viernes, 8 de agosto de 2014

ESPAM-MFL; MISION Y VISION


ESPAM-MFL



 CARRERA DE INFORMÁTICA

MISIÓN 

Formación de Profesionales íntegros que conjuguen ciencia, tecnología y valores en su accionar, comprometidos con la comunidad en el manejo adecuado de programas y herramientas computacionales de última generación


VISIÓN

Ser referentes en la formación de profesionales de prestigio en el desarrollo de aplicaciones informática y soluciones de hardware.

martes, 5 de agosto de 2014

TRABAJO DE INVESTIGACION

29 DE JULIO 2014

Microsoft Project Adam: Inteligencia artificial para el reconocimiento de imágenes

AUTOR:
BUSTE ZAMBRANO JOSE ORLANDO

Josebuste83@gmail.com



RESUMEN: En los últimos años la inteligencia artificial viene brindando soluciones en muchos aspectos del quehacer humano, por ejemplo en economía, administración, medicina, física, arte, etc.
Uno de los temas de la IA que ha alcanzado trascendental importancia es redes neuronales artificiales y en dicho tema, una de las aplicaciones más importantes es el reconocimiento de patrones.
En el presente artículo presentaremos un modelo de una red neuronal artificial para el reconocimiento de patrones

Palabras claves:
Exoesqueleto, medicina, electrónica, Redes neuronales artificiales, reconocimiento de patrones, inteligencia artificial

       I.            INTRODUCCIÓN

El reconocimiento de patrones es el reconocimiento de características únicas que identifican un sujeto de los demás de la misma especie.
Por ejemplo podemos afirmar que las huellas digitales en los humanos poseen PATRONES o características indiscutibles que identifican la huella digital de una persona respecto a la de otras personas.
Microsoft está apostando fuerte hacia el desarrollo de la inteligencia artificial mediante su departamento Microsoft Research, el que ahora nos muestra lo último que se traen bajo la manga para impulsar la creación de computadoras más inteligentes: Project Adam, una tecnología que sirve a un sistema digital para reconocer y clasificar imágenes según el contenido, tal como realiza el ser humano a través de los ojos y el cerebro

    II.            MARCO TEÓRICO

Proyecto Adam Microsoft puede realizar tareas de reconocimiento más rápido que cualquier IA existente

Microsoft Research, una división de investigación de la compañía, dice que el Proyecto Adam mejora la capacidad de aprendizaje de computadoras. Con los sistemas informáticos del Proyecto Adam pueden absorber datos y aprender por sí mismos. (Lee, 2014)
La compañía demostró Proyecto Adam en su Faculty Summit en Redmond. Como parte de la demostración, la compañía trajo perros de diferentes razas y mostró cómo la tecnología puede distinguir entre ellos en tiempo real.
2.1.Aplicaciones
Proyecto Adam puede ser muy importante para varias empresas de tecnología que están trabajando duro para desarrollar sistemas de inteligencia artificial y predictivos que pueden ser útiles en las tecnologías móviles. Anteriormente, Google se dice que es el uso de una red de alrededor de 16 mil computadoras para enseñar a sí mismo para identificar fotos de gatos.
Tecnología de la luciérnaga de Amazon, que debutó en el Fuego de teléfono, también es un esfuerzo de la compañía en el campo de búsqueda visual.
2.2.Afirmaciones
Microsoft afirma que prácticamente, Proyecto Adam es alrededor de 50 veces más rápido y más preciso que en la teoría. Es más eficiente y utiliza alrededor de 30 veces las máquinas menores en comparación con los esfuerzos de Google.
"Queríamos construir un sistema distribuido altamente eficiente, altamente escalable desde PCs de los productos básicos que tiene la velocidad de formación de clase mundial, la escalabilidad y la precisión de tarea para una tarea importante a gran escala", dice Trishul Chilimbi, investigador de Microsoft que trabaja en el Proyecto Adam. (Chilimbi,20014)
Chilimbi explica que las neuronas del sistema observan pequeñas porciones de una imagen y no examina toda la cosa, lo que permite que el sistema para entender los detalles, como el reconocimiento facial, texturas y mucho más. (Chilimbi,20014).

2.3.¿Qué logrará Project Adam?

¿Cómo funciona?
Cuando eres niño, reconoces un coche cuando se te muestra la imagen de un auto entero, pero como adulto, a veces sólo tienes que ver una parte del objeto para saber que se trata de un coche, asegura Johnson Apacible, Gerente de ingeniería de Microsoft Reseach. “Cuando el coche está en movimiento la imagen se vuelve un poco borrosa y aún así sabes que es un coche”. Tu cerebro se va entrenando, dice. "Eso es lo que hace Project Adam. Entrena con diferentes tipos de datos, con diferentes tipos de situaciones y crea un  modelo más robusto".
Cada capa de esta red neuronal aprende automáticamente una función de nivel superior sobre la base de la capa anterior, dice Chilimbi. En el caso de los perros Corgi, las capas podrían funcionar así: la primera capa aprende los contornos de la forma de un perro; la siguiente de texturas y pieles; la tercera, de otras formas del cuerpo, como orejas y ojos; la cuarta aprende otras partes mucho más complejas y; la quinta se reserva para conceptos reconocibles de alto nivel, como caras de perros.

Foto. Posibles aplicaciones

 III.            CONCLUSIONES GENERALES
Se concluye que el Proyecto Adam es una nueva visión de la I.A aplicada a nuevos campos.
Todavía no hay un plan claro para liberarlo al público, ni uso en  específicos que puede abarcar el proyecto.
Es una iniciativa de Microsoft que quiere demostrar cómo sistemas informáticos distribuidos a gran escala pueden crear grandes redes neuronales virtuales.
 Proyect Adam aún no está finalizado y Microsoft sólo permitió dar un vistazo de lo que es capaz la tecnología, y en que campos puede ser aplicado.

REFERENCIAS BIBLIOGRÁFICAS

Fayerwayer (2014).Microsoft Project Adam: Inteligencia artificial para el reconocimiento de imágenes http://www.fayerwayer.com/2014/07/microsoft-project-adam-inteligencia-artificial-para-el-reconocimiento-de-imagenes/

Microsoft Research (2014).Microsoft Research shows off advances in artificial intelligence with Project Adam http://blogs.microsoft.com/next/2014/07/14/microsoft-research-shows-advances-artificial-intelligence-project-adam/

________(2014). Deep Learning . http:// research.microsoft.com/en-us/news /features/dnnvision-071414.aspx

Lee, P. (2014) Corporate Vice President,
Head of Microsoft Research
http://research. microsoft.com/en-us/people/petelee/default.aspx




  



BIBLIOGRAFÍA
Buste Zambrano José Orlando
Nació en Calceta Cantón Bolívar, el 17 de noviembre de 1983, realizó sus estudios primarios en la Escuela Fiscal Domingo Faustino Sarmiento, sus estudios secundarios los realizó en el Colegio Nacional Mixto “13 de Octubre”, obtuvo en título de bachiller en Físico Matemático, actualmente cursa sus estudios superiores en la Escuela Superior Politécnica Agropecuaria de Manabí Manuel Félix López, está en septimo semestre de la carrera de Informática.


TEMA7: Búsqueda local en espacios continuos y Agentes de búsqueda online


Tema: Búsqueda local en espacios continuos y Agentes de búsqueda online

21 DE JULIO DEL 2014

Introducción

En esta clase el objetivo es explicar la diferencia entre entornos discretos y continuos, señalando que la mayor parte de los entornos del mundo real son continuos, la función sucesor en la mayor parte de casos devuelve infinitamente muchos estados. Esta clase proporciona una breve   introducción a técnicas de búsqueda local para encontrar soluciones óptimas en espacios continuos.
 Al igual daremos una idea delo que es una búsqueda online que es utilizable en dominios dinámicos y semidinamicos.

Desarrollo


Búsqueda local en espacios continuos

Características

  1.        El gradiente de la función objetivo es un vector d f que  nos da la magnitud  y la dirección de la inclinación más escarpada.
  2.        La búsqueda de gradiente empírico es la misma que la ascensión de colina con subida más escarpada en una versión desratizada del espacio de estado.
  3.         La técnica de línea de búsqueda trata de vencer el dilema del gradiente ampliando la dirección del gradiente actual hasta que f comience a disminuir otra vez.
  4.        La optimización con restricciones es un proceso de optimización donde está restringido si la soluciones debieran satisfacer algunas restricciones sobre los valores de cada variable.
  5.        Los problemas de programación lineal son los cuales las restricciones deben ser desigualdades lineales formando una región convexa y la función objetivo es también lineal.



Agentes de búsqueda online


La búsqueda online es una idea necesaria  a un problema de exploración, donde los estados y las acciones son desconocidos por e1 agente; un agente en este estado de ignorancia debe usar sus acciones corno experimentos para determinar qué hacer después, y a partir de ahí debe intercalar el cálculo, y la acción.
Problemas de búsqueda en línea (online)

Un problema de búsqueda online puede resolverse solamente por un agente que ejecute acciones mas que por un proceso puramente computacional. Asumiremos que el agente sabe lo siguiente:
·         Acciones(s), que devuelve una lista de acciones permitidas en el estado s’.
·         Funciones de coste individual c(s, a, s’)
·         Test Objetivo(s)
Por lo general en particular el agente no puede tener acceso a los sucesores de un estado excepto si intenta realmente todas las acciones en ese estado.

Conclusiones

·         Un algoritmo genético es una búsqueda de ascensión de colinas estocástica en que se mantiene una población grande de estados que son utilizados en métodos búsqueda continua.
·         Los agentes de búsqueda en línea pueden construir un mapa y encontrar  un objetivo si existe.

·         En la búsqueda en línea las estimaciones de las heurística, que se actualizan por la experiencia, proporcionan un método efectivo para escapar de mínimos locales

BIBLIOGRAFIA

˜Russell, S. Norvig, P. 2004. INTELIGENCIA A HTXFKCIAI, UN ENFOQIJE MUDERNO.2 ed. PEARSON EDUCACIONS,.S A. Formato PDF. Pag.157-165

  • http://www.slideshare.net/uni_fcys_sistemas/inteligencia-artificial-en-las-industrias (Autor: Chavez, Ariel. Tomado el 10/04/2013)
  • http://www.slideshare.net/uni_fcys_sistemas/la-i-a-en-la-agricultura (Autores: Ayestas, Carlos. Sarantez, Eddy. Tomado el 10/04/2013)


  • http://www.monografias.com/trabajos97/sobre-inteligencia-artificial/sobre-inteligencia-artificial.shtml#bibliograa#ixzz39q6S0KvR


    TEMA6: Algoritmos de búsqueda local y problemas de optimización


    Algoritmos de búsqueda local y problemas de optimización

    8 DE JULIO DEL 2014

    Introducción

    En esta clase el objetivo es mostrar cómo un Algoritmos de búsqueda local y problemas de optimización, diseña para explorar sistemáticamente espacios de búsqueda, el cual  se alcanza manteniendo uno o más caminos en memoria o registrando que alternativas se han explorado. Tomaremos dos ejemplos de búsqueda 

    Desarrollo


    Algoritmos de búsqueda local y problemas de optimización

     Los algoritmos de búsqueda local funcionan con un solo estado y generalmente se mueve sólo a los vecinos del estado. Típicamente, los caminos seguidos por la búsqueda no retienen. Aunque los algoritmos de búsqueda local no son sistemáticos, tienen dos ventajas claves:
     (1) usan muy poca memoria (cantidad constante): y
     (2) pueden encontrar a  menudo soluciones razonables en espacios de estados grandes o infinitos (continuos) para los cuales son inadecuados los algoritmos sistemáticos.

    Los algoritmos de búsqueda local son útiles para resolver problemas de optimización puros en los cual el objetivo es encontrar el mejor estado según una función objetivo. Muchos problemas de optimización no encajan en el modelo “estándar” estudiados anteriormente por la naturaleza que proporciona cada función objetivo, en algunos caso no es la mejor, el cual no toma en cuenta un test objetivo o un coste de camino para este tipo de problemas.

    Conclusiones

    Los métodos de  búsqueda local, como la ascensión de colinas, operan en formulaciones completas de estados. Manteniendo sólo un número pequeño de nodos en menoría.

    Muchos métodos de búsqueda local se pueden utilizar también para resolver problemas en espacios continuos.


    BIBLIOGRAFIA

    ˜Russell, S. Norvig, P. 2004. INTELIGENCIA A HTXFKCIAI, UN ENFOQIJE MUDERNO.2 ed. PEARSON EDUCACIONS,.S A. Formato PDF. Pag.150-170

  • http://www.slideshare.net/uni_fcys_sistemas/inteligencia-artificial-en-las-industrias (Autor: Chavez, Ariel. Tomado el 10/04/2013)
  • http://www.slideshare.net/uni_fcys_sistemas/la-i-a-en-la-agricultura (Autores: Ayestas, Carlos. Sarantez, Eddy. Tomado el 10/04/2013)


  • Leer más: http://www.monografias.com/trabajos97/sobre-inteligencia-artificial/sobre-inteligencia-artificial.shtml#bibliograa#ixzz39q6S0KvR

    TEMA 5: Funciones heuristicas.


     Funciones  heurísticas.

     1 DE JULIO 2014


    Introducción

    En esta clase el objetivo es mostrar cómo una estrategia de funciones heurísticas se emplea para que nos den información sobre la naturaleza de la heurística general, para cual tomaremos dos ejemplos de búsqueda heurística que desarrollaremos a continuación.

    Desarrollo


    Funciones heurística

    El efecto de la precisión heurística en el rendimiento

    Una manera de caracterizar la calidad de una heurística es el b* factor de ramificación eficaz. Si el número total de nodos generados por A* para un problema particular es N, y la profundidad de la solución es d. entonces b* es factor de ramificación que un árbol uniforme de profundidad d deberá tener para  contener N + 1 nodos. Así,
    N+1=1+b*+ (b*)2+……….. (b*)

    Por lo tanto, las  medidas experimentales de b* sobre un pequeño conjunto de problemas pueden proporcionar una buena guía para la utilidad total de la heurística. Una heurística bien diseñada tendría un valor de b cerca de 1, permitiría resolver problemas bastante grandes.
    Aprendizaje de heurísticas desde la experiencia
    Una función heurística h(n), como se supone, estima el costo de una solución que comienza desde el estado en el nodo n.
    Los métodos de aprendizaje inductivos trabajan mejor cuando se les suministrar características de un estado que sean relevante para su evaluación, más que sólo la descripción del estado.

    A partir de esto, se puede utilizar un algoritmo de aprendizaje inductivo para construir una función h(n) que pueda predecir los costos solución para otros estados que surjan durante la búsqueda. Las técnicas para hacer esto, está basado en la  utilización de  redes neuronales, árboles de decisión. Y otros métodos.
    Conclusiones

    El rendimiento de los algoritmos de búsqueda heurística depende de la calidad de la función heurística. Las heurística se pueden construir a veces por coste de solución, para sub-problemas

    BIBLIOGRAFIA

    ˜Russell, S. Norvig, P. 2004. INTELIGENCIA A HTXFKCIAI, UN ENFOQIJE MUDERNO.2 ed. PEARSON EDUCACIONS,.S A. Formato PDF. Pag.130-150


    TEMA 4: Estrategias de búsqueda informada.


    Estrategias de búsqueda informada.

     24 de junio del 2014

    Introducción
    En esta clase el objetivo es mostrar cómo una estrategia de búsqueda  informada la cual  utiliza el Conocimiento específico del problema y no la definición del problema puede en contra soluciones de una manera más eficiente que una estrategia no informada, para cual tomaremos dos ejemplos de búsqueda informada para dar una visión más clara de cómo funciona esta clase de algoritmos.

    Desarrollo

    Estrategias de búsqueda informada.

    Búsqueda voraz primero el mejor

    La búsqueda primero el mejor es un caso particular del algoritmo general de BÚSQUEDA-ÁRBOL o de  BÚSQUEDA-GRAFO en el cual selecciona un nodo para la expansión basada en una función de evaluación. f(n).
    La búsqueda primero el mejor puede implementarse  dentro de nuestro marco general de búsqueda con una cola con prioridad, una estructura de datos que mantendrá la frontera en orden ascendente de f-valores.
    Hay una familia entera de algoritmos de BÚSQUEDA-PRIMERO con funciones de evaluación diferentes. Un componente clave de estos algoritmos es una función heurística', denotada h(n):
    h(n) = coste estimado del camino más barato desde el nodo n a un nodo objetivo.

    Búsqueda A*: minimizar el costo estimado total de la solución

    A la forma más ampliamente conocida  de la búsqueda primero  el mejor se la llama búsqueda
    A*: (pronunciada búsqueda A -estrella,).evalúa los nodos combinados g(n) el coste para alcanzar el nodo, y h(n), el coste de ir al nodo objetivo:
    f(n)=g(n)+h(n)

    Ya que g(n) nos da el coste del camino desde el nodo inicial al nodo n, la h(n) el coste  estimado del camino más barato desde n al objetivo, tenemos:
    f(n)=coste más barato estimado de la solución a través de n

    La optimización de A* es sencilla de analizar si se usa con la BÚSQUEDA EN ARBOL. En este caso, A* es óptima  si h(n) es una heurística admisible, es decir, con tal de que la h(n) nunca sobrestime el coste de alcanzar el objetivo. Las heurísticas admisibles son por naturaleza optimistas, porque piensan que el coste de resolver el problema es menor que el que es en realidad. Ya que g(n) es el coste exacto para alcanzar n, tenemos como consecuencia inmediata que la, f(n) nunca sobrestima el coste verdadero de una solución través de n.

    Conclusiones

    Búsqueda primero el mejor es una BÚSQUEDA-GRAFO donde los nodos no expandidos de costo mínimo se escogen para la expansión  Los algoritmos primero el mejor utiliza típicamente una función heurística h(n) que estima el coste de una solución desde n.

     Búsqueda A* expande nodos mínimos f(n)=g(n)+h(n). A* es completa y óptima. Con tal que garanticemos que h(n) sea admisible o consistente. La complejidad en espacio de A* es todavía Prohibitiva.

    BIBLIOGRAFIA

    ˜Russell, S. Norvig, P. 2004. INTELIGENCIA A HTXFKCIAI, UN ENFOQIJE MUDERNO.2 ed. PEARSON EDUCACIONS,.S A. Formato PDF. Pag. 120-140.