El documento describe la vida y carrera del científico Edsger Dijkstra, nacido en 1930 en los Países Bajos. Se destacó en matemáticas y ciencias desde una edad temprana y estudió física teórica en la universidad. En 1959, Dijkstra propuso el algoritmo de caminos mínimos, también conocido como el algoritmo de Dijkstra, para encontrar el camino más corto en un grafo entre un nodo origen y los demás nodos. El algoritmo de Dijkstra se usa ampliamente hoy en día en aplicaciones
Contenido.
- Ejemplos de espacios vectoriales.
- Combinación lineal.
- Dependencia lineal.
- Independencia lineal.
- Base y dimensión de un espacio vectorial.
- Espacio nulo de una matriz.
- Rango de una matriz.
VECTORES LIBRES Y BIYECCION ENTRE EL CONJUNTO V3 DE LOS VECTORES LIBRES Y R3Moiiss1404
Este trabajo consiste en explicar algo sobre VECTORES LIBRES Y BIYECCION ENTRE EL CONJUNTO V3 DE LOS
VECTORES LIBRES Y R3.
Integrantes del equipo:
Alexis Moreira
Moises salazar
Jose Quintero
Ronaldo Guevara
Contenido.
- Ejemplos de espacios vectoriales.
- Combinación lineal.
- Dependencia lineal.
- Independencia lineal.
- Base y dimensión de un espacio vectorial.
- Espacio nulo de una matriz.
- Rango de una matriz.
VECTORES LIBRES Y BIYECCION ENTRE EL CONJUNTO V3 DE LOS VECTORES LIBRES Y R3Moiiss1404
Este trabajo consiste en explicar algo sobre VECTORES LIBRES Y BIYECCION ENTRE EL CONJUNTO V3 DE LOS
VECTORES LIBRES Y R3.
Integrantes del equipo:
Alexis Moreira
Moises salazar
Jose Quintero
Ronaldo Guevara
Presentation on the Automated Drone Reality Project by Stuart Young & Futureaerial at the Winter Community Day, 1st December 2016. Held at High Wycombe & hosted by IFS.
What did AlphaGo do to beat the strongest human Go player?Tobias Pfeiffer
This year AlphaGo shocked the world by decisively beating the strongest human Go player, Lee Sedol. An accomplishment that wasn't expected for years to come. How did AlphaGo do this? What algorithms did it use? What advances in AI made it possible? This talk will briefly introduce the game of Go, followed by the techniques and algorithms used by AlphaGo to answer these questions.
1일 수천대의 서버에서 발생하는 30~50억건의 Log와 Metric을 처리하는 Planet Mon 을 지탱하는 기술인 Collection(Collectd, NXlog), Transport(Kakfa, Logstash), Log Stream Analytics, Storage(Elasticsearch), Visualization을 구성하는 Architecture에 대해 설명드리고 제가 개발한 Log Stream Analytics 서버들의 구현 기술에 대해 좀더 상세히 설명합니다.
2016년 3월 2일 ETRI 기습세미나 자료 공유합니다.
1. 표지 그림 저작권자인 남경돈 선생님께 메일로 허락을 구하느라 늦어졌습니다. 감사하게도 "크레딧을 삭제하지 않아서 괜찮다"고 하셨습니다.^^
2. 강의용 슬라이드라서 핵심과 흐름은 빠져 있는데, 글로 정리하거나 코멘트를 추가해 볼까 하다가 참았습니다. ^^;
3. 이 강의는 손영성 님의 <alphago,>과 콤비로 기획했기 때문에 알파고와 이세돌 대결의 개요와 인공지능 기술 설명은 빠져 있습니다.
4. 강의는 기보를 직접 놓아보면서 설명하는 것까지 50분 동안 진행했습니다.
<알파고>
화제의 대결을 앞두고 당장 내일(3/2) ETRI 에서 공개 세미나를 열어보자는 손영성 님의 제안을 받고, 오후에 잠깐 스타벅스에서 미팅 후 저녁 8시부터 자료를 만들기 시작했는데.. 욕심이 과했나.
인공지능 관점에서의 알파고 얘기는 손박사님이 맡아 주시고, 나는 바둑 관점에서 풀어 보기로 했다.
1) 바둑에서 계산 외에 어떠한 직관이 필요한지,
2) 바둑에서 두 번의 패러다임 전환이 어떤 것이었는지,
3) 바둑에서의 승부란 어떤 것인지,
4) 이세돌이 어떤 기사인지,
5) 왜 이세돌인지,
6) 알파고의 기력은 어느 정도인지,
7) 알파고의 기풍은 무엇인지,
8) 알파고가 추상화 능력을 어떻게 갖추게 되었는지,
9) 바둑에서 모양이라는 게 무엇인지,
10) 연기바둑, 상담기와 집단지성의 바둑이 어떻게 다른지,
11) 판후이 2단과의 다섯 판 기보를 넘겨보면서
12) 알파고가 실수한 장면과 프로급 감각을 보인 주요 장면 해설을 소개한 뒤에,
13) 사람들이 알파고가 못할 거라고 생각하는 것들에 대한 의견을 내고,
14) 여러 전문가들의 배팅 상황을 정리하고,
15) 관전 포인트를 짚어 보는 시나리오.
(중국식룰이야말로 재밌는 포인트지만 설명은 생략)
페이스북: https://www.facebook.com/photo.php?fbid=1027779387282823&set=a.176804749046962.46064.100001523144679&type=3&theater
April 2016 HUG: CaffeOnSpark: Distributed Deep Learning on Spark ClustersYahoo Developer Network
Deep learning is a critical capability for gaining intelligence from datasets. Many existing frameworks require a separated cluster for deep learning, and multiple programs have to be created for a typical machine learning pipeline. The separated clusters require large datasets to be transferred between clusters, and introduce unwanted system complexity and latency for end-to-end learning.
Yahoo introduced CaffeOnSpark to alleviate those pain points and bring deep learning onto Hadoop and Spark clusters. By combining salient features from deep learning framework Caffe and big-data framework Apache Spark, CaffeOnSpark enables distributed deep learning on a cluster of GPU and CPU servers. The framework is complementary to non-deep learning libraries MLlib and Spark SQL, and its data-frame style API provides Spark applications with an easy mechanism to invoke deep learning over distributed datasets. Its server-to-server direct communication (Ethernet or InfiniBand) achieves faster learning and eliminates scalability bottleneck.
Recently, we have released CaffeOnSpark at github.com/yahoo/CaffeOnSpark under Apache 2.0 License. In this talk, we will provide a technical overview of CaffeOnSpark, its API and deployment on a private cloud or public cloud (AWS EC2). A demo of IPython notebook will also be given to demonstrate how CaffeOnSpark will work with other Spark packages (ex. MLlib).
Speakers:
Andy Feng is a VP Architecture at Yahoo, leading the architecture and design of big data and machine learning initiatives. He has architected major platforms for personalization, ads serving, NoSQL, and cloud infrastructure.
Jun Shi is a Principal Engineer at Yahoo who specializes in machine learning platforms and large-scale machine learning algorithms. Prior to Yahoo, he was designing wireless communication chips at Broadcom, Qualcomm and Intel.
Mridul Jain is Senior Principal at Yahoo, focusing on machine learning and big data platforms (especially realtime processing). He has worked on trending algorithms for search, unstructured content extraction, realtime processing for central monitoring platform, and is the co-author of Pig on Storm.
2. Nacido en Rotterdam, (Holanda) en 1930, su padre era químico y su
madre matemática. con 12 años, entró en Gymnasium Erasminium,
una escuela para estudiantes especialmente brillantes, donde dio
clases de Griego, Latín, Francés, Alemán, Inglés, biología,
matemáticas y química. Debido a su facilidad para la química, las
matemáticas y la física, entró en la Universidad de Leiden, donde
decidió estudiar física teórica. Después de asistir a un curso de
programación en la Universidad de Cambridge, empezó a trabajar en
el Centro Matemático en Amsterdam, donde se incrementó su
creciente interés en la programación. Cuando terminó la carrera se
dedicó a problemas relacionados con la programación. El resto de su
vida se dedico a la investigación y desarrollo de diversos problemas
de programación hasta su reciente muerte en el año 2002
En 1959, Dijkstra anunció su algoritmo de caminos mínimos o también
llamado ruta mas corta o árbol mínimo
3. Propuesto en 1959 el algoritmo de caminos mínimos o también
llamado ruta mas corta o árbol mínimo o simplemente algoritmo de
Dijkstra es un algoritmo para determinar el camino o ruta mas corta
desde un nodo de origen hacia los demás nodos del grafo, en el cual
cada arista o arco posee un peso. Se siguen una serie de pasos y
consideraciones que veremos a continuación
4. Para realizar la aplicación del algoritmo de Dijkstra, se aplican los siguientes
pasos:
1. Se elige un nodo de inicio al cual se le marcara un peso de la siguiente forma:
[X,Y](N)
Donde ‘X’ equivale a el valor del recorrido actual de los arcos, ‘Y’ equivale a el
nodo predecesor o de origen y ‘N’ al numero de iteración u operación actual
2. A los nodos adyacentes del nodo seleccionado como nodo de inicio, se deben
asignar un peso de igual forma al punto anterior, ( [X,Y](N) )
3. De los nodos con los pesos calculados se toma el nodo con menor valor en X y
este será el siguiente a visitar
5. 4. Los pasos 2 y 3 deben repetirse teniendo en cuenta que si al intentar calcular
los pesos para los nodos adyacentes a un nodo que esta siendo visitado, uno de
estos ya tiene un peso asignado, deben calcularse los demás pesos cuantas veces
sean necesario, y siempre se tomara el peso mínimo calculado
5. Los nodos pueden ser visitados una sola vez
Ejemplo de aplicación: Nodo de inicio A
6.
7. Dijkstra (G,s)
Inicializar
for cada v perteneciente a V[G]
do d[v] = infinito
p[v] = nulo
d[s] = 0
S = vacio
Q = V[G]
mientras Q no vacío
do u = nodo v con min d[v]
S = S unión u 'se añade al conjunto de nodos finalizados
for cada v perteneciente Adyacente u
if d[v] > d[u] + w(u,v) then
d[v] = d[u] + w(u,v)
p(v) = u
8. • Encaminamiento de paquetes por routers
• Enrutamiento de Aviones y trafico aéreo
• Movilidad terrestre
• Sistemas de geolocalisacion