Referencias | References


Referencias completas de vocabulario, eventos, crónicas, evidencias y otros contenidos utilizados en los proyectos relacionados con biotecnología y neurociencia de la KW Foundation.

Full references of vocabulary, events, chronicles, evidences and other contents used in KW Projects related to biotechnology and neuroscience.

Navegue por el glosario usando este índice.

Especial | A | B | C | D | E | F | G | H | I | J | K | L | M | N | Ñ | O | P | Q | R | S | T | U | V | W | X | Y | Z | TODAS

Página:  1  2  3  4  (Siguiente)
  TODAS

R

Logo KW

Ransomware: Now cybercriminals are stealing code from each other [1724]

de System Administrator - miércoles, 15 de marzo de 2017, 16:00
 

Ransomware: Now cybercriminals are stealing code from each other, say researchers

By Danny Palmer

Those behind PetrWrap are apparently using code from another form of ransomware without paying for it.

Ransomware is already one of the easiest forms of online extortion for hackers to carry out but one cybercriminal group has come up with a new way to make as much money as possible with the least effort: by stealing ransomware code from others, according to researchers.

The Petya ransomware family is particularly vicious, not only encrypting the victims' files using one of the most advanced cryptographic algorithms, but also encrypting the entire hard drive by overwriting the master reboot record, preventing the computer from loading the operating system.

The cost of ransomware attacks: $1 billion this year

And it's only the beginning, with file locking malware only set to grow and take larger role in cybercrime, warn researchers. 

Read More 

Like other forms of ransomware, Petya extorts a Bitcoin ransom from the victim in exchange for unencrypting the system.

Petya was one of the first types of ransomware to gain major success by spreading itself via a ransomware-as-a-service scheme, in which the creators offered their product to users on demand, in exchange for a cut of the profits. In an effort to ensure their creation wasn't exploited by others, Petya was equipped with measures to prevent the unauthorised use of samples.

However, the authors of a new form of malware dubbed PetrWrap have managed to crack the Petya code and are using it to perform ransomware attacks, apparently without paying the creators of Petya, according to researchers at security company Kaspersky Lab.

It said the PetrWrap Trojan has been active since February this year and uses its own cryptographic keys to lock victims' files, rather than using those which come with the 'stock' version of Petya -- and waits for an hour and a half after the initial compromise before striking.

 

PetrWrap ransom note | Image: Kaspersky Lab

Currently, it's unknown who the group distributing PetrWrap is or how it's being distributed. However, the very fact it exists appears to demonstrate competition and rivalries in the cybercriminal underground, with the potential that gangs will get distracted by fighting for dominance.

"We are now seeing that threat actors are starting to devour each other. From our perspective, this is a sign of growing competition between ransomware gangs," says Anton Ivanov, senior security researcher at Kaspersky Lab

"Theoretically, this is good, because the more time criminal actors spend on fighting and fooling each other, the less organised they will be, and the less effective their malicious campaigns will be."

However, that doesn't mean that you should take their eye of the ball when it comes to protecting against ransomware.

"We urge organisations to pay as much attention as possible to the protection of their networks from this kind of threat, because the consequences can be really disastrous," Ivanov added.

Indeed, getting infected with PetrWrap could be very dangerous for a company because the cryptography of this ransomware is so strong that there currently are no decryption tools available.

READ MORE ON CYBERCRIME

Link: http://www.zdnet.com

Logo KW

RCA [76]

de System Administrator - sábado, 4 de enero de 2014, 21:13
 

RCA: Radio Corporation of America.

Debido a su popularidad durante los años 30 a los 50, alta calidad de fabricación, innovaciones tecnológicas, estilo y nombre, las antiguas radios RCA son uno de los objetos más apreciados por los coleccionistas..

La empresa creó el llamado conector RCA, muy popular en los sistemas de audio y vídeo domésticos de la actualidad.

Fuente: http://es.wikipedia.org/wiki/Radio_Corporation_of_America

Logo KW

Reached Astronomical Scales [1192]

de System Administrator - sábado, 4 de abril de 2015, 22:16
 

Graphic: Transistor Production Has Reached Astronomical Scales

A look at Moore’s Law in action

Logo KW

Realidad Aumentada para Niños [366]

de System Administrator - jueves, 9 de enero de 2014, 15:23
 

Realidad aumentada a la medida de los niños

Lúdicas o educativas: nuevas aplicaciones de realidad aumentada para niños.

El dinero que se estima se invirtió en 2013 en el desarrollo de aplicaciones de realidad aumentada equivale a 5.000 veces el que se llevó el diseño del juego original de "Angry Birds", considerada la app más exitosa de la historia.

Y qué mejor destino para esta tecnología de punta que las nuevas generaciones: las empresas dedicadas a las apps de realidad aumentada para niños son cada vez más numerosas… y más atrevidas.

La tecnología de realidad aumentada mejora el pasatiempo tanto como el aprendizaje, dicen sus impulsores: la experiencia de inmersión que permite y la interactividad que fomenta son dos de sus claves y sirven para traer a la vida dibujos, juegos de mesa, montañas rusas, libros, muñecos...

Del juego a la educación, aquí le presentamos algunas de las apps de realidad aumentada para niños que, a juicio de los expertos, prometen dar que hablar.

clicVer: La realidad aumentada se pelea un lugar en la vida cotidiana

Dibujos que cobran vida

 RAN
 

La finalidad de "colAR App" es revolucionar el libro de pintar que todo niño llena de garabatos y colores: es una colección de imágenes que pueden ser coloreadas y, cuando se miran a través de la pantalla de un dispositivo móvil, parecen saltar al mundo real.

La novedad de esta tecnología es que permite trabajar con formas que fueron realizadas sobre un simple papel con crayolas, lápices o marcadores.

Luego, esta actividad básica de los niños adquiere una perspectiva diferente, sobre todo para los pequeños dibujantes, a partir de la animación tridimensional.

A sumar y restar

 RAN
 

El servicio de radiodifusión pública de Estados Unidos, PBS, fue pionero en el lanzamiento de una app de realidad aumentada propia, llamada "Fetch! Lunch Rush" y protagonizada por un perro animado, popular entre los televidentes de la cadena.

La propuesta está orientada a enseñar matemáticas a niños de la escuela primaria mediante el recurso de la visualización de objetos.

Diseñada en 3D, el programa permite usar la cámara de un teléfono inteligente para "mirar" las cosas del mundo real y proponer problemas matemáticos según los objetos que encuentre.

Por ejemplo: sumas y restas basadas en árboles, si el usuario está en el campo, o en automóviles si transita por las calles de una ciudad.

clicLea también: La realidad aumentada en su celular

Libros de pequeños autores

 RAN
 

Con "ZooBurst", son los libros los que adquieren una tercera dimensión. Con el agregado de que la app no entrega textos prefabricados, sino que permite crear versiones de realidad aumentada de textos pensados (y montados en la pantalla) por los mismos niños.

De historias familiares o de héroes deportivos (como el que se ve en la imagen, un ejemplo hecho por un usuario en la página de ZooBurst) hasta álbumes de fotos propias o mini enciclopedias de temas que interesen al pequeño autor: los textos tienen un segundo nivel de información que se consigue haciendo clic en los globitos sobre las imágenes.

Permite, además, el acceso a programas para hacer animaciones y a una galería con miles de imágenes de archivo libres de uso.

clicEn video: La realidad aumentada cobra fuerza en EE.UU.

Mapas psicodélicos

 RAN
 

La "Caja de Arena" de realidad aumentada ("AR Sandbox", en inglés) es producto de la investigación en el departamento de Ciencias de la Tierra de la Universidad de California, Davis. Es un programa que proyecta, en tiempo real y a todo color, información topográfica sobre una superficie de arena.

La caja interactiva responde a lo que hace el usuario: con una pala o un rastrillo o incluso con la mano, los niños pueden excavar la arena o crear elevaciones de terreno, cambiar contornos, borrar una montaña, abrir nuevos cursos de agua…

La nueva geografía que se va creando es grabada por una cámara de video, colocada sobre la caja, y es enviada a un proyector que luego la refleja en el mapa original.

El fin último, dicen los creadores, es enseñar geografía a los niños de un modo bien distinto al que se emplea en las escuelas primarias tradicionales. Aunque, por su complejidad de montaje, parece más preparada para funcionar en el laboratorio que en tabletas y teléfonos actuales.

Bananos de Ecuador, tomates de la granja cercana

 RAN

 

¿Cómo saber de dónde viene lo que comemos? Fácil: basta una foto.

A un estudiante de diseño holandés se le ocurrió la idea, hace ya un par de años, y la realidad aumentada la llevó a su máximo potencial: se trata de una app, "Taggie", que permite que los niños averigüen la procedencia de lo que venden en el supermercado o en las tiendas del barrio.

El programa da acceso a detalles de las frutas y verduras, sus orígenes y condiciones de cultivo, así como sus diferentes variedades y valores nutricionales, mediante una animación tridimensional que aparece cuando se apunta a un producto con la cámara del teléfono.

El objetivo, dice su creador Niels van Hoof, es fomentar hábitos alimenticios saludables en las nuevas generaciones.

Mundo de princesas 3D

RAN
 

Previsiblemente, las grandes empresas de juguetes no quieren quedarse fuera de un negocio en auge. Mattel, la fabricante de Barbie, aportó así lo suyo al castillo de princesas que creó en asociación con Disney: el "Ultimate Dream Castle" es más que una casa de muñecas con torres, ascensores y mucho plástico rosado.

Mediante una app desarrollada por Disney, llamada "Princess Magic Mirror", los niños pueden escanear con un teléfono o una tableta ciertas áreas específicamente marcadas en el juguete (aunque la aplicación puede bajarse y usarse sin necesidad de comprarlo, dicen sus creadores).

Ello disparará una serie de actividades dentro y fuera de la fortaleza y hará aparecer un repertorio de personajes adicionales (en la foto, Flounder, el pez confidente de la princesa Ariel).

clicRealidad aumentada: ¿revolución o promesa vana?

Todas las imágenes que acompañan a esta nota proceden de los sitios web de cada app y pertenecen a sus respectivos desarrolladores.

Fuente: http://www.bbc.co.uk/mundo/noticias/2014/01/131231_tecnologia_realidad_aumentada_para_ninios_vp.shtml

Logo KW

Realidad Aumentada [279]

de System Administrator - jueves, 9 de enero de 2014, 14:31
 

 

La realidad aumentada (RA) es el término que se usa para definir una visión directa o indirecta de un entorno físico tangible, cuyos elementos se combinan con elementos virtuales en tiempo real. Por ejemplo, al enfocar una calle con la cámara de un smartphone, aparecen sobreimpresos los nombres de los comercios y sitios de interés en el horizonte del usuario. También despliega información geográfica, climática, publicidad, tráfico y otros datos. El usuario puede señalar uno de estos objetos en pantalla e ingresar en su respectivo sitio en Internet.

Fuente: http://es.wikipedia.org/wiki/Realidad_aumentada

Logo KW

Realizing the Smart City Vision [1411]

de System Administrator - viernes, 11 de septiembre de 2015, 02:10
 

eBrief | Realizing the Smart City Vision

The smart city vision is that of an urban center that's more mobile, more efficient and more environmentally sustainable than the cities of yesterday.

A smart city has a lower carbon footprint, delivering technologically evolved benefits to the city infrastructure and to its citizens. It is streamlined and automated, connected and forward-thinking.

But making this vision a reality will require a lot of money and coordination between city management, telecom providers, regulators and more.  And not only will there be upfront costs that city management will have to cover, but there will also be ongoing costs necessary to maintain these systems.

Download this free eBrief today to find out:

  • How smart cities will be transformed by wireless connectivity, mobile apps and more.
  • What role mobile operators will likely play in the smart city future.
  • How Smart City Council’s Jesse Berst believes the smart city concept will turn into reality.

Please read the attached eBrief.

Logo KW

Recencia [510]

de System Administrator - sábado, 12 de julio de 2014, 16:42
 

El efecto de recencia

Fuente: http://hipercognicion.blogspot.com/2012/11/el-efecto-de-recencia.html

El Efecto de Primacía, aquel que nos hace recordar con mayor intensidad la primera vez que nos enfrentamos a una experiencia, en detrimento de las siguientes. El efecto contrario sucede cuando esa experiencia es familiar para nosotros y terminamos por asimilarla a las últimas percepciones que tenemos asociadas a ella. Esto resulta significativo cuando conocemos a alguien desde hace tiempo, una persona con la que nos relacionamos habitualmente. Lo normal es que la visión que tenemos de esa persona está asociada a las últimas experiencias en común. Haciendo memoria podemos recordar que aquella persona nos producía al principio rechazo, pero con el tiempo eso ha ido cambiando y ahora la vemos diferente. Esta situación es conocida como Efecto de Recencia, pues los recuerdos recientes son los que influyen en mayor medida en la percepción global que tenemos sobre algo o alguien. 

Logo KW

Red Neural [1778]

de System Administrator - jueves, 10 de agosto de 2017, 15:11
 

Red Neural

 

por Mahsa Hassankashi | Traducido automáticamente con Google, contiene errores

Este artículo proporciona una explicación simple y completa de la red neuronal con un ejemplo práctico. Usted leerá aquí qué es lo que sucede exactamente en el cerebro humano y también en la aplicación artificial.

Introducción

Hoy en día los científicos están encontrando poder del cerebro humano y tratan de imitar de él para resolver y analizar grandes problemas de datos. 

Sentí la falta de un artículo comprensivo que explicaba de forma fácil, muestra y claro además de práctico sobre la red neuronal (NN) y también necesitaba saber cómo funciona el cerebro humano biológicamente.Tuve muchas preguntas que quedaron sin respuesta y siempre tuve ambigua para averiguar cualquier detalle sobre NN.   Mis preguntas que quiero discutir sobre ellas: 

1. ¿Cómo funcionan las células cerebrales humanas exactamente?

Para entender que cómo funciona la red neuronal, es mejor mirar la operación del cerebro humano. Hay aproximadamente 10 11 neuronas dentro del cerebro que están altamente conectadas entre sí. Cuando ves a un animal por ejemplo gato, ingresas sus características (tamaño, color, forma) por tus ojos a tu cerebro y luego, esta información de entrada será calculada por pequeñas células llamadas neuronas que son responsables de procesar cosas en tu cerebro. Neuronas en primer lugar buscar en sus otras imágenes de los gatos que usted ha visto antes y hacer una comparación con sus imágenes de gato anterior en su memoria y nuevo gato, esta comparación que es un fundamental del proceso de aprendizaje supervisado ha hecho de su cerebro como una herramienta para la analogía, Por eso los seres humanos tienden a compararlo todo. 

  

Usted puede procesar 20 Mb por segundo sólo con la ayuda de su sentido óptico y es impresionante porque es independientemente de sus habilidades para aprender algo o para detectar la voz de alguien o su capacidad auditiva. Supongamos que tener una escala mucho menor de este enorme sistema cuánto puede resolver hoy en día problemas en diferentes áreas y dominios. Por ejemplo, hacer una porción muy pequeña de las características del cerebro puede resolver problemas en el habla y el reconocimiento de la cara o la imagen, el análisis de sentimientos y la opinión o la lectura de la emoción, conducir un coche automáticamente o incluso el diagnóstico de la enfermedad. 

Hay una célula neuronal en la imagen de abajo. Por favor, lea de izquierda a derecha. Las dendritas son responsables de recibir información y núcleo es donde se procesan los datos y el resultado se pasará de axón a terminado de dendritas de la cola de la neurona. La estructura total de una de estas neuronas en la inteligencia artificial se llama perceptron. Otra célula neuronal en el lado derecho obtendrá el resultado de la neurona del lado izquierdo con la ayuda de algunas sustancias químicas que causan el fuego y encender para enviar y transferir datos a otras células y la salida de la neurona del lado izquierdo es tal como la entrada para la derecha Neurona lateral y toda esa historia de proceso sucederá en las células siguientes.Por lo tanto 10 10 neuronas en el cerebro están colaborando para alcanzar su propia meta para cada proceso. Suponga cuántos procesos por día tiene que analizar para manejar su vida. El cerebro hace todas ellas sin mucho agotamiento. Al final del día solo necesitas 7 horas para enfriar estas pequeñas celdas. Neurocientista descubrió que más aprendizaje puede hacer que sus dendritas mush más fuerte, porque encender o disparar la conexión entre sus células es una práctica que es casi como hacer ejercicio para sus músculos. Por lo tanto, alguien que intenta mantener su propia rutina de estudio tiene menos probabilidades de contraer la enfermedad de Alzheimer. Porque encender o disparar la conexión entre sus células es una práctica que es casi como hacer ejercicio para sus músculos. Por lo tanto, alguien que intenta mantener su propia rutina de estudio tiene menos probabilidades de contraer la enfermedad de Alzheimer.Porque encender o disparar la conexión entre sus células es una práctica que es casi como hacer ejercicio para sus músculos. Por lo tanto, alguien que intenta mantener su propia rutina de estudio tiene menos probabilidades de contraer la enfermedad de Alzheimer.

 

2. ¿Cómo hicimos NN a partir de células neuronales - Propagación hacia adelante?

En la imagen inferior se ve un perceptron simple y su funcionamiento y cómo calculamos su salida. En primer lugar hay  dos entradas como X 1 X 2 , y luego hay pesos para cada conexión al nodo. Toda la unidad de procesamiento es el nodo ya pesar de los sistemas informáticos que tienen unidad de procesamiento compleja, en NN hay unidad simple para procesar. Multiplicamos X y peso y luego sumamos todo el peso de X * y aplicamos la función de activación en el valor del resultado y la salida final es la respuesta del perceptron.

  

Toda la historia en el párrafo anterior se denomina propagación directa en la red neuronal. Pero de hecho usamos más nodos y capas múltiples para el aprendizaje NN. He mencionado que en nuestro cerebro hay miles de millones de capas y debido a ese enorme sistema que podemos ser como un ser humano hoy en día. Por lo tanto, para tener un mejor aprendizaje usamos más capas. Casi puede garantizar la mejora de los resultados en el aprendizaje o la formación en NN. Hay dos capas ocultas como azul claro en la imagen de abajo. El cálculo para cada nodo de capa oculta ocurrirá como un perceptron simple. 

   

3. ¿Cuál es el papel del peso en NN? 

Peso se refiere a la fuerza de la conexión entre los nodos. Valor sin signo (sin +, -) de peso depende de cómo los nodos tienen poder para conectarse entre sí. Puede ser positivo o negativo. Positivo significa que es más probable que transmita a otros nodos y negativo es viceversa. En el punto de inicialización seleccionamos el peso al azar pero para tener un mejor resultado es mejor normalizar los datos de entrada como sigue, X es datos de entrada:

  

Debido a que nuestra función de activación en este artículo es sigmoide, hay una forma abreviada de seleccionar aleatoriamente nuestro valor de peso en un rango específico. Por debajo de la fórmula depende de la distribución uniforme, que sigue siendo su lógica no expresada aquí y se extenderá en el próximo artículo.

 

Referencia para la selección del rango de peso: Tutoriales de Aprendizaje Profundo; Glorot y Bengio (2010)  

He mencionado que NN es altamente interconectado y el elemento más valioso que hace que esta conectividad es el peso. Seleccionamos el peso al azar en la primera fase. Calculamos la propagación hacia delante y luego hacemos una comparación de que cuánto valor de salida está lejos de nuestro valor real o etiqueta que es "Y" en el conjunto de datos de entrenamiento. Entonces hacemos la propagación hacia atrás , que hace el cálculo en la trayectoria inversa. El avance es de izquierda a derecha pero la propagación posterior es de derecha a izquierda para optimizar y ganar nuevo peso para mejorar la próxima salida y si la siguiente salida tiene menos diferencia de "Y" en lugar de salida anterior, nos muestra que estamos en la derecha dirección. Por lo tanto, el peso es una herramienta para conectar nodos entre sí y un factor para entrenar NN por tener menos error. 

Para tener la mejor comprensión sobre el papel del peso en NN, le invito a leer mi artículo sobre el "Aprendizaje de la máquina y el descenso del gradiente". El peso en NN es casi algo cercano a la pendiente "a" en la línea de predicción Y , Y = aX + b, ya que teníamos exacta "a" podríamos encontrar una mejor línea de predicción para clasificar nuestros datos, aquí en peso NN es también un factor tal Como "a" y nos esforzamos por encontrar su valor con precisión para tener una clasificación más precisa. 

 4. ¿Cuál es la palabra coincidente para el peso en la neurona biológica?

Todo en nuestras estructuras NN está inspirado en el cerebro humano. Por lo tanto, valor sin signo para el peso significa: conexión dendrítica entre neuronas + conteo de sinapsis entre dendritas + terminales pre y post sinápticas + forma de hueco entre neuronas + intensidad de fusión y la última pero no menos importante es mielinización. 

La mielinización es sustancia blanca y grasa alrededor del axón de las células neuronales y es tal como vaina o protector para ellos. En la imagen de abajo, la propagación en la neurona derecha con mielinización es mucho más rápida que la neurona izquierda sin vaina debido a la conducción saltatoria. Rápida y más propagación y sinapsis juegan un papel importante para tener un mejor aprendizaje en nuestro cerebro.Actividad de la Imagen de Resonancia Magnética Funcional - FMRI - en alguien con mejor función en el cerebro tiene más sinapsis con más puntos rojos. 

Por lo tanto, el peso en NN es igual que la combinación de los factores anteriores biológicamente. 

Https://en.wikipedia.org/wiki/Myelin

5. ¿Cuál es el papel de la función de activación en NN?

Quiero traer un ejemplo como introducción para la polarización y estabilizar en matemáticas. Para tener un cómputo fácil necesitamos algunos valores de polarización especialmente los decimales. Por ejemplo, tenemos 1.298456 y sólo necesitamos un número como decimal, con el fin de redondear y polarizar y tener un cómputo fácil y rápido convertimos 1.298456 a 1.3 porque el número después de 2 en decimal es 9 y es más de 5 por lo que convertir 2 A 3. En estos casos, los valores de redondeo pueden ayudar a tener un valor y resultado más elegante.

En NN queremos distinguir y predecir mejor. Así, las funciones no lineales tienen más redondeo y flexión como abajo cuadro. En comparación con las funciones lineales y no lineales, es obvio que la no lineal tiene más precisión para predecir y tener una mejor línea de decisión de límites para categorizar entre dos clases diferentes.

En el descenso de gradiente se utilizó "Algunos Squared Error SSE", pero la función de activación de NN debe ser la función no lineal, como exponencial o tangente y también debe ser diferenciable, ya que en la propagación hacia atrás, tenemos que encontrar el mínimo global y, Realiza descenso en pendiente. Por favor, lea el artículo sobre el descenso gradiente con este enlace .

Suma de errores cuadrados (SSE) = ½ suma ( Y real - Y predicho 2

  

SSE mide el valor de las diferencias entre todo el Y actual , Y predicho  y para tener la mejor línea de la predicción en vez de la línea azul en encima de la imagen diferenciamos SSE y calculamos la nueva pendiente para esta línea. 

Puede seleccionar una de las siguientes funciones como su función de activación. Para referencia, consulte este enlace.

 

6. ¿Cuál es la palabra coincidente para la función de activación en la neurona biológica? 

La función de activación en NN también se denomina función de transferencia. La función de transferencia en NN produce la salida final de los nodos según sus propias entradas. En la función de activación biológica se llama como potencial de acción que se relaciona con cómo las señales o el valor viajan en el axón. La sustancia química hace el encendido eléctrico y la infusión de la neurona y luego su axón para sacudir y empujar la señal en sólo una dirección de la neurona. Es un pulso auxiliar y su objetivo final es producir resultados para la neurona impulsiva actual. Para referencia, consulte este enlace.

   

7. ¿Cómo funciona la propagación posterior? 

Con el fin de resumir todos los conceptos anteriores, quiero dividir la propagación hacia atrás en varios pasos como sigue: 

* En los pasos iniciales hay conjunto de datos de entrenamiento que tiene una o más columnas para X como entrada y una etiqueta como Y que debe ser leída y considerada, por lo que se definen los números de capas de entrada y salida. 

* Necesitamos seleccionar el número de capas ocultas; La cantidad de capas ocultas muestra la profundidad del aprendizaje. Las capas más ocultas pueden imitar mejor el cerebro humano y mejorar su precisión. Pero la cuestión más importante es que las capas más ocultas necesitan más cálculo, especialmente en la propagación hacia atrás y consume más memoria. 

* Después de la definición de capas ocultas, necesitamos valores de pesaje que se seleccionan al azar con Gaussian y hay fórmula que he explicado en la tercera sección de este artículo "¿cuál es el papel de peso en NN?" 

Propagación hacia adelante para alcanzar el valor de salida: 

* Cada capa tiene un nodo y asumo dos valores para ellos, primero es sin aplicar la función sigmoide llamada "Input_sigma" o "hidden_ ​​sigma" y la siguiente es con la función sigmoide como "node_declarado", "output_node". Luego comenzamos el cálculo de izquierda a derecha para propagación hacia adelante. 

(1) Input_sigma = input_node * peso_1 

(2) hidden_node = Sigmoid (input_sigma) 

(3) hidden_sigma = nodo_culto * peso_2 

(4) Sigmoid (hidden_sigma) = nodo de salida 

(5) margin_error = esperado - output_node 

Propagación hacia atrás para alcanzar un mejor peso: 

* En retroceso porque necesitamos un valor óptimo para que nos diferenciemos de la función sigmoide e ir inversamente de derecha a izquierda, con el fin de encontrar un nuevo valor para los pesos. 

(6) output_node '= Sigmoid' (hidden_sigma) * margen 

(7) weight_2 '= (nodo_salida' / nodo_culto) + peso_2 

(8) nodo_culto '= (nodo_saída' / peso_2) * Sigmoide '(input_sigma) 

(9) weight_1 '= (nodo_incluido' / input_node) + peso_1 

(10) Nuevamente repetimos los pasos 1 a 5 con nuevos pesos y el valor de comparación de errores de margen actuales y errores de margen anteriores si el error actual es menor que el anterior, por lo que nos muestra que estamos en la dirección correcta. 

(11) Repetimos los pasos 1 a 10 hasta que el error de margen esté cerca de nuestro "Y". 

 

8. ¿Cuál es la lógica matemática exacta detrás de BP NN? 

La propagación hacia atrás realiza como el descenso del gradiente y necesitamos tener diferenciación de nuestra función de activación que aquí es función sigmoide. Describí cómo se calcula:

  

XOR es una muestra más simple para probar nuestra primera red neuronal. Hay una mesa XOR con dos entradas y una salida: 

 

Quiero implementar la siguiente fila en XOR que es (1, 1) = 0. 

Y es 0 y la salida es 0,68. Así que el error de margen es -0,68.

  

9. ¿Cómo codificar implementar la propagación posterior? 

Archivo de ejecución: 

De acuerdo con toda la explicación anterior, quiero implementarla en Matlab. En primer lugar, creé el archivo execution.m para llamar a la función de predicción. 

%% Machine Learning -  Neural Networks  - Simple Example

%% Initialization
clear ; close all; clc

input_node = [1 1]; %1*2

% Generate Weight By Gausian Distribution
Weight_1 = [ -0.5 1.01  0.23 ; -0.32 -0.24 -0.12 ]; %2*3
Weight_2 = [ 0.15 1.32 -0.37 ]; %1*3
pred = mypredict(Weight_1, Weight_2, input_node);
fprintf('\Final Output Backward Propagation: %f\n', perd);
Archivo de predicción:

Entonces escribí "myprerdict.m" que más código va a pasar allí: 

function p = mypredict(Weight_1, Weight_2, input_node)

%Forward Propagation
input_sigma = input_node*Weight_1;
hidden_node = sigmoid(input_sigma); % 1*3
hidden_sigma = hidden_node*Weight_2';
output_node = sigmoid(hidden_sigma);

for jj=1:1000
    %sigmoid' = f(x)(1-f(x))
    %output_node_prime = s'(inner_sigma)*margin
    if jj>1
        Weight_2 = Weight_2_prime;
        Weight_1 = Weight_1_prime;
    end
        margin = 0 - output_node;
        sigmoid_prime_hidden_sigma = sigmoid(hidden_sigma);
        output_node_prime = (sigmoid_prime_hidden_sigma *(1-sigmoid_prime_hidden_sigma))*margin;
       
        delta_weight = (output_node_prime)./hidden_node; % 1*3
        Weight_2_prime = Weight_2 + delta_weight;
               
        sigmoid__prime_input_sigma = sigmoid_derivative(input_sigma);
        mydivide = output_node_prime./Weight_2;
        hidden_node_prime = zeros(1,3);
        hidden_node_prime(1,1) = mydivide(1,1) * sigmoid__prime_input_sigma(1,1);
        hidden_node_prime(1,2) = mydivide(1,2) * sigmoid__prime_input_sigma(1,2);
        hidden_node_prime(1,3) = mydivide(1,3) * sigmoid__prime_input_sigma(1,3); 
  
        delta_weight_2 = hidden_node_prime'*input_node;

        Weight_1_prime = Weight_1 + delta_weight_2';

        input_sigma = input_node*Weight_1_prime;
        hidden_node = sigmoid(input_sigma); % 1*3
        hidden_sigma = hidden_node*Weight_2_prime';
        output_node = sigmoid(hidden_sigma);
end

p = output_node;

end
Sigmoide Función:
function y = sigmoid(x)

y = 1.0 ./ (1.0 + exp(-x));

end
Sigmoid_derivative:
function y = sigmoid_derivative(x)

 %sigmoid' = f(x)*(1-f(x))

 sigmoid_helper_2 = zeros(1,3);
    for i=1:3
        a= x(1,i);
        sigmoid_helper_2(1,i)= sigmoid(a)*(1-sigmoid(a));
    end
 y = sigmoid_helper_2;
       
end

Puntos de interés

He encontrado la red neuronal muy emocionante, creo que podemos llamarla madre de la inteligencia artificial.

La mayoría de las ventajas y desventajas de NN es que: 

  • 1. Después de normalizar su conjunto de datos y selección de características, usted tendrá la mejor respuesta en el gran conjunto de datos de entrenamiento. 
  • 2. El rendimiento y la precisión depende del peso, pero si lo selecciona en el rango correcto, será perfecto. 
  • 3. Debido a backpropagation consume memoria más que otra manera. 

Link: https://www.codeproject.com

 

Logo KW

Redes de distribución de contenido [850]

de System Administrator - jueves, 11 de septiembre de 2014, 12:52
 

La importancia de las redes de distribución de contenido

Fuente: IT-Sitio

Para 2018 el tráfico de Internet se triplicará y el 50% será transportado a través de soluciones de Content Delivery Network, según dio a conocer Level 3, citando estadísticas de Cisco. Esto es particularmente cierto en relación al tráfico de video bajo demanda, sobre todo de eventos multitudinarios que llegan a distintos tipos de pantallas, móviles y fijas.

Level 3 comprobó a través de sus soluciones VyVx y CDN (Content Delivery Network) para VOD (Video On Demand) que, como evaluó Cisco en su Índice de Visual Networking, el tráfico en Internet se triplicará para 2018 y el 50% será transportado a través de aplicaciones de CDN. Según esta tendencia, los eventos multitudinarios generan una gran expectativa en el público y, consecuentemente, una gran demanda por dispositivos receptores de imágenes de todo tipo, no sólo la TV como “primera pantalla” sino también en PCs, tabletas y celulares, conocidos en la industria como “pantallas secundarias”. Esta demanda se enfoca especialmente en aquellos servicios que brindan Alta Definición (HD), ya que los usuarios son cada vez más exigentes y sienten la necesidad de estar en primera fila y no perderse ni el más mínimo detalle de los protagonistas. 

 


La audiencia actual espera consumir contenido en diferentes dispositivos —televisores, computadoras, tablets, teléfonos inteligentes— independientemente de donde se encuentre, pero la calidad debe mantenerse. Así se trate de un evento deportivo en vivo al otro lado del mundo, de un programa nocturno de televisión por cable basado en archivos, o de una noticia de última hora de la localidad vecina, las empresas deben transmitir contenido de alta calidad a su audiencia, y de manera eficiente y segura. 

Este proceso puede resultar complejo en cuanto a su administración, lo que puede traer aparejadas pérdidas de la eficiencia de la producción, incumplimientos en las fechas de entrega, una pobre experiencia de usuario y en última instancia ganancias no realizadas. 

Según el Índice de Visual Networking de Cisco, en América Latina, el tráfico de video IP crecerá 3 veces desde 2013 hasta 2018, una tasa de crecimiento anual del 28%. Además, el 25% de todo el tráfico de Internet cruzará por redes de CDN en 2018, frente al 15% de 2013. 

Los cálculos de Cisco adelantan que las redes de CDN llevarán más de la mitad del tráfico de Internet en 2018, 55% de todo el tráfico de Internet cruzará las redes de distribución de contenidos en 2018 a nivel mundial, por encima del 36 por ciento de 2013. 

Para que estas predicciones alcance niveles reales, es imprescindible para el mercado que estén disponibles soluciones de CDN lo suficientemente robustas y confiables como para absorber la demanda creciente y garantizar que los contenidos que más le interesan al usuario final sean transmitidos sin interrupciones ni detrimento de la calidad en cualquier momento y lugar.

 

 

Logo KW

Reducing Risk and Costs of Downtime in Petabyte-scale Environments [1288]

de System Administrator - lunes, 6 de julio de 2015, 22:26
 

Reducing Risk and Costs of Downtime in Petabyte-scale Environments

Modern scale-out architectures are designed to provide the highest uptime with minimum effort and cost. Highly automated through policies, every logical component is resilient to multiple failures. When correctly deployed, these infrastructures tolerate disasters and automatically resume normal operations once failed resources become available again.

Please read the attached whitepaper.


Página:  1  2  3  4  (Siguiente)
  TODAS