Machine learning en el análisis visual de minerales del grupo de los espinelos

Abstract

En las últimas décadas, el análisis visual de datos multidimensionales ha ganado una importancia significativa debido al crecimiento exponencial en el volumen y la complejidad de los datos generados en diversas áreas, como la ciencia, la ingeniería, y la medicina. Este crecimiento ha planteado desafíos en el análisis de estos conjuntos de datos cada vez más grandes y complejos. Las técnicas de visualización, como matriz de scatterplots, coordenadas paralelas y las caras de Chernoff, proporcionan herramientas poderosas para explorar datos multidimensionales. Asimismo, varios estudios recientes demostraron el potencial del aprendizaje automático en la solución de problemas de distintas disciplinas. Integrar técnicas de Machine Learning (ML) en el análisis visual de datos multidimensionales podría abrirnos nuevas puertas para la identificación automatizada de patrones complejos, la extracción de conocimiento útil y la realización de procesos iterativos más ágiles y eficientes. En este contexto, en el ámbito de la mineralogía, exploramos nuevas técnicas de visualización multidimensional e integramos técnicas de Machine Learning para el análisis visual de los minerales que integran el grupo de los espinelos; importantes indicadores petrogenéticos.