domingo, 29 de agosto de 2010

Sistemas Operativos: Guía

Saludos!!
Les dejo la guía para el Examen de Sistemas Operativos. Resuélvanla, traiganla ese día y estudienla.
Temas:
¿Que es un Sistema Operativo?
¿Describa su clasificación (por uso)?
¿Que es un proceso?
¿Que es un Servicio?
¿describa que es el Sistema de Archivos?
¿Cómo funciona FAT?
¿Que es un puerto?
¿Mencione por lo menos 4 sistemas Operativos diferentes?
¿describa por lo menos 10 diferencias entre un S.O. abierto y uno Cerrado (p. ej. Windows vs Linux)?
¿Que es un sistema Operativo para Redes?
¿que es una red?
¿Que es un protocolo?
¿Como interactúa el Modelo OSI y sus 7 capas con el usuario, a través del S.O.?Explique.

Que les sirva de ayuda y estudienla bien.

Saludos!. Suerte

lunes, 9 de agosto de 2010

Inteligencia Artificial: Redes Neuronales III

Pesos

Las RNA puede tener factores de peso fijos o adaptables. Las que tienen pesos adaptables emplean leyes de aprendizaje para ajustar el valor de la fuerza de un interconección con otras neuronas. Si las neuronas utilizan pesos fijos, entonces su tarea deberá estar previamente definida. Los pesos serán determinados a partir de una descripción completa del problema. Por otra parte, los pesos adaptables son esenciales si no se conoce previamente  cual deberá de ser su valor correcto.

Dos tipos de aprendizaje

Existen dos tipo de aprendizaje: supervisado y no supervisado. El primero ocurre cuando se le proporciona a la red tanto la entrada como la salida correcta, y la red ajusta sus pesos tratando de minimizar el error de su salida calculada. Este tipo de entrenamiento se aplica por ejemplo, en el reconocimiento de patrones. El entrenamiento no supervisado se presenta cuando a la red se le proporcionan únicamente los estímulos, y la red ajusta sus interconecciones basándose únicamente es sus estímulos y la salida de la propia red. Las leyes de aprendizaje determinan como la red ajustará sus pesos utilizando una función de error o algún otro criterio. La ley de aprendizaje adecuada se determina en base a la naturaleza del problema que se intenta resolver.

Dos fases de operación

Las RNA adaptables tienen dos fases en su operación.
1. Entrenamiento de la red. El usuario proporciona a la red un número "adecuado" de estímulos de entrada, y de salida, la red entonces ajusta su pesos de interconección o sinápsis hasta que la salida de la red esta "lo suficientemente cerca" de la salida correcta.
2. Recuperación de lo aprendido. A la red se le presenta un conjunto de estímulos de entrada y esta simplemente calcula su salida. Cuando la red emplea entrenamiento no supervisado, algunas veces será necesario que reajuste su sinápsis durante la fase de recuperación.

No son algorítmicas

La gran diferencia del empleo de las redes neuronales en relación con otras aplicaciones de la computación radica en que no son algorítmicas, esto es no se programan haciéndoles seguir una secuencia predefinida de instrucciones. Las RNA generan ellas mismas sus propias "reglas", para asociar la respuesta a su entrada; es decir, aprende por ejemplos y de sus propios errores.
El conocimiento de una RNA se encuentra en la función de activación utilizada y en los valores de sus pesos.

Asociar y generalizar sin reglas como en el cerebro humano

Las redes neuronales formadas por los perceptrones se interconectan en forma muy similar a como las neuronas humanas se disponen en la corteza cerebral humana, y lo más importante, son capaces de asociar y generalizar sin reglas. Han sido utilizadas con gran éxito para reconocer retornos de sonar bajo el agua, escritura a mano, voz, topografía de terrenos, controlar brazos de robots, evaluar datos personales, modelar fenómenos cognocitivos, y, predecir tendencias financieras.

Requieren de algún tipo de patrón

La clase de problemas que mejor se resuelven con las redes neuronales son los mismos que el ser humano resuelve mejor: Asociación, evaluación, y reconocimiento de patrones. Las redes neuronales son perfectas para problemas que son muy difíciles de calcular pero que no requieren de respuestas perfectas, sólo respuestas rápidas y buenas. Tal y como acontece con el escenario bursátil en el que se quiere saber ¿compro?, ¿vendo?, ¿mantengo?, o en el reconocimiento cuando se desea saber ¿se parece? ¿es el mismo pero tienen una ligera modificación?
Por otra parte, las redes neuronales son muy malas para cálculos precisos, procesamiento serie, y no son capaces de reconocer nada que no tenga inherentemente algún tipo de patrón. Es por esto, que no pueden predecir la lotería, ya por definición es un proceso al azar.

Inteligencia Artificial: Redes Neuronales II

Que es una Red Neuronal Artificial.

Desde hace algunos años, algunos investigadores han estado creando modelos, tanto en hardware como en software, que interpretan la actividad cerebral en un esfuerzo por producir una forma de inteligencia artificial.
Muchos modelos teóricos o paradigmas, datan desde los años 50's. Muchos de ellos tenían aplicaciones limitadas en el mundo real, teniendo como consecuencia que las Redes Neuronales Artificiales ( RNA ) permanecieran en la obscuridad por décadas. 

Las RNA están compuestas de un gran número elementos de procesamiento altamente interconectados (Neuronas) trabajando al mismo tiempo para la solución de problemas específicos. Las RNA, tal como las personas, aprenden de la experiencia.

En cualquier caso, se trata de una nueva forma de computación que es capaz de manejar las imprecisiones e incertidumbres que aparecen cuando se trata de resolver problemas relacionados con el mundo real (reconocimiento de formas, toma de decisiones, etc..), ofreciendo soluciones robustas y de fácil implementación.
Las RNA están compuestas de muchos elementos sencillos que operan en paralelo, el diseño de la red está determinado mayormente por las conexiones entre sus elementos. Al igual que las conexiones de las neuronas cerebrales.
Las RNA han sido entrenadas para la realización de funciones complejas en variados campos de aplicación. Hoy en día pueden ser entrenadas para la solución de problemas que son difíciles para sistemas computacionales comunes o para el ser humano.
La idea de las redes neuronales fue concebida originalmente como un intento de modelar la biofisiología del cerebro humano, esto es, entender y explicar como funciona y opera el cerebro. La meta era crear un modelo capaz en emular el proceso humano de razonamiento. La mayor parte de los trabajos iniciales en redes neuronales fue realizada por fisiólogos y no por ingenieros.

Inteligencia Artificial: Redes Neuronales

as Redes Neuronales Artificiales (las cuales llamaremos RNA) son dispositivos o software programado de manera tal que funcionen como las neuronas biológicas de los seres vivos. A continuación hablaremos un poco sobre ellas.

Neuronas Biológicas

El cerebro humano continuamente recibe señales de entrada de muchas fuentes y las procesa a manera de crear una apropiada respuesta de salida. Nuestros cerebros cuentan con millones de neuronas que se interconectan para elaborar " Redes Neuronales ". Estas redes ejecutan los millones de instrucciones necesarias para mantener una vida normal.
Las neuronas son las células que forman la corteza cerebral de los seres vivos, cada una está formada por elementos llamados cuerpo, axón y dentritas, como se muestra en la siguiente figura.
neurona_biol.gif (3430 bytes)
Las dentritas forman una estructura de filamentos muy fina que rodean el cuerpo de la neurona. El axón es un tubo largo y delgado que se ramifica en su extremo en pequeños bulbos finales que casi tocan las dentritas de las células vecinas. La pequeña separación entre los bulbos finales y las dentritas se le denomina sinápsis.
Las neuronas, al igual que las demás céluas del cuerpo, funcionan a través de impulsos eléctricos y reacciones químicas. Los impulsos eléctricos que utiliza una neurona para intercambiar información con las demás, viajan por el axón que hace contacto con las dentritas de la neurona vecina mediante las sinápsis. La intensidad de la corriente transmitida depende de la eficiencia de la transmisión sináptica. Una neurona en especial transmitirá un impulso eléctrico por su axón si suficientes señales de las neuronas vecinas transmiten a través de sus dentritas en un tiempo corto. La señal que se transmite a la neurona podrá ser además ya sea inhibitoria o excitatoria. La neurona dispara, esto es, manda el impulso por su axón, si la excitación excede su inhibición por un valor crítico, el umbral de la neurona.

Métodos Numéricos: Euler


La idea del método de Euler es muy sencilla y está basada en el significado geométrico de la derivada de una función en un punto dado. Supongamos que tuviéramos la curva solución de la ecuación diferencial y trazamos la recta tangente a la curva en el punto dado por la condición inicial.
Debido a que la recta tangente aproxima a la curva en valores cercanos al punto de tangencia, podemos tomar el valor de la recta tangente en el punto http://docentes.uacj.mx/gtapia/AN/Unidadse/euler/euler.11.gif como una aproximación al valor deseado  http://docentes.uacj.mx/gtapia/AN/Unidadse/euler/euler.12.gif
Así, calculemos la ecuación de la recta tangente a la curva solución de la ecuación diferencial  dada   en el punto  .De los cursos de Geometría Analítica, sabemos que la ecuación de la recta es: 
                                                
donde  m  es la pendiente. En este caso, sabemos que la pendiente de la recta tangente se calcula con la derivada:
Por lo tanto, la ecuación de la recta tangente es : 
Ahora bien, suponemos que  ,es un punto cercano a  , y por lo tanto estará dado como  . De esta forma, tenemos la siguiente aproximación:
De aquí, tenemos nuestra fórmula de aproximación: 
  
Esta aproximación puede ser suficientemente buena, si el valor de h es realmente pequeño, digamos de una décima ó menos. Pero si el valor de  h es más grande, entonces podemos cometer mucho error al aplicar dicha fórmula. Una forma de reducir el error y obtener de hecho un método iterativo, es dividir la distancia   en  n  partes iguales (procurando que estas partes sean de longitud suficientemente pequeña) y obtener entonces la aproximación en  n  pasos, aplicando la fórmula anterior  n  veces de un paso a otro, con la nueva  h  igual  a  
En una gráfica, tenemos lo siguiente: 
Ahora bien, sabemos que: 
Para obtener    únicamente hay que pensar que ahora el papel de   lo toma el punto , y por lo tanto, si sustituímos los datos adecuadamente, obtendremos que: 
  
De aquí se ve claramente que la fórmula recursiva general, está dada por: 
  
Esta es la conocida fórmula de Euler que se usa para aproximar el valor de   aplicándola sucesivamente desde   hasta   en pasos de longitud  h.

Métodos Numéricos:Series de Taylor


Una serie es una suma de infinitos términos ligados por determinada ley de formación. Generalmente, una serie puede expresarse de dos formas equivalentes. Ellas son:
Ø     La forma extendida: Es aquella mediante la cual se exhiben algunos términos de la serie. Matemáticamente, se expresa así:
a0 + a1 + a2 + a3 + … + an + …
Ø     La forma simplificada: Es aquella que presenta de forma sintética todos los términos de una serie. Para ello, se utiliza el símbolo de sumatoria, es decir,

En la práctica se plantean ejercicios donde se pide obtener la forma simplificada a partir de la forma extendida y viceversa, puesto que como se indicó anteriormente, ambas formas son equivalentes.
De todos los tipos de series que existen, a continuación estudiaremos unas series especiales conocidas “Series Geométricas”. Éstas se caracterizan por su forma de construcción.  La misma se detalla a continuación:
Cada uno de los términos de una serie geométrica se halla multiplicando una constante (a), por una razón (r). Luego se vuelve a multiplicar por esa razón, consiguiendo de esta manera cada uno de los términos. Para ilustrar el proceso de formación de una serie, se analizará la siguiente situación:
Supóngase que se tiene una constante:   y una razón:   

Con esos 2 parámetros se puede construir una serie geométrica de la siguiente manera.
Uno de los elementos  de estudio más resaltantes de una serie es la Convergencia. Existe un criterio sencillo que permite determinar, si una serie geométrica converge o no. El termino convergencia significa que la serie infinita puede ser reemplazada por un numero finito.
La serie de Taylor de una función f de números reales o complejos que es infinitamente diferenciable en un entorno de números reales o complejos a, es la serie de potencias:
Que puede ser escrito de una manera más compacta como
Donde n! es el factorial de n y f (n)(a) denota la enésima derivada de f en el punto a; la derivada cero de f es definida como la propia f y (xa)0 y 0! son ambos definidos como uno. El caso especial, es cuando a = 0, es :
Y se llama serie de Maclaurin.,      Desarrollo alrededor de cero
Recibe el nombre de fórmula de los coeficientes de Taylor, para hallar la serie de Taylor de una función alrededor del cero o de cualquier otro número. Frecuentemente se puede modificar una de las series de Taylor, que ya se conoce, para hallar la serie de Taylor de una función dada y en el caso de que la serie converja, especificar un intervalo de convergencia.