Archivo para agosto, 2007

BlogDay 2007

 

BlogDay 2007

 

Catedral de San Basilio, en Jipiro

Hoy se celebra el BlogDay, y como reza la costumbre, hay que aprovechar este día para recomendar 5 blogs. Según las reglas del juego los recomendados, preferentemente, deben ser “sitios diferentes a la propia cultura, punto de vista y posición”.

Castillo Greco Latino, Jipiro

CELEBRATE THE 3rd BlogDay ON AUGUST 31st
¿Qué es el BlogDay?

El BlogDay es el día de los blogueros, ha sido creado para que los blogueros conozcan otros blogueros, de otros países y de otros centros de interés. El 31 de agosto es el día en el que los blogueros dan a conocer otros autores. Así de sencillo.!

¿Qué ocurrirá durante el BlogDay?

Toda la jornada del 31 de agosto, los blogueros en el mundo entero postearán un artículo recomendando 5 nuevos blogs, preferentemente blogs diferentes a su propia cultura, punto de vista y posición. Así, ese día, el 31 de agosto, los lectores descubrirán otros autores alejados de su entorno habitual. Es un día para descubrir nuevos blogueros y nuevas experiencias.

Las instrucciones del BlogDay:

  1. Encontrar 5 nuevos blogs que consideras interesantes.

  2. Informar o advertir a los autores seleccionados tu recomendación para el BlogDay.

  3. Escribir una descripción corta de cada blog y enlazarlos.

  4. Publicar una entrada el 31 de agosto, el BlogDay, mencionando los 5 blogs que recomiendas

  5. Agregar el tag BlogDay de Technorati:

    http://technorati.com/tag/BlogDay2007 y un enlace al sitio BlogDay: http://www.blogday.org

¡A celebrar el BlogDay en LOXA!

Anochecer de Loja en el Occidente, Villonaco

Con la iniciativa de nuestro estimado amigo Carlos Correa, Calu, en Loja – Ecuador celebraremos a lo grande, igual como se hizo en el primer Beers & Blog. Los organizadores en Loxa, han creido conveniente considerar los siguientes puntos (via http://calu.ec).

…así que por favor agrega estos puntos:

 

Tal como dijimos en el primer B&B de Loxa: No importa si escribes o no en un blog, si lo abriste anteayer o hace dos años, si dejas tus comentarios o no; no nos interesa discutir si Blogger es mejor que WordPress. Nos interesa conocerte, compartir, conversar, tomarnos una cerveza contigo e ir creando una red social. Tu eres la reunión, apúntate !

  • 6. Postear en tu blog sobre lo que vamos a hacer en Loxa para que más gente se entere; puedes usar la imagen de arriba si quieres.
  • 7. Traer tu portátil a Casa Tinku este viernes para estar blogueando (y twitteando) en vivo porque al parecer habrá wi-fi (esto último está por confirmarse
  • 8. Traer plata para pagar las cervezas (muy importante)
  • Technorati Tags: , , , , , , ,

     

    Posted in BlogDay2007, BlogDay.

    Sistemas Complejos

    Un sistema es considerado “complejo” cuando está compuesto de un gran número de elementos los cuales interactúan entre si (Bar – Yam, 1997). La funcionalidad global del sistema se da precisamente por las interacciones, y por lo tanto uno no encontrará tal funcionalidad si uno observa sólo a unos cuantos elementos.

    Los Sistemas complejos son un sistema compuesto por varias partes interconectadas o entrelazadas cuyos vínculos contienen información adicional y oculta al observador. Como resultado de las interacciones entre elementos, surgen propiedades nuevas que no pueden explicarse a partir de las propiedades de los elementos aislados. Dichas propiedades se denominan propiedades emergentes.

    Los sistemas complejos permiten simular y comprender una gama amplia de fenómenos, que van desde los fenómenos biológicos a los sociales.

    Se caracterizan fundamentalmente porque su comportamiento es imprevisible. Sin embargo, complejidad no es sinónimo de complicación: este vocablo hace referencia a algo, enredado, de difícil comprensión. En primer término, está compuesto por una gran cantidad de elementos relativamente idénticos. Por ejemplo, el número de células en un organismo, o la cantidad de personas en una sociedad. En segundo lugar, la interacción entre sus elementos es local y origina un comportamiento emergente que no puede explicarse a partir de dichos elementos tomados aisladamente.

     

    Comportamiento difícilmente predecible: Debido a la enorme complejidad de estos sistemas la propiedad fundamental que los caracteriza es que poseen un comportamiento impredecible. Sólo somos capaces de prever su evolución futura hasta ciertos límites, siempre suponiendo un margen de error muy creciente con el tiempo. Para realizar predicciones más o menos precisas de un sistema complejo frecuentemente se han de usar métodos matemáticos como la estadistica, la probabilidad o las aproximaciones númericas como los números aleatorios.

    Un ejemplo de sistema complejo: Es el Tráfico de carros en las carreteras.

    El tráfico se compone de entidades discretas que se desplazan por cierta estructura y el modelo pretende predecir el tipo de flujo y la forma en la que se producen los atascos.

    GRAFICO DEL TRÁFICO DE CARROS

    Figura: 1 (Tráfico de Carros)

    Introducción a las redes neuronales

    Fig. 1. Elementos básicos de una neurona artificial

    Fuente: Introducción a las redes neuronales.

    ENTRADAS. Estas capas reciben la información desde el exterior como son: Entradas Wj a la neurona.

    PESOS Normalmente una neurona recibe muchas y múltiples entradas simultáneas. Cada entrada tiene su propio peso relativo el cual proporciona la importancia de la entrada dentro de la función de agregación de la neurona. Estos pesos realizan la misma función que realizan las fuerzas sinápticas de las neuronas biológicas. En ambos casos, algunas entradas son más importantes que otras de manera que tienen mayor efecto sobre el procesamiento de la neurona al combinarse para producir la respuesta neuronal.

    Los pesos son coeficientes que pueden adaptarse dentro de la red que determinan la intensidad de la señal de entrada registrada por la neurona artificial. Ellos son la medida de la fuerza de una conexión de entrada. Estas fuerzas pueden ser modificadas en respuesta de los ejemplos de entrenamiento de acuerdo a la topología específica o debido a las reglas de entrenamiento.

    SALIDAS: Cada elemento de procesamiento tiene permitido una única salida yi(t) que puede estar asociada con un número elevado de otras neuronas. Normalmente, la salida es directamente equivalente al valor resultante de la función de activación.

    yi(t)=Fi(ai(t))=ai(t)

    Algunas topologías de redes neuronales, sin embargo, modifican el valor de la función de transferencia para incorporar un factor de competitividad entre neuronas que sean vecinas. Las neuronas tienen permitidas competir entre ellas, inhibiendo a otras neuronas a menos que tengan una gran fortaleza.

    En el siguiente post se describiran las funciones que forman parte de los Elementos de la Red Neuronal: La Función de Propagación, Función de Activación y la Función de Salida.

    Referencias

    Ivan Martínez Ortiz, Introducción a la Redes Neuronales, Universidad Complutense de Madrid, Facultad de Informática [Consulta: Junio 2007][Disponible en Internet]

    http://www.gurugames.es/people/pedro/aad/ivan_martinez.pdf

    Francisco José Palacios Burgos, Herramientas en GNU/Linux para estudiantes universitarios, La Neurona Artificial, 2003, [Consulta: Junio 2007][Disponible en el Internet].

    http://es.tldp.org/Presentaciones/200304curso-glisa/redes_neuronales/curso-glisa-redes_neuronales-html/x38.html

    Redes Neuronales, Introducción y Conceptos Básicos

    http://members.tripod.com/jesus_alfonso_lopez/RnaIntro.html

    Topologías de Redes Neuronales

     

    En este apartado nos enfocaremos sobre las topologías de redes. En cuanto a esto, la principal distinción que podemos hacer es entre:

     

    1. Redes Feed-forward

     

    Si los datos fluyen desde la entrada a las unidades de salida es estrictamente Feed-forward. Los datos pueden extenderse sobre múltiples (capas) unidades, pero las conexiones no Feed-back están presentes, esto significa, extender las conexiones desde las unidades de la salida a las unidades de la entrada en la misma capa o capas anteriores.

    1. Red Feed-forward

     

    Clásicos ejemplos de redes Feed-forward son:

     

    Seguir leyendo »

    TEORÍA DE ENJAMBRES

    Teoría de Enjambres.

    Los enjambres son una fuerza impresionante debido a sus movimientos sincronizados y con un fin claro, cumplir el objetivo colectivo.

    Su éxito depende de sus reglas claras y sencilla, es decir que las multitudes, tienden a ser sabias, si los miembros individuales actúan responsables y toman sus propias decisiones. Muchos pensábamos que la reina era la líder una pieza indispensable en las colmenas, ya que sin ella no podría sobrevivir una colmena, y sabemos que la reina no desempeña ningún papel excepto para poner los huevos.

    El éxito de los enjambres pienso que es porque no hay riquezas en las hormigas, no hay crecimiento personal ni poder, no hay aspiraciones a ser más grandes ni más ricos porque no existen esos calificativos para ellas.

    Eso es lo que les permite llegar a ser tan organizadas y desinteresadas, por el desarrollo individual. Pero los humanos tenemos que comer bien, tener cosas mejores, tenemos gustos que cuestan y por eso somos diferentes.

    Si fuéramos desinteresados podríamos talvez ser como las hormigas o abejas pero por ahora no. Creo que no se puede eso en Humanos, se ha hablado de que las personas son inteligentes pero las masas carecen de raciocinio.

    El término de “mentalidad de las masas” ,se aplica para describir un comportamiento irracional generado por un grupo de gente que no actuaría de la misma manera si se le viera independientemente. Ahora existe una nueva idea, basada en abejas de ahí lo de enjambres, que nos dice que un grupo con reglas simples puede ser mucho más inteligente que sus miembros si es que todos ponen el bien común por encima de sus intereses personales.

    Tomemos un ejemplo, una colonia de hormigas:

    Por si solas las hormigas son inútiles, pero en grupo son de las criaturas más exitosas de la tierra. Se conoce que llevan más de 140 millones de años poblando nuestra querida tierra y durante todo este tiempo han aprendido bastante.

    ¿Qué es lo más importante?, ¿ninguna está al mando de la colonia?. Encuentran las rutas más cortas a la comida y saben exactamente cuántas deben salir a buscarla. ¿Como lo hacen?.

    Por medio de su olfato y tacto, como sucede esto, una hormiga encuentra a otra y al olerla sabe si pertenece a su enjambre y si ha trabajo dentro o fuera de este, las forrajeras no salen del enjambre hasta que las patrulleras regresan después de su ronda. Y si regresan a intervalos constantes, es decir si regresan tal como se fueron. Si no es así es una señal de que algo está mal pero muy mal afuera, un oso hormiguero esta cerca o hay lluvia etc. Pero no saldrán a exponerse al peligro, en cambio las forrajeras no regresan hasta que hayan encontrado comida, si la encuentran inmediatamente regresaran y un nuevo batallón saldará a buscarla, si es que tardan demasiado es talvez por que la comida debe ser escasa y no hay razón para salir.

    Al salir las hormigas dejan rastros de feromonas que las otras pueden detectar, entre más hormigas caminen por ahí más fuerte será el aroma, así es como pueden escoger el mejor camino hacia la comida.

    Esta sorprendente nión no solo es aplicada por las hormigas, las abejas, los Ñus; utilizan esa poderoza arma en euipo para sobrevivir; las abejas melíferas sobreviven al invierno como colonia, los ñus, estos animales se desplazan unidos en grupos innumerables, lo que constituye su estrategia de sobrevivencia. Se puede sobrevivir a las hambrunas o a los depredadores sólo en grupo. Cuando los ñus cruzan los puntos de agua, los cocodrilos no se olvidan de descontar del grupo, al igual que los leones, pero gracias a su grupo numeroso, nunca desaparecen. Como es que escogen un nuevo sitio para su nuevo enjambre una vez que el actual se llena o caminar extensas llanuras en busca de pastos. Simple, lo salen a buscar. Al encontrar un lugar adecuado regresan a la colmena y avisan sus hallazgos, por lo general encuentran varios sitios. Las exploradoras los visitan y se “detienen” fuera del que más les guste y así votan por su elección. Al llegar a alrededor de 15 “votos” (numero curioso pero comprobado con varios estudios) estas exploradoras regresan a la colmena a avisar de la selección. Este tipo de comportamiento es llamado comportamiento de Auto Organizado, ya ha sido tomado en cuenta por muchas compañías que a traído consigo enormes beneficios económicos y de prestigio.

    Un ejemplo de este sistema Auto Organizado la posee la aerolínea Southwest Airlines, lo usa para elegir salas de abordaje; Varias gaseras de Texas lo utilizan para escoger a sus proveedores, (información tomada de la revista National Geographic. Julio 2007). Wikipedia lo usa para aumentar la base de información; Google para ver cuales sitios debe desplegar primero. Hasta se podría decir que la misma Internet es un enjambre.

    Los beneficios en la aplicación de estas ideas desarrolladas por la naturaleza a lo largo de millones de años nos pueden ayudar a hacer mejor las cosas. Aunque parezca que lo sabemos todo, somos igual que las hormigas y no podemos ver el panorama global (llámese calentamiento global, deforestación, etc.), pero podemos ver una parte y si nuestra reacción anima a otros a reaccionar es posible corregir el problema.

    Hay muchos modelos que hemos seguido a lo largo de los años, porque no intentar ahora el de las colmenas, si podríamos culminar diciendo que en nuestra sociedad humana si ha existido la teoría de enjambres, en diferentes épocas. Debido a que en la sociedad humana aplicamos el bien en común o en conjunto solo si se trata de casos de sobrevivencia aquí un ejemplo: ü Durante la segunda guerra mundial EEUU soltó una poderosa bomba a Japón millones de muertos, y los sobrevivientes, como una nación echo cenizas es hoy una potencia mundial simple, sus habitantes aprendieron a vivir en conjunto seguían reglas simples, para sobrevivir tomaban la cantidad justa de agua aprendieron a comer alimentos antes no conocidos, no tenían un líder ni alguien quien vele por ellos sino que su meta en conjunto era aprender del mejor para subsistir y lo lograron a que no… Información tomada de la siguiente dirección web

    http://es.wikipedia.org/wiki/Bombardeos_sobre_Hiroshima_y_Nagasaki

    ARQUITECTURAS NEURONALES


    Se puede estructurar de diferentes formas:
    Según el número de capas

    Redes neuronales monocapas, Se corresponde con la red neuronal más sencilla ya que se tiene una capa de neuronas que proyectan las entradas a una capa de neuronas de salida donde se realizan diferentes cálculos.

    Redes neuronales multicapa, Es una generalización de la anterior existiendo un conjunto de capas intermedias entre la entrada y la salida (capas ocultas). Este tipo de red puede estar total o parcialmente conectada.

    Según el tipo de conexiones
    Redes neuronales no recurrentes. En esta red la propagación de las señales se produce en un sentido solamente, no existiendo la posibilidad de realimentaciones. Lógicamente estas estructuras no tienen memoria.

    Redes neuronales recurrentes.
    Esta red viene caracterizada por la existencia de lazos de realimentación. Estos lazos pueden ser entre neuronas de diferentes capas, neuronas de la misma capa o, más sencillamente, entre una misma neurona. Esta estructura estudia principalmente la dinámica de sistemas no lineales.

    Según el grado de conexión

    Redes neuronales totalmente conectadas. En este caso todas las neuronas de una capa se encuentran conectadas con las de la capa siguiente (redes no recurrentes) o con las de la anterior (redes recurrentes).

    Redes parcialmente conectadas. En este caso no se da la conexión total entre neuronas de diferentes capas.
    Estas estructuras neuronales se podrían conectar entre sí para dar lugar a estructuras mayores: estamos en el nivel de la mesoestructura. Esta conexión se puede llevar a cabo de diferentes formas siendo las más usuales las estructuras en paralelo y jerárquicas. En la primera estructura se plantea un “consenso” entre las diferentes redes para obtener la salida mientras que en la estructura jerárquica existen redes subordinadas a otras que actúan como elementos centrales en la salida final de la red.[1]

    ESTRUCTURA Y FUNCIONAMIENTO

    dibujo.jpg

       s=f(Σ(wi*i))

    Fig.2 Estructura de una red neuronal

    [Figura modificada de [http://www.gamarod.com.ar/articulos/las_redes_neuronales.asp] [2]]

    La estructura de una neurona artificial es la siguiente:

    En el esquema, 1 2 y 3 son los valores de entrada de la neurona, y w1, w2, w3 son los pesos de cada entrada. (3 en este ejemplo, pero puede ser otro número) El valor de salida de la neurona es el sumatorio de cada valor de entrada multiplicado por su peso correspondiente. La f (de función) indica que no siempre se emplea el sumatorio directamente, sino que a veces se “ajusta” el valor para que esté comprendido entre un rango determinado (por ejemplo, de 0 a 16)

    Una neurona artificial tiene dos modos de funcionamiento:

    Las neuronas deben ser previamente entrenadas para reconocer patrones. Esto se hace de la siguiente manera: Se coloca como valores de entrada de la neurona el patrón a aprender (p.ej. usando la neurona del ejemplo, el patrón 1 1 0) y después se incrementan los pesos de las entradas “utilizadas”(en este caso la 1 y la 2, que son las que están a 1) y se decrementan los de las no utilizadas. Los valores de los pesos oscilan generalmente entre -1 y 1, aunque estos valores pueden ser otros. [2]

    La velocidad a la que se ajustan esos pesos varía según el número de ejemplos con los que se vaya a entrenar a la red. Cuantos más ejemplos se le vayan a poner a la red, con mayor lentitud debe variar la tasa de aprendizaje. Puede parecer que cuanto más rápido se ajusten los pesos de las neuronas más rápido va a aprender a reconocer un determinado patrón, pero esto, que puede ser cierto a veces para una neurona, generalmente no lo es para una red neuronal con muchas neuronas. Además, incluso en el caso de una neurona sola, siempre es mejor poner muchos ejemplos con una tasa de aprendizaje lenta que no poner unos pocos con una tasa de aprendizaje rápida.

    Una vez entrenada la neurona, se utiliza para reconocer ese patrón entre otros. Ahora basta con presentar un patrón a la neurona, que devolverá un valor dependiendo del patrón. Entonces, basta con interpretar el resultado; la neurona habrá reconocido el patrón cuando produzca una salida mayor que una determinada cantidad, y no lo habrá reconocido cuando la salida sea menor que esa cantidad. [2]

    REFERENCIAS:

    [1] SORIA Emilio, BLANCO Antonio, “Redes Neuronales Artificiales”, [Consultada: 06/07/2007], Disponible en Internet

    http://www.acta.es/articulos_mf/19023.PDF

    [2] BUDAVARI Diego, “Las redes neuronales”, [Consultada: 06/13/2007], Disponible en Internet.

    http://www.gamarod.com.ar/articulos/las_redes_neuronales.asp

    WEB MINING

     

     INTRODUCCIÓN

    Hoy en día, la abundancia de datos en Internet y la necesidad de información que tienen las empresas, instituciones y especialmente la UTPL se enfrentan a un entorno caracterizado por niveles crecientes de complejidad, globalidad, y cambios rápidos y profundos como resultado del acelerado avance tecnológico. Para contrarrestar y adaptarse a estos cambios las organizaciones deben prestar atención al término Web Mining, que es una de las extensiones del data mining, consiste en aplicar las técnicas de minería de datos a documentos y servicios para extraer información de la Web.


    La mayor ventaja de esta herramienta es que utiliza diversas técnicas avanzadas de exploración de datos, además de permitir la reutilización de procesos ya ejecutados con anterioridad y la combinación de los mismos para su posterior comparación; todo esto llevado a cabo sin un alto grado de complejidad.[1]


    Estas técnicas se basan en sistemas independientes de búsqueda que utilizan a la red de redes como medio de recolección de datos, para luego poder analizar y procesar éstos, con el único propósito de producir información significativa y por ende generar estrategias competitivas, para de este modo mantener el estado del arte de la información.


    EXPLOTACIÓN DE DATOS DEL WEB MINING: CONTENIDO, ESTRUCTURA Y USO.
    El web mining se divide en tres dominios que comprenden el contenido del sitio, la estructura de navegación y el comportamiento de los usuarios:

    Categorias_WM

    Fig. 1: Categorías de la Minería Web.
    Fuente: Román Ulises, Alarcón Luis, 2005

    Seguir leyendo »

    REDES NEURONALES ARTIFICIALES

    NEURONA BIOLÓGICA.

    El cerebro humano en su biología está formado por miles de millones de neuronas que se conectan entre sí, transmitiendo información entre ellas, luego de que esta procesa, se genera una respuesta en función del estímulo recibido.Fig. 1 Neurona Biológica

    Fig. 1 Neurona Biológica

    Las Redes Neuronales Artificiales están inspiradas en los sistemas nerviosos, tanto en su estructura como en su funcionamiento, en donde como elemento fundamental se toma a la neurona, como se muestra en la figura anterior. Esta a diferencia de otras células del organismo, posee un cuerpo celular, donde muestra una rama principal llamada axón y varias ramas cortas llamadas dendritas, en el extremo del axón cuenta con ramificaciones que sirven para que la neurona se pueda comunicar con otras, produciendo la sinapsis .

    Las neuronas, por medio de las dendritas y el axón, reciben señales eléctricas, es decir pequeños impulsos de neuronas vecinas, y las integra a fin de que estas puedan exitarse, provocando impulsos a otras neuronas, para que estas lo puedan recibir y posteriormente exitarse o inhibirse, es decir simplemente lo anularán, y de esta forma poderse comunicar entre todas las neuronas.

    NEURONA ARTIFICIAL.

    Su trabajo consiste únicamente en recibir las entradas de las neuronas vecinas y calcular un valor de salida, que es enviado a todas las neuronas restantes:

    Fig.2 Neurona Artificial

    Fig.2 Neurona Artificial

    Las unidades de entrada reciben las señales desde el exterior, es decir de otras neuronas vecinas. Estas entradas pueden provenir de sensores o de otros sectores del sistema las cuales servirán para la activación de la red.

    Las unidades de salida envían la señal fuera del sistema neuronal, las cuales servirán de entrada a otra neurona, a través de la sinapsis. Estas salidas pueden controlar directamente potencias u otros sistemas. En el cuerpo de la neurona, es donde se produce la función de activación que va permitir que esta envíe la información a otras neuronas y puedan comunicarse. Esta activación se produce al sumar todas sus entradas por sus pesos y su respectivo umbral de activación.

    CARACTERÍSTICAS DE LAS REDES NEURONALES ARTIFICIALES.

    Aprendizaje Adaptativo:

    Las RNA aprenden a realizar tareas a partir de un conjunto de datos dados, en el proceso de aprendizaje, estos datos son representados como las entradas y pesos.

    Auto-organización:

    Pueden crear su propia organización o representación de la información recibida.

    Operación en tiempo real:

    Las operaciones realizadas pueden ser llevadas a cabo por computadores paralelos, o dispositivos de hardware especiales que aprovechan esta capacidad .

    Tolerancia a fallos parciales:

    La destrucción parcial de una red, daña el funcionamiento de la misma, pero no la destruye completamente. Esto es debido a la redundancia de la información contenida.

    REFERENCIAS

    WIDROW LIRA, Cristian. “REDES NEURONALES ARTIFICIALES: POTENCIAL DESARROLLO MILITAR”. [Consultada, junio-2007]. Disponible en Internet.

    http://www.revistamarina.cl/revistas/1998/5/widow.pdf

    VILLANUEVA ESPINOZA, María del Rosario, Trabajo de Investigación Operativa, “LAS REDES NEURONALES ARTIFICIALES Y SU IMPORTANCIA COMO HARRAMIENTA EN LA TOMA DE DECICIONES”, Universidad Nacional de San Marcos, Facultad de Ciencias Matemáticas, Lima-Perú 2002. [Consultada, Junio-2007]. Disponible en Internet.

    http://sisbib.unmsm.edu.pe/BibVirtualData/Tesis/Basic/…/T_completo.pdf

    En los últimos años, el desarrollo de nuevas tecnologías informáticas para sistemas de seguridad ha experimentado un gran avance. Entre estos, se destacan los sistemas biométricos para el reconocimiento facial, que se perfilan como los más prometedores.

    Ya hace algún tiempo Google hizo un sorprendente anuncio, está desarrollando una tecnología que permitirá determinar el sexo de las personas a partir de fotografías utilizando diversos patrones de reconocimiento. Esto supone un primer paso para la búsqueda de información dentro de las imágenes basadas en sistemas inteligentes capaces de determinar qué es lo que las fotos contienen.

    dibujo4.jpgEl objetivo del buscador será devolver imágenes no en función del texto que les rodea (como se viene haciendo hasta ahora), sino a partir del contenido de la imagen.

    Esta es la siguiente evolución de las herramientas para la indexación de información, compuestas por sistemas expertos que serán entrenados para incrementar la habilidad de determinar, interpretar y organizar el contenido de los documentos (archivos de texto y páginas web, imágenes, vídeos, audio, etc.), superando tecnologías basadas en los tags (como Technorati o del.icio.us) o en los enlaces (Google PageRank).

    Google espera robustecer su servicio y software de gestión para fotografías a través del popular Picasa con la adquisición de Neven Vision, una compañía desarrolladora de software para la extracción de información sobre imágenes. El acuerdo fue anunciado por Adrian Graham, responsable de Picasa, en un blog oficial de Google: “Podría ser tan simple como detectar cuando una foto contiene una persona, o, en un futuro, tan complejo como reconocer gente, sitios y objetos”, asegura Graham.

    La idea es incorporar estas tecnologías en la localización de imágenes del buscador para mejorar y facilitar el modo en que trabajamos con ellos. El mismo que tiene por objetivo detectar lo que es o no una foto, si contiene personas, reconocer gente, lugares y objetos.

    Entendamos que no es fácil buscar a través de las fotos personales, y es ciertamente mucho más duro buscarlo por la web. A menos que nos tomemos el tiempo para insertar tags y organizar la fotos pero esto resulta contraproducente en un mundo donde el tiempo vale oro.

    Seguir leyendo »

    Clases de redes neuronales artificiales

    Para quienes se esten iniciando en el estudio de redes neuronales artificiales, va a resultar útil conocer las clases de redes neuronales artificiales (ANN, artifitial Neural Network) que puede utilizar para sus proyectos.

    ANN estáticas

    La primera clase de redes se conoce con el nombre de redes neuronales estáticas. En esta clase podemos encontrar la red Multicapa de Perceptrones, la red de Funciones de Base Radial, Red Neuronal Probabilística (PNN), etc. Todas ellas tienen como característica común el no poseer memoria, es decir, sólo son capaces de transformar un conjunto de entradas en un conjunto de salidas, de tal manera que una vez establecidos todos los parámetros de la red las salidas únicamente dependen de las entradas. En general la relación deseada de entradas y salidas se determina en este caso externamente mediante alguna forma de ajuste de los parámetros del sistema supervisado. Este tipo de redes se han empleado con éxito en muchos problemas de clasificación, como funciones lógicas, así como en el campo de la aproximación funcional.

    ANN Dinámicas

    Como segunda clase de redes neuronales debemos nombrar las redes neuronales dinámicas. Estas a diferencia de las anteriores permiten establecer una relación entre salidas y entradas y/o salidas y entradas previas. Esto añade cierta memoria a estas redes. Matemáticamente, esta memoria se traduce en la aparición de ecuaciones diferenciales o ecuaciones en diferencia formando parte del modelo de las mismas.

    Como ejemplos de este tipo de redes encontramos la red de Hopfield, la red de retardos en el tiempo (Time Delay Neural Network), la red de tiempo discreto (Time Discrete Neural Network), etc. Las redes neuronales dinámicas se han revelado útiles en problemas de modelización de la dinámica directa e inversa de sistemas complejos, tales como robots, cohetes, naves espaciales, etc., así como en la modelización de circuitos secuenciales y en la conversión de texto a voz.

    Referencias

    Marichal, Graciliano “Diseño de políticas de identificación y control de robots basadas en redes neuronales y sistemas neuro-fuzzy.” La Laguna, Marzo de 1999. Online: ftp://tesis.bbtk.ull.es/ccppytec/cp86.pdf