriñar las observaciones usuales o habituales, para extraer algún criterio o métrica que sea compartida por ellas, y que posea la propiedad de no estar presente en observaciones anómalas. La práctica tradicional para detectarlas es asociarlas a ruido o error en las observaciones y descartarlas. Una perspectiva moderna dice que: una anomalía o discrepancia es un indicio, posiblemente temprano, de algún cambio importante en el objeto de estudio. En este trabajo, presentaremos definiciones operativas, relataremos en qué contextos surgen, y haremos un recorrido sobre algunos algoritmos para su detección. | es_MX |
dc.format | html | |
dc.language | spa | |
dc.publisher | Universidad Nacional Autónoma de México. Dirección General de Cómputo y de Tecnologías de Información y Comunicación. TIES, Revista de Tecnología e Innovación en Educación Superior | es_MX |
dc.relation.isformatof | https://www.ties.unam.mx/num04/pdf/art_03.pdf | |
dc.relation.ispartof | https://www.ties.unam.mx/num04/index.html | |
dc.rights | openAccess | |
dc.source | ISSN 2683-2968, Octubre 2021, Número de revista 4, DOI del número: https://doi.org/10.22201/dgtic.26832968e.2021.4 | |
dc.subject | Aprendizaje no supervisado, detección de anomalías, densidad, distancias | es_MX |
dc.subject | Densidad | |
dc.title | Las anomalías: ¿qué son?, ¿dónde surgen?, ¿cómo detectarlas? | es_MX |
dc.title.alternative | Anomalies: What are they? Where do they arise? How to detect them? | es_MX |
dc.type | Article | es_MX |
dc.rights.holder | La titularidad de los derechos patrimoniales de esta obra pertenece a: Universidad Nacional Autónoma de México. Dirección General de Cómputo y de Tecnologías de Información y Comunicación | |
dc.subject.keywords | Aprendizaje no supervisado, detección de anomalías, densidad, distancias. | |
dc.subject.keywords | Anomaly detection, Density, Distances, Unsupervised learning. | |
dc.identifier.url | https://www.ties.unam.mx/num04/art_03.html | |
dc.creator | Hevia Montiel, Nidiyare | |
dc.creator | Neme Castillo, José Antonio | |
dc.creator | Mota Pantoja, Sergio Iván |
Files in this item
This item appears in the following Collection(s)
-
TIES, Revista de Tecnología e Innovación en Educación Superior
Difundir el impacto y las aplicaciones de las Tecnologías de Información y Comunicación (TIC) en las Instituciones de Educación Superior (IES) a través de una revista digital, académica y arbitrada en línea; apegada a mejores prácticas editoriales reconocidas internacionalmente y con estándares tecnológicos.
COMPARTE
BÚSQUEDA
Escriba el texto a buscar en DSpace
CONTACTO
El Repositorio Universitario de la DGTIC se edita en la Dirección General de Cómputo y
de Tecnologías de Información y Comunicación (DGTIC), de la Universidad Nacional Autónoma de México (UNAM)
Circuito Exterior s/n, Ciudad Universitaria, Coyoacán, C.P. 04510, México, D.F
Tel: +(52) (55) 56228166 Email: rutic@unam.mx