Cultura General 1.1

Ireland

All about

The island of Ireland is in the northwest of Europe, part of the British archipelago. This one is divided into the Republic of Ireland and Northern Ireland. Dublin is the capital city of the Republic of Ireland while Belfast is the capital city of Northern Ireland. Its population is about 4.5 million and the official languages are Irish, Celtic native and English.

Carrantuohill is the highest mountain of Ireland, this is 1039 m. and is located in County Kerry in the Republic of Ireland. Climb this one is a fairly common among tourists.

Someone went to Ireland one week ago, this was very exciting, someone visited the Cliffs of Moher; these rises 120 meters above the Atlantic Ocean.

About Northern Ireland, it is a good idea to visit The Giant´s Causeway, this is an area containing some 40,000 basalt columns from the relatively fast cooling of lava in a crater. It´s located on the northeastern coast of the island of Ireland, in County Antrim. It was declared a World Heritage Site in 1986 and a National Nature Reserve in 1987.

Someone have been eating lots of potatoes because they are the staple of the Irish.

Comparing with Mexico Ireland:

Mexico is bigger than Ireland, this one is about 28 times larger in territorial extention.

Mexico has better weather than Ireland, this one is a country with a diverse climate and it rains a lot in there.

In Mexico, the official currency is the Peso while in the Republic of Ireland, it is the Euro, because it belongs to the European Union. Northern Ireland uses as Pound sterling official currency because it doesn’t belong to the European Union unless the UK.

Mexico has a wider dining than Ireland but also in Ireland the food is good.

Although Ireland has extraordinary places, Mexico has more tourist attractions.

Cliffs of Moher

Cultura General 1.0

Pensando en perder la virginidad... 

...Pues si usted me lo permite.

-Soy suya completita; sírvase por favor caballero.

Tenga en cuenta que la devoraré como un fino platillo del mejor restaurante.

-Adelante cómame como un exquisito manjar.

...Y entonces acudiré a sus expresiones gestuales como todo un catador con amplia experiencia en el tema, lamento que esto provocará que su rostro pierda la cordura y su educado lenguaje desaparezca.

- Yo me dejare seducir con toda la inocencia.

Inocencia que se disfrazará de lujuria tras una mirada de deseo que me obligará a faltarle al respeto física y carnalmente; tomando las precauciones correspondientes, la cuidare para que nadie lo note y usted siga viéndose como una dama después de haber sido una mujer satisfecha y plena en todos los aspectos de lo más recóndito de su sexualidad y su sexo.

Sus pechos expresaran a gritos una necesidad de ser degustados por mi juguetona lengua, mientras la suya, impaciente espera tomar mi saliva para lubricar los besos más pasionales que dos personas que se aman pueden crear…

…Crear así como sentir que el cuerpo se desvanece sin pensar en las consecuencias de una rotunda caída, si no que se aventura a experimentar las más atrevidas y calientes emociones que hacen que los sentidos comiencen a perderse en un mundo de placer que nos envuelve en una historia única, deseando jamás termine…

…Sí, que jamás termine porque cuando se llega a experimentar tal sensación se es capaz de querer nunca volver a la simple y vana vida de soledad.

Por eso las mejores e interesantes historias se narran con dos personajes que sin importar absolutamente nada están dispuestos a crear uno y mil mundos durante toda la vida, sin esperar más nada, que nunca dejar, ni salir de esos mundos e historias mágicas y penetrantes en lo más recóndito de sus almas.

                                                                 Autores: Liliana Alhayeb y Derlis Hernández Lara

Redes Neuronales 2.0

Capítulo 2. Primeros modelos computacionales.

2.1 Células de Mc Culloch-Pitts

Estas células modelan de forma simplificada el funcionamiento de las neuronas del cerebro, así que son un dispositivo con solo dos estados: Apagado y Encendido.

Una RNA formada por este tipo de células tiene la capacidad de realizar cómputo universal.

Arquitectura y modelo matemático.

El siguiente diagrama muestra los componentes de una célula de Mc Culloch-Pitts:

Donde:

Pi, i=1,2...m, son las entradas a la RNA.

wi, i=1,2...m, son los pesos sinápticos.

∑, representa la suma de las señales.

n, es el resultado de la sumatoria antes de pasar por la función de activación, salida del soma.

ɵ, es el valor del umbral ó función de activación.

a, es la señal de salida de la célula.

Modelo matemático.

a=1, n>ɵ

a=0, n<=ɵ

Aprendizaje.

En este contexto el aprendizaje se refiere a establecer valores iniciales a los pesos sinápticos wi y luego realizar cambios en sus valores para reducir el error entre el valor deseado (a target) y el valor de la salida de la célula (a).

En el caso de la célula de Mc Culloch-Pitts aun no existía un método de ajuste automático, se realiza a prueba y error.

Si una célula es capaz de comportarse como las tres compuertas lógicas básicas AND, OR y NOT, puede realizar cualquier problema computable, esto es a lo que se le llama cómputo universal. 

Ejercicios:

Demuestre que una célula de Mc Culloch-Pitts es capaz de aprender las compuertas lógicas: AND, OR y NOT.

Pasos a seguir:

a) Definir la arquitectura.

b) Proponer pesos sinápticos wi y definir las entradas pi.

c) Aplicar el modelo matemático.

d) Se calcula la señal del error (e=a target-a).

e) Evaluar si cumple con algún criterio de finalización.

Compuerta NOT:

a) Arquitectura.

b) Tabla de verdad (conjunto de entrenamiento).

	Pi	a target
D1	1	0
D2	0	1

Iteración 1.

Se proponen: w1=3, ɵ=5

c) y d) Aplicando el modelo matemático y calculando el error:

Usando el D1:

n=P1*w1=3*1=3

3>5, a=0

e=0-0=0

e) Criterios de finalización:

1.- Que e=0, para todos los datos del conjunto de entrenamiento.

2.- Que se lleve a cabo 10 iteraciones. 

Usando el D2:

n=P1*w1=3*0=0

0>5, a=0

e=0-1=-1, es diferente de cero, no cumple.

Debido a que los valores propuestos w1 y ɵ no funcionaron se pasa a la siguiente iteración realizando el ajuste en dichos valores.

En este ejemplo coincidió que el D2 fue el que fallo la red y se terminó la primera iteración. Sin embargo, el ajuste de w1 y ɵ se debe llevar a cabo en el momento que un dato falle.

Iteración 2.

Ahora se proponen: w1=-2, ɵ=-1

Usando el D1:

n=P1*w1=1*(-2)=-2

-2>-1, a=0

e=0-0=0

Usando el D2:

n=P1*w1=0*(-2)=0

0>-1, a=1

e=1-1=0

Como el e=0 en ambos casos se puede generalizar el entrenamiento de la red y se ha concluido el problema. La RNA de arquitectura Mc Culloch-Pitts si se comporta como una compuerta NOT.

Redes Neuronales 1.3

1.3 Aplicaciones de las RNA

a) Aproximación de señales:

Dada una serie de tiempo que representa una señal o sistema y es posible usar una RNA para aproximar su comportamiento.

A partir de la señal P, se obtiene a _target  y se construye un conjunto de datos (Pi, a _target , i).
La regla de aprendizaje determina la manera como de forma automática cambian los valores de los parámetros de la RNA.

Este esquema de aprendizaje se lleva a cabo hasta que se cumpla un criterio  de finalización como: número máximo de iteraciones (itmax) o que el error de aprendizaje sea igual a cero o a un valor ε pequeño.

Para que la RNA realice una adecuada aproximación de las señales requiere tener un número suficientemente grande de neuronas.

La calidad y cantidad de los datos disponibles para realizar el entrenamiento de la RNA afectara significativamente su desempeño.

Se pueden usare diverso algoritmos para implementar la regla del aprendizaje, por lo que es un factor de diseño muy importante.

a.1) Pronóstico de valores:

Dado que la RNA es un aproximador universal, se puede modificar su estructura para realizar extrapolación. El tipo RNA que se usa para estas tareas son las Redes Neuronales Recurrentes.

A partir de la estructura básica de un Perceptrón multicpa, en la cual las señales de entrada solo se propagan hacia adelante hasta llegar a la salida de la RNA, Una Red neuronal recurrente tiene señales que van en diferentes sentidos, por ejemplo: La salida de la RNA puede ser también una señal de entrada.

a.2) Control de sistemas:
En este caso existen sistemas no lineales que requieren de leyes de control complejas para su correcto funcionamiento.

Existen casos donde la señal u es muy difícil de obtener porque parte de esta señal puede ser una señal de  tipo no lineal. En este caso, se puede usar una RNA para aproximar esta señal y completar la señal de entrada.

u=lineal + RNA (no lineal)

b) Clasificación de objetos:
Dado un conjunto de datos a ser separados en clases de acuerdo a un criterio dado, una RNA es capaz de llevar a cabo esta tarea de forma supervisada o no supervisada.

En el esquema supervisado lo más común es usar un Perceptrón Multicapa en el cual cada salida de la RNA representa una clase diferente.

Debido a que esta RNA es completamente conectada, si el valor si el valor de una clase es muy grande, realizar el aprendizaje computacionalmente sería muy costoso haciéndolo inviable.

En el caso del esquema no supervisado, dado un conjunto de datos y el número de clases en los que se desea separar una RNA como el mapa auto-organizado de Kohonen es capaz de realizar esta tarea.

Cultura General

Mmmm cabe mencionar que no soy escritor ni mucho menos sin embargo, a veces surgen cosas de la mente que pueden ayudar o dejar una moraleja en los demás, por eso se decidió empezar con esta sección además de que estamos en el mes del amor y la amistad jaja, a continuación un preámbulo de lo que se plantea en "Cultura General".

Homenaje al azúcar.

Pequeños granitos finos,

que en la boca derretimos,

en la cara percibimos,

la dulzura que adquirimos,

en los dulces disfrutamos,

y por ella hasta lloramos

pero, si en la sangre la encontramos,

lo mejor es limitarnos.

Autor: Derlis Hernández Lara

Además aquí hay otro link en apoyo a este blog, por si gustan visitarlo, hasta la próxima.

http://derlishl.weebly.com/index.html.

Redes Neuronales 1.2

1.2 Características de la RNA

a) Aprendizaje:

La RNA es capaz de ajustar automáticamente sus parámetros estableciendo así la relevancia que tiene cada una de las señales de entrada en el proceso. Este tipo de RNA trabaja bajo el paradigma de aprendizaje supervisado.

b) Generalización del conocimiento:

Dado un rango de funcionamiento de la RNA, una vez que termina el aprendizaje la RNA es capaz de dar una respuesta correcta a señales de entrada diferentes a las usadas para su aprendizaje, siendo así un aproximador universal.

c) Tolerancia a fallas:

Una RNA tipo Perceptrón está formada por múltiples neuronas y una vez que se finaliza de forma exitosa el aprendizaje es capaz de generalizar el conocimiento. Es posible que bajo ciertas circunstancias algunas de estas neuronas dejen de funcionar y aun así la RNA continué operando correctamente. A  esta circunstancia se le dice que la RNA puede tolerar hasta cierto grado este tipo de falla.

d) Procesamiento no-lineal:

Una RNA tipo Perceptrón Multicapa es capaz de realizar tareas como: aproximación de señales no lineales, separación no lineal de clases de objetos ó formar parte de una estructura de control no lineal. Esto es posible dado que cada una de sus neuronas contiene una función de tipo no lineal, lo que permite trabajar con esta clase de problemas.

e) Establecer niveles de importancia a cada una de las entradas de la RNA:

Una RNA representa adecuadamente el funcionamiento de la neurona biológica en el aspecto de que es capaz de modelar la relevancia de cada una de las entradas mediante los parámetros conocidos como pesos sinápticos.

Redes Neuronales 1.1

Capítulo I. Introducción

1.1 Modelo biológico y artificial

Las redes neuronales artificiales (RNA) están inspiradas en la estructura y funcionamiento del cerebro humano, donde la neurona es el elemento principal. Esta célula es la unidad básica de procesamiento y consta de un cuerpo celular más o menos esférico de 5 a 10 micras de diámetro al que llegan varias ramas cortas llamadas dendritas y sale una rama principal, conocida como axón.

Las dendritas son las encargadas de recibir la información  del exterior o de otras neuronas y entregar estas señales al núcleo ó soma de la neurona. El soma es la parte que se encarga de procesar estas señales. Una vez concluido el procesamiento le pasa el resultado al axón, quien a su vez envía esta señal al exterior ó a otras neuronas.

Por otro lado, las RNA son estructuras de procesamiento que pretende emular el funcionamiento de las neuronas biológicas, por que cumplen con las siguientes características:

Aprendizaje, generalización de conocimiento, tolerancia a fallos, procesamiento no lineal de la información, establecer niveles de importancia a cada señal de entrada, etc.

1.1.1 Modelo artificial 

A partir de los elementos básicos de la neurona biológica, se construye un modelo artificial de la siguiente forma:

Donde:

Pi, i=1,2...m, son las entradas a la RNA.

wi, i=1,2...m, son los pesos sinápticos.

∑, representa la suma de las señales.

n, es el resultado de la sumatoria antes de pasar por la función de activación.
f(n), es la función de activación y se encarga de generar la señal de salida.
a, es la señal de salida que es generada por la función de activación.

Las ecuaciones que representan a este esquema son:

a= f(n)

Redes Neuronales 1.0

Descripción del contenido a ver es este Blog:

1.- Introducción.

Fundamentos biológicos, modelo computacional (estructura básica), RNA vs Computo convencional.

2.- Primeros modelos computacionales.

Consideraciones básicas: Células de Mc. Culloch-Pitts, Perceptrón simple, Red ADALINE.

3.- Perceptrón Multicapa. (Problemas de tipo no lineal, paradigma supervisado).

Introducción, arquitectura, la propagación hacia adelante, función de activación no lineal, regla de aprendizaje, procesos de aprendizaje, capacidad de generalización, fenómeno de sobre-entrenamiento.

Redes Neuronales

Al día de hoy existen muchos problemas que no se pueden resolver o que la solución utilizada no es la mejor para todos los contextos, la mayoría de estos problemas convergen en que la solución debería encontrarse mediante algún modelo matemático sin embargo, se pueden ocupar métodos alternativos para hacer el modelado matemático menos complejo. Partiendo de que la herramienta tecnológica más utilizada en la actualidad para facilitar el trabajo en general, son las computadoras; entonces los modelos matemáticos desarrollados deben poder ser implementados en estos dispositivos o en un procesador de propósito especifico.

Cuando los problemas a resolver tienen cálculos matemáticos muy complejos, su implementación computacional resulta muy difícil o casi imposible, porque los sistemas de cómputo tienen límites, como es la velocidad de procesamiento, la memoria, la cantidad de dispositivos internos, buses, periféricos, etc.

Existen problemas que tardan años en ser procesados mediante una supercomputadora, lo cual no resulta factible para problemas de urgente resolución. Para resolver este inconveniente se utilizan métodos alternativos a la matemática pura, como lo son las soluciones simbólicas o lógicas, o bien algoritmos que reduzcan el número de operaciones a realizar. Otra alternativa es utilizar modelos inspirados en la naturaleza o en el comportamiento de organismos vivos, como los son los llamados Algoritmos Bioinspirados.

Las redes neuronales artificiales se pueden considerar una especie de algoritmo bioisnpirado, porque modelan de manera sencilla el funcionamiento de las neuronas biológicas  y además son una de las técnicas utilizadas para resolver problemas de inteligencia artificial. Lo descrito anteriormente hace agradable el estudio de esta técnica para entender sus principios y aplicaciones, por lo que en las siguientes entradas se estudiaran las consideraciones más significativas de las Redes Neuronales Artificiales (RNA).

Los objetivos generales son:

1. Comprender los elementos y el mecanismo de aprendizaje de una RNA.
2. Determinar el tipo de problemas que se pueden resolver mediante una RNA y seleccionar la arquitectura adecuada para ello.
3. Diseñar y aplicar a problemas reales, diversos tipos de RNA.

Introducción a los microcontroladores

Cuantos de nosotros alguna vez hemos necesitado manejar algun tipo de información mediante un circuito integrado (CI), probablemente controlar el accionamiento de algunos dispositivos, comunicar a nuestras máquinas con una computadora o simplemente hacer una maqueta funcional. Ahora si te has preguntado como lograr trabajos 100% funcionales, económicos y a la ves sencillos de realizar, la respuesta a todo esto en muchos de los casos son los microcontroladores.

Pero, ¿Qué es un microcontrolador?

Un microcontrolador es un circuito integrado programable, capaz de ejecutar las órdenes grabadas en su memoria. Está compuesto de varios bloques funcionales, los cuales cumplen una tarea específica. Un microcontrolador incluye en su interior las tres principales unidades funcionales de una computadora: unidad central de procesamiento, memoria y periféricos de entrada/salida.

Los microcontroladores representan la inmensa mayoría de los chips de computadoras vendidos, sobre un 50% son controladores "simples" y el restante corresponde a DSPs (procesador digital de señales, del que hablaremos en una nueva publicación) más especializados. Mientras se pueden tener uno o dos microprocesadores de propósito general en casa (estás usando uno para esto), tienes distribuidos seguramente entre los electrodomésticos de su hogar una o dos docenas de microcontroladores. Pueden encontrarse en casi cualquier dispositivo electrónico como automóviles, lavadoras, hornos microondas, teléfonos, etc.

Un microcontrolador difiere de una unidad central de procesamiento (CPU) normal, debido a que es más fácil convertirla en una computadora en funcionamiento, con un mínimo de circuitos integrados externos de apoyo. La idea es que el circuito integrado se coloque en el dispositivo, enganchado a la fuente de energía y de información que necesite, y eso es todo. Un microprocesador tradicional no le permitirá hacer esto, ya que espera que todas estas tareas sean manejadas por otros chips. Hay que agregarle los módulos de entrada y salida (puertos) y la memoria para almacenamiento de información.

Se dice que los ingenieros de Texas Instruments Gary Boone y Michael Cochran lograron crear el primer microcontrolador, TMS 1000, en 1971; fue comercializado en 1974. Combina memoria ROM, memoria RAM, microprocesador y reloj en un chip y estaba destinada a los sistemas embebidos.

Debido en parte a la existencia del TMS 1000, Intel desarrolló un sistema de ordenador en un chip optimizado para aplicaciones de control, el Intel 8048, que comenzó a comercializarse en 1977. Combina memoria RAM y ROM en el mismo chip y puede encontrarse en más de mil millones de teclados de compatible IBM PC, y otras numerosas aplicaciones. El en ese momento presidente de Intel, Luke J. Valenter, declaró que el microcontrolador es uno de los productos más exitosos en la historia de la compañía, y amplió el presupuesto de la división en más del 25%.

Actualmente existen diversos fabricantes de microcontroladores como es el caso de Microchip, Atmel, Motorola, Intel, Philips, por mencionar algunos. Cada uno de estos fabricantes ofrece una gama amplia de posibilidades que solo son limitadas por nuestra imaginación.

Arquitectura del microcontrolador

La arquitectura Harvard es utilizada en supercomputadoras, en los microcontroladores, y sistemas integrados en general. En este caso, además de la memoria, el procesador tiene los buses segregados, de modo que cada tipo de memoria tiene un bus de datos, uno de direcciones y uno de control.
La ventaja fundamental de esta arquitectura es que permite adecuar el tamaño de los buses a las características de cada tipo de memoria; además, el procesador puede acceder a cada una de ellas de forma simultánea, lo que se traduce en un aumento significativo de la velocidad de procesamiento. Típicamente los sistemas con esta arquitectura pueden ser dos veces más rápidos que sistemas similares con arquitectura Von Neumann.

La desventaja está en que consume muchas líneas de E/S del procesador; por lo que en sistemas donde el procesador está ubicado en su propio encapsulado, solo se utiliza en supercomputadoras. Sin embargo, en los microcontroladores y otros sistemas integrados, donde usualmente la memoria de datos y programas comparten el mismo encapsulado que el procesador, este inconveniente deja de ser un problema serio y es por ello que encontramos la arquitectura Harvard en la mayoría de los microcontroladores.

Por eso es importante recordar que un microcontrolador se puede configurar de diferentes maneras, siempre y cuando se respete el tamaño de memoria que este requiera para su correcto funcionamiento.

Hasta aqui con la introducción a los microcontroladores de esta semana, el proximo miercoles continuaremos el tema describiendo a detalle otras caracteristicas importantes de los microcontroladres y como hacer la selección adecuada de los mismos para cada aplicación.