=Paper=
{{Paper
|id=Vol-2096/paper8
|storemode=property
|title=Aplicación de Métodos de Aprendizaje Automático en un Sistema basado en Ontología (Application of Machine Learning Methods in a System Based on Ontology)
|pdfUrl=https://ceur-ws.org/Vol-2096/paper8.pdf
|volume=Vol-2096
|authors=María-Isabel Castellanos,Ariam Rivas,Emilio Lucas
|dblpUrl=https://dblp.org/rec/conf/iwsw/CastellanosRL18
}}
==Aplicación de Métodos de Aprendizaje Automático en un Sistema basado en Ontología (Application of Machine Learning Methods in a System Based on Ontology)==
https://ceur-ws.org/Vol-2096/paper8.pdf
Aplicación de métodos de aprendizaje
automático en un sistema basado en ontologı́a
Marı́a-Isabel Castellanos1 , Ariam Rivas2 , Emilio Lucas1
1
Departamento de Ingenierı́a Informática, Universidad de Holguı́n, Cuba
2
Departamento de Matemática, Universidad de Holguı́n, Cuba
mcastellanosd@uho.edu.cu, arivasm90@gmail.com,
elucasl@uho.edu.cu
Abstract. The ontology-based system for the management of environ-
mental indicators in corporations (SIGCIA) allows the detection of an
indicator alteration, if it exceeds a limit value. In this case, this sys-
tem recommends the possible environmental impacts, the causes of the
indicator alteration and the mitigation actions. In order to make these
recommendations, the limit value for each indicator must be pre-defined
in the software by the environmental management specialist. This means
that the determination of limit values is done subjectively, based on the
knowledge of the historical behavior of the indicator in a specific orga-
nization; so it is necessary to have an automatic forecast method. This
research transits through all the phases of the process of Knowledge Dis-
covery in Data (KDD). A selection of attributes in the dataset was made
applying several selectors and a group of regression models were applied.
Artificial Neural Networks with Multi-Layer Perceptron topology showed
best performance. It allows the prediction of the limit value of the energy
consumption indicator, dataset selected as study case. The prediction of
limit values and the potential offered by the ontology-based recommen-
dation system make it a powerful tool to support decision-making in the
process of environmental management, with broad generalization possi-
bilities in Cuban business sector.
Keywords: Environmental Indicators, Artificial Neural Networks, Fore-
cast, Ontology-based System
Resumen. El sistema basado en ontologı́a para la gestión de los in-
dicadores ambientales empresariales (SIGCIA) permite detectar la al-
teración de un indicador, si sobrepasa un valor lı́mite; recomendando los
posibles impactos ambientales, las causas de la alteración del indicador y
las acciones de mitigación. Para poder realizar estas recomendaciones, en
el software debe estar predefinido por el especialista de gestión ambiental
el valor lı́mite para cada indicador. Esto trae como consecuencia que la
determinación de valores lı́mites se realice de forma subjetiva, en base al
conocimiento del comportamiento histórico del indicador en una organi-
zación especı́fica; por lo que se hace necesario contar con un método de
pronóstico automático. Esta investigación transita por todas las fases del
proceso de Descubrimiento del Conocimiento en Datos (KDD). Se realiza
una selección de atributos en el conjunto de datos, donde se aplicaron
87
varios selectores y algoritmos de regresión. El de mejor rendimiento fue
las Redes Neuronales Artificiales con topologı́a Multi-Layer Perceptron;
el cual permite la predicción del valor lı́mite del indicador de consumo de
energı́a que fue el conjunto de datos seleccionado como caso de estudio.
La predicción de valores lı́mites, unido a las potencialidades que ofrece el
sistema de recomendación basado en ontologı́a, convierten al SIGCIA en
una potente herramienta de apoyo a la toma de decisiones en el proceso
de Gestión Ambiental, con una amplia posibilidad de generalización en
el sector empresarial cubano.
Palabras claves: Indicadores Ambientales, Redes Neuronales Artifi-
ciales, Predicción, Sistema Basado en Ontologı́a
1. Introducción
La herramienta de gestión más importante para el control medioambiental
son los indicadores1 . Los indicadores ambientales condensan la información y
simplifican el acercamiento a los fenómenos medioambientales, a menudo com-
plejos, lo que los hace muy útiles para la comunicación [10].
La utilidad de estos indicadores consiste en facilitar, tanto a la dirección de la
organización como al resto de los miembros, información relevante y resumida,
en forma de declaraciones concisas e ilustrativas para la toma de decisiones.
Por lo tanto, aseguran una rápida evaluación de las principales mejoras y de los
puntos débiles en la protección ambiental de la empresa; para aquellos que han
de tomar las decisiones [13].
Por esta razón, es una necesidad el uso de indicadores ambientales para medir
el comportamiento de la organización en esta área, facilitar la comunicación y
condensar la información ambiental. El uso de indicadores, a su vez, contribuye
a una mejora en la gestión del conocimiento ambiental.
Para gestionar el conocimiento es determinante su representación, lo cual
no es más que el proceso de estructurar el conocimiento sobre un problema
de manera que sea más fácil de resolver. En aras de potenciar la gestión y
especı́ficamente la representación del conocimiento, las Tecnologı́as Semánticas
(TS) son cada vez más utilizadas [14][16]. Dentro de las TS, las ontologı́as son
actualmente una de las Formas de Representación del Conocimiento (FRC) más
empleadas [6][17].
En este sentido los autores [3] desarrollaron un Sistema basado en ontologı́a
para la gestión del conocimiento de indicadores ambientales (SIGCIA); con el ob-
jetivo de gestionar el conocimiento ambiental que se infiere del almacenamiento
histórico de los indicadores ambientales empresariales. En esta investigación se
propone el uso de las Redes Neuronales Artificiales (RNA) para predecir el valor
lı́mite del indicador a partir de su almacenamiento histórico. Entre las poten-
cialidades que las RNA ofrecen está que no necesitan un experto humano al cual
extraerle el conocimiento.
1
Un dato que ha sido seleccionado a partir de un conjunto estadı́stico más amplio por
poseer una significación y una representatividad particular [10].
88
2. Sistema basado en ontologı́a de indicadores
ambientales
Una de las formas de representación del conocimiento más empleadas actual-
mente son las ontologı́as; las cuales ofrecen disı́miles ventajas para la modelación,
generación, distribución y uso del conocimiento producido y acumulado en las
organizaciones [1][4]. Dadas estas ventajas para la gestión del conocimiento, las
ontologı́as son ampliamente usadas para gestionar los amplios volúmenes de
información ambiental que devienen de este proceso, principalmente del almace-
namiento histórico de los indicadores ambientales.
El sistema SIGCIA se basa en la ontologı́a OntoEnvironmental, en la cual se
modelan los indicadores ambientales que rigen el proceso de gestión ambiental
empresarial. En la Figura 1 se muestra el sistema de indicadores al que se hace
referencia.
Fig. 1. Indicadores medioambientales para empresas.
Este software basado en este sistema de indicadores, permite el cálculo de
estos teniendo en cuenta que el indicador debe tener predefinido su valor lı́mite
(el cual es definido por el Especialista de Gestión Ambiental de forma manual,
en correspondencia al concomimiento tácito sobre el comportamiento histórico
del indicador). En respuesta a esta acción el sistema se encarga de comparar el
valor y el valor lı́mite del indicador. En caso de que el valor del indicador resulte
mayor que el valor lı́mite, el sistema declara que el indicador está alterado y
mediante la máquina de inferencia recomienda las posibles causas, los posibles
impactos ambientales y las acciones de mitigación [3].
No obstante a las potenciales mejoras que la implantación del sistema SIG-
CIA ofrece para el correcto desempeño del proceso de gestión ambiental en las
89
organizaciones, aún existe la siguiente deficiencia. Al Especialista de Gestión
Ambiental se le dificulta el establecimiento de valores lı́mites debido a que los
indicadores reflejan diversas área de la entidad (por ejemplo área energética,
transporte), por lo tanto se establece el valor de una forma subjetiva. Esto trae
como consecuencia que una mala decisión al establecer un valor lı́mite restrinja
las potencialidades que el sistema ofrece, al no hacer las recomendaciones de
forma oportuna.
3. Proceso de descubrimiento de conocimiento en datos
Los grandes volúmenes de datos e información que se manejan en la actu-
alidad han traı́do como consecuencia la necesidad de desarrollar técnicas y her-
ramientas que permitan asistir al hombre a extraer información útil, conocimiento
y patrones de los datos almacenados. Para suplir esta necesidad surge el Proceso
de Descubrimiento de Conocimiento en Datos (KDD).
De acuerdo a Fayyad [8] es definido como: El proceso no trivial de iden-
tificación en los datos, de patrones válidos, novedosos, comprensibles y poten-
cialmente útiles. El KDD es un área de la computación que intenta explotar la
enorme cantidad de información mediante el descubrimiento de patrones útiles
y representativos, extrayendo conocimiento que pueda asistir a un humano para
llevar a cabo tareas de forma más eficiente y satisfactoria. A continuación se
muestran de manera general las fases por las que atraviesa este proceso:
Selección: desarrolla un entendimiento del dominio del problema y de los
datos que serán utilizados en la tarea de descubrimiento de conocimiento.
Pre-procesamiento y transformación: cubre el total de actividades para la
construcción de conjunto de datos final. En esta tarea se incluye la selección
de registros, atributos, limpieza de los datos, tratamiento de los valores
ausentes, entre otros. También se realiza la transformación de los datos en
el formato requerido por la herramienta de minerı́a de datos seleccionada.
Esta tarea consume entre el 35% y 20% del tiempo [5].
Minerı́a de datos (MD): es la determinación de la tarea de descubrimiento
a realizar (clasificación, regresión, agrupamiento) y la aplicación de uno o
varios algoritmos, de dicha tarea, con el fin de descubrir patrones ocultos en
los datos. Esta tarea ocupa entre el 15% y 20% del tiempo de realización del
proyecto.
Interpretación y evaluación: se interpretan y evalúan los patrones descubier-
tos, por lo que en ocasiones es necesario regresar a los pasos anteriores, lo
que implica repetir el proceso, tal vez con otros datos, algoritmos, metas y
estrategias. Este paso puede ser auxiliado por visualizaciones y contribuye a
eliminar patrones redundantes o irrelevantes.
3.1. Selección de los datos
Todo proyecto KDD tiene sus orı́genes en la petición de un cliente el cual
quiere mejorar algunos de sus procesos, haciendo uso de los datos históricos de
90
dichos procesos. Para sacar el máximo provecho de estos datos se hace necesario
que los que realicen de este tipo de proyecto conozcan y comprendan dichos
datos.
El almacenamiento histórico de cada indicador ambiental constituye un con-
junto de datos. A este indicador es necesario calcularle su valor lı́mite para
delimitar cuando está alterado y recomendar las posibles causas, los posibles im-
pactos ambientales y las acciones de mitigación. Para determinar el valor lı́mite
se aplicó el esquema KDD, con la idea de encontrar un modelo que permita
obtener dicho valor de la manera más exacta posible.
Para la realización de esta investigación se cuenta con los datos referentes al
indicador de consumo de energı́a mensual de la Empresa Constructora del Poder
Popular (ECOPP) de la provincia de Holguı́n, Cuba. Esta información contiene
un historial de aproximadamente 5 años (del 1 de diciembre del 2010 hasta 1 de
noviembre del 2015). La ECOPP para registrar en sus archivos el consumo de
electricidad mensual maneja cinco parámetros como se muestra en la tabla 1.
Table 1. Descripción del conjunto de datos.
Atributo Valor
potencia global activa (kilowatt) real
potencia global reactiva (kilowatt) real
voltaje (volt) real
intensidad global (ampere) real
consumo (watt/hora) real
La figura 2 muestra el comportamiento de las instancias del conjunto de
datos. Se puede observar como en la mayorı́a de los meses el consumo de energı́a
se encuentra entre 1600-2445 (watt/hora).
Fig. 2. Distribución por instancia (atributo consumo).
91
3.2. Selección de atributos
La Selección de Atributos (SA) se puede definir como el proceso de obtener
los n atributos más representativos de los N originales a partir de la eliminación
de los redundantes e irrelevantes. De una manera más formal, el objetivo es
seleccionar un subconjunto de atributos S del espacio original A con clase C,
tal que P (C|S) ≈ P (C|A), es decir, obtener mejor o igual desempeño predictivo
mediante la eliminación de atributos ruidosos y redundantes.
Existen varios criterios para agrupar los algoritmos de SA. Uno de ellos lo
constituye el modo de aplicación, según el cual pueden ser vistos como de filtro
(filter) o envolvente (wrapper). En esta investigación el modo de aplicación de
los algoritmos de selección de atributos fue mediante el criterio de wrapper.
Los envolventes son aquellos que se auxilian de la precisión del clasificador
para evaluar a los subconjuntos del espacio. Esta estrategia ofrece mejores resul-
tados, ya que en un paso previo a la clasificación el algoritmo de aprendizaje es-
coge a los atributos que mejor representen el conocimiento para su construcción;
sin embargo es altamente costosa. Se emplearon cinco algoritmos de estrate-
gias envolventes: LinearRegression (LR), MultilayerPerceptron (MLP), M5P, K
vecinos más cercanos (K-nn) y M5Rules (M5R).
LinearRegression El análisis regresivo es una técnica utilizada para inter y
extra polar las observaciones, las cuales pueden clasificarse como regresión lineal
o no lineal. Se habla de modelo de regresión cuando la variable de respuesta y
las variables explicativas son todas cuantitativas. Además permite determinar el
modelo o ecuación matemática que mejor representa la relación existente entre
las variables que se analizan [18].
MultilayerPerceptron Una Red Neuronal Artificial (RNA) es un modelo com-
putacional que pretende simular el funcionamiento del cerebro. El proceso de
aprendizaje de una RNA de topologı́a MultilayerPerceptron consiste en determi-
nar los pesos que permitan codificar el conocimiento subyacente en los datos [2].
Esto consiste en hacer variar los pesos en función de alguna regla de aprendizaje
hasta que los mismos sean constantes, con lo que se dice que la red ha aprendido.
El buen funcionamiento predictivo del mismo viene dado por la alta tolerancia
al ruido de los datos y la habilidad de capturar relaciones complejas entre los
atributos y la clase.
M5P En el caso del algoritmo M5P, se trata de obtener un árbol de modelos
(un modelo lineal que predice el valor de la clase), si bien se puede utilizar para
obtener un árbol de regresión, por ser este un caso especı́fico de árbol de modelos
[12].
K vecinos más cercanos Es un algoritmo simple que almacena todos los
casos disponibles y clasifica los nuevos casos sobre la base de una medida de
92
similitud (funciones de distancia). K-nn se ha utilizado en el reconocimiento de
patrones estadı́sticos, estimación y ya en el inicio de década de 1970 como una
técnica no paramétrica. Un caso se clasifica por un voto de la mayorı́a de sus
vecinos, con el caso que se asigna a la clase más común entre sus vecinos más
cercanos K, medidos por una función de la distancia. Si K = 1, entonces el caso
es simplemente asignado a la clase de su vecino más cercano [15].
M5Rules El algoritmo M5R [11] es un algoritmo de inducción simple aunque los
conjuntos de reglas de los árboles de modelos son precisos. El algoritmo trabaja
construyendo modelos de árboles repetidamente y selecciona la mejor regla en
cada iteración. Produce conjuntos de reglas que son en general tan precesio y a
la vez más pequeños que los árboles de modelos contruidos con el conjunto de
datos completo.
3.3. Minerı́a de datos
En esta investigación se ha preparado un estudio experimental para explorar
el comportamiento de las RNA, en conjuntos de datos donde su tipo de clase es
continua. Se ha utilizado para la ejecución de los experimentos la herramienta
Weka [9]. Desarrollada en la Universidad de Waikato (Nueva Zelanda) bajo li-
cencia GNU (General Public License), se caracteriza por la independencia de
arquitectura.
Es utilizado un esquema de experimentación basado en validación cruzada
que garantiza una mayor robustez estadı́stica. Esta propuesta consiste en un
procedimiento de validación cruzada con diez particiones con una corrida como lo
propone [7]. Como parámetro de evaluación se emplea: coeficiente de correlación
y error medio absoluto.
La correlación es la técnica estadı́stica que estudia el problema de medir la
intensidad o el grado de relación que existe entre las variables que se investigan.
El Coeficiente de Correlación, es un valor comprendido entre 1 y 1, indica la
relación lineal que existe entre dos variables. El error medio absoluto mide la
magnitud media de los errores en un conjunto de pronósticos, sin tener en cuenta
su dirección. Mide la precisión para las variables continuas.
Se realizó una experimentación utilizando los algoritmos de selección de es-
trategia Wrapper mencionados anteriormente y como algoritmos de regresión:
LR, MLP, M5P, K-nn y M5R. Los resultados arrojados se muestran en la Tabla
2 y Tabla 3.
3.4. Interpretación y evaluación
En la Tabla 2 y en la Tabla 3 los valores resaltados son los algoritmos de
mejor coeficiente de correlación y error absoluto medio respectivamente. Se puede
observar como el algoritmo de regresión MLP con el selector de atributos de
estrategia Wrapper MLP es el de mayor coeficiente de correlación en la Tabla 2
y el de menor error medio absoluto en la Tabla 3.
93
Table 2. Resultado de coeficiente de correlación.
Wrapper
LR MLP M5P K-nn M5R -
LR 0,598 0,631 0,598 0,164 0,636 0,640
MLP 0,796 0,901 0,796 0,226 0,888 0,885
M5P 0,876 0,863 0,876 0,718 0,874 0,863
K-nn 0,705 0,806 0,705 0,674 0,683 0,7
M5R 0,800 0,860 0,800 0,779 0,882 0,86
Table 3. Resultado de error medio absoluto.
Wrapper
LR MLP M5P K-nn M5R -
LR 733 739 733 825 726 723
MLP 436 329 436 795 349 351
M5P 396 397 396 573 401 397
K-nn 390 295 390 370 350 368
M5R 420 373 420 364 352 373
En la Figura 3 se muestra el consumo de energı́a eléctrica en la ECOPP
durante cinco años. En dicha gráfica de tendencia los consumos están presentados
por meses. El color azul representa el consumo real, mientras que el color rojo es
el consumo pronosticado por el algoritmo MLP. Se puede apreciar como el error
del clasificador es bajo.
Fig. 3. Pronóstico del consumo de energı́a.
94
4. Integración del algoritmo de predicción de valores
lı́mites en el SIGCIA
Con el modelo óptimo seleccionado, MLP, se dio paso a la integración del
algoritmo de predicción de valores lı́mites, Figura 4, en el modelo SIGCIA. En
este diagrama el primer paso es que el usuario introduzca los datos, que consti-
tuyen el valor del indicador para ese mes. Luego el modelo de RNA seleccionado
analiza estos datos de entrada y realiza su pronóstico, que para el SIGCIA va
ser el valor lı́mite. Cuando se obtenga el valor real del indicador este se com-
para con el pronóstico (valor lı́mite). En caso de ser mayor el real, mediante la
máquina de inferencia, que posee la arquitectura del SIGCIA, esta recomienda
las posibles causas de alteración del indicador, los posibles impactos ambientales
y las acciones de mitigación.
Para lograr la integración del algoritmo de predicción de valores lı́mites al
SIGCIA, se crea en el sistema un grupo de clases. Una clase (Modelo Clasificación)
la cual se encarga de construir el Dataset haciendo uso de los datos que se encuen-
tran en la tabla (tb consumo energı́a) incluida en la base de datos db indicadores.
Para la construcción del modelo y clasificar la instancia se hace uso de la librerı́a
WEKA ver Figura 5.
Fig. 4. Diagrama de flujo predicción de Fig. 5. Integración de Weka al SIG-
valor lı́mite. CIA.
4.1. Funcionalidades del SIGCIA una vez integrado
Cuando el usuario (Especialista de Gestión Ambiental) desea gestionar el
valor lı́mite del indicador, en este caso consumo total de energı́a, una vez selec-
cionado el indicador hace click en el botón adicionar y se muestra una ventana de
diálogo donde se tienen dos opciones, introducir el valor manualmente o generar
el valor como se muestra en la Figura 6. Si el usuario selecciona la opción de
generar el valor lı́mite, se le muestra un formulario el cual debe llenar para el cor-
recto funcionamiento del algoritmo (ver Figura 7). Luego de llenar los datos del
95
formulario correctamente el usuario hace click en el botón insertar, acto seguido
se ejecuta el método generarValorlı́mite() el cual crea primeramente una instan-
cia temporal con los datos introducidos por el usuario en el formulario, construye
el modelo de regresión, clasifica la instancia y propone el valor lı́mite. Una vez
definido el valor lı́mite del indicador; el usuario calcula el valor real del mismo
para el mes en curso. Este valor es guardado en la base de datos y se actualiza el
dataset. Posteriormente si el valor del indicador real sobrepasa el valor lı́mite el
sistema ofrece un conjunto de recomendaciones, fruto de las consultas realizadas
a la ontologı́a OntoEnvironmental.
Fig. 6. Generar valor lı́mite.
Fig. 7. Atributos del indicador.
96
5. Conclusiones
En el estudio de los algoritmos de selección de atributos con la estrategia
Wrapper para seleccionar los métodos a aplicar en la investigación, permitió
constatar que existı́an atributos redundantes e irrelevantes, debido a que el de
mejores resultados fue Wrapper (MLP) eliminando el atributo Intensidad. El
estudio realizado sobre los cinco modelos de regresión de distintas ramas, arrojó
que el algoritmo de regresión MultiLayerPerceptron en cuanto a los parámetros
medidos (coeficiente de correlación y error absoluto medio) fue el de mejores
resultados.
La integración del algoritmo de regresión MultiLayerPerceptron al sistema
SIGCIA permite la predicción del valor lı́mite del indicador consumo de energı́a
que fue el conjunto de datos seleccionado en la investigación actual. Lo anterior
facilita el trabajo del Especialista de Gestión Ambiental debido a que el sistema
realiza las recomendaciones de forma oportuna y favorece la toma de decisiones
al respecto. Los resultados obtenidos con la aplicación del algoritmo de regresión
MultiLayerPerceptron al conjunto de datos tomado de la Empresa Constructora
del Poder Popular acerca del indicador consumo de energı́a demuestra que para
este indicador en otras organizaciones el algoritmo antes mencionado se puede
generalizar.
Referencias
1. Arp, R., Smith, B., Spear, A.D.: Building ontologies with basic formal ontology.
Mit Press (2015)
2. Bishop, C.: Extremely well-written, up-to-date. Requires a good mathematical
background, but rewards careful reading, putting neural networks firmly into a
statistical context. Neural Networks for Pattern Recognition (1995)
3. Castellanos Domı́ngez, M.I., Quevedo Castro, C.M., Vega Ramı́rez, A., Grangel
González, I., Moreno Rodrı́guez, R.: Sistema basado en ontologı́a para el apoyo
a la toma de decisiones en el proceso de gestión ambiental empresarial. In: II
International Workshop of Semantic Web. vol. 1797. CEUR-WS, La Habana, Cuba
(2016), http://ceur-ws.org/Vol-1797/
4. Cimiano, P., McCrae, J., Buitelaar, P.: Lexicon model for ontologies: Community
report. W3C Ontology-Lexicon Community Group (2016)
5. Cios, K.J., Kurgan, L.A.: Trends in Data Mining and Knowledge Discovery (Dm),
1–26 (2000)
6. Davis, E.: Representations of commonsense knowledge. Morgan Kaufmann (2014)
7. Demsar, J.: Comparison of Classifiers over Multiple Data Sets. Journal of Machine
Learning Research vol. 7: 31 (2006)
8. Fayyad, U.: The KDD Process for Extracting Useful Knowledge from Volumes of
Data 39(11), 27–34 (1996)
9. Frank, I.H.W., E: Practical Machine Learning Tools and Techniques (2005)
10. Heink, U., Kowarik, I.: What are indicators? On the definition of indicators in
ecology and environmental planning. Ecological Indicators ELSEVIER 10, 584–
593 (2010), www.elsevier.com/locate/ecolind
11. Holmes, G., Hall, M., Frank, E.: Generating Rule Sets from Model Trees (1999)
97
12. Holte, R.C.: Very Simple Classification Rules Perform Well on Most Commonly
Used Datasets (1988), 63–91 (1993)
13. IHOBE: Guı́a de Indicadores Medioambientales para la Empresa (1999)
14. Kharlamov, E., Solomakhina, N., Özçep, O.L., Zheleznyakov, D., Hubauer, T.,
Lamparter, S., Roshchin, M., Soylu, A., Watson, S.: How semantic technologies can
enhance data access at siemens energy. In: International Semantic Web Conference.
pp. 601–619. Springer (2014)
15. Khelifi J., F..J.: K-NN Regression to Improve Statistical Feature Extraction for
Texture Retrieval. IEEE Transactions on Image Processing pp. 20, 293–298. (2011)
16. Meroño Peñuela, A., Ashkpour, A., Van Erp, M., Mandemakers, K., Breure, L.,
Scharnhorst, A., Schlobach, S., Van Harmelen, F.: Semantic technologies for his-
torical research: A survey. Semantic Web 6(6), 539–564 (2015)
17. Tiropanis, T., Davis, H.C., Cerri, S.A.: Semantic Technologies and Learning. In:
Encyclopedia of the Sciences of Learning, pp. 3029–3032. Springer (2012)
18. Torres-Reyna: Regression Analysis. Data Analysis 101. University Princeton (2009)