En el siguiente tutorial en Español veremos como crear gráficas al estilo de MATLAB, desde lo más básico como editar el estilo de nuestras gráficas hasta crear animaciones, crear graficos 3D e incluso crear interfaces de usuario (UI) para crear verdaderas aplicaciones interactivas.
En el siguiente tutorial en Español veremos como crear gráficas al estilo de MATLAB, desde lo más básico como editar el estilo de nuestras gráficas hasta crear animaciones, crear graficos 3D e incluso crear interfaces de usuario (UI) para crear verdaderas aplicaciones interactivas.
Python para desarrollo web de ultima generaciónFutura Networks
Python se ha convertido en la actualidad en uno de los lenguajes favoritos en entornos Linux dado su dinamismo y la creciente cantidad de frameworks para desarrollo de altísima calidad. En esta charla se mostraran las alternativas para desarrollo web usando Python y como poder aprovechar las alternativas existentes para aplicaciones Web 2.0.
A Python and Java application using OpenCV and Arduino technologies that using a PIR sensor allowing to detect human movement and turning on a camera to detect faces/ and face recognition in real time.
Esta presentación tiene como objetivo conocer los aspectos básicos de PyQt4 y como realizar aplicaciones en Python con interfaces de usuario usando esta biblioteca.
Plática General sobre el lenguaje de programación Python presentada en FLISOL 2011 Celaya. Guanajuato. en el Instituto Tecnológico de Celaya por Jorge Hernández (@lesthack)
Gestión y Análisis de Datos para las Ciencias Económicas con Python y RFrancisco Palm
El desarrollo conjunto de Python y R representan probablemente el factor individual más decisivo en el futuro del análisis de datos y el cómputo numérico.
(PROYECTO) Límites entre el Arte, los Medios de Comunicación y la Informáticavazquezgarciajesusma
En este proyecto de investigación nos adentraremos en el fascinante mundo de la intersección entre el arte y los medios de comunicación en el campo de la informática.
La rápida evolución de la tecnología ha llevado a una fusión cada vez más estrecha entre el arte y los medios digitales, generando nuevas formas de expresión y comunicación.
Continuando con el desarrollo de nuestro proyecto haremos uso del método inductivo porque organizamos nuestra investigación a la particular a lo general. El diseño metodológico del trabajo es no experimental y transversal ya que no existe manipulación deliberada de las variables ni de la situación, si no que se observa los fundamental y como se dan en su contestó natural para después analizarlos.
El diseño es transversal porque los datos se recolectan en un solo momento y su propósito es describir variables y analizar su interrelación, solo se desea saber la incidencia y el valor de uno o más variables, el diseño será descriptivo porque se requiere establecer relación entre dos o más de estás.
Mediante una encuesta recopilamos la información de este proyecto los alumnos tengan conocimiento de la evolución del arte y los medios de comunicación en la información y su importancia para la institución.
Actualmente, y debido al desarrollo tecnológico de campos como la informática y la electrónica, la mayoría de las bases de datos están en formato digital, siendo este un componente electrónico, por tanto se ha desarrollado y se ofrece un amplio rango de soluciones al problema del almacenamiento de datos.
3Redu: Responsabilidad, Resiliencia y Respetocdraco
¡Hola! Somos 3Redu, conformados por Juan Camilo y Cristian. Entendemos las dificultades que enfrentan muchos estudiantes al tratar de comprender conceptos matemáticos. Nuestro objetivo es brindar una solución inclusiva y accesible para todos.
Las lámparas de alta intensidad de descarga o lámparas de descarga de alta in...espinozaernesto427
Las lámparas de alta intensidad de descarga o lámparas de descarga de alta intensidad son un tipo de lámpara eléctrica de descarga de gas que produce luz por medio de un arco eléctrico entre electrodos de tungsteno alojados dentro de un tubo de alúmina o cuarzo moldeado translúcido o transparente.
lámparas más eficientes del mercado, debido a su menor consumo y por la cantidad de luz que emiten. Adquieren una vida útil de hasta 50.000 horas y no generan calor alguna. Si quieres cambiar la iluminación de tu hogar para hacerla mucho más eficiente, ¡esta es tu mejor opción!
Las nuevas lámparas de descarga de alta intensidad producen más luz visible por unidad de energía eléctrica consumida que las lámparas fluorescentes e incandescentes, ya que una mayor proporción de su radiación es luz visible, en contraste con la infrarroja. Sin embargo, la salida de lúmenes de la iluminación HID puede deteriorarse hasta en un 70% durante 10,000 horas de funcionamiento.
Muchos vehículos modernos usan bombillas HID para los principales sistemas de iluminación, aunque algunas aplicaciones ahora están pasando de bombillas HID a tecnología LED y láser.1 Modelos de lámparas van desde las típicas lámparas de 35 a 100 W de los autos, a las de más de 15 kW que se utilizan en los proyectores de cines IMAX.
Esta tecnología HID no es nueva y fue demostrada por primera vez por Francis Hauksbee en 1705. Lámpara de Nernst.
Lámpara incandescente.
Lámpara de descarga. Lámpara fluorescente. Lámpara fluorescente compacta. Lámpara de haluro metálico. Lámpara de vapor de sodio. Lámpara de vapor de mercurio. Lámpara de neón. Lámpara de deuterio. Lámpara xenón.
Lámpara LED.
Lámpara de plasma.
Flash (fotografía) Las lámparas de descarga de alta intensidad (HID) son un tipo de lámparas de descarga de gas muy utilizadas en la industria de la iluminación. Estas lámparas producen luz creando un arco eléctrico entre dos electrodos a través de un gas ionizado. Las lámparas HID son conocidas por su gran eficacia a la hora de convertir la electricidad en luz y por su larga vida útil.
A diferencia de las luces fluorescentes, que necesitan un recubrimiento de fósforo para emitir luz visible, las lámparas HID no necesitan ningún recubrimiento en el interior de sus tubos. El propio arco eléctrico emite luz visible. Sin embargo, algunas lámparas de halogenuros metálicos y muchas lámparas de vapor de mercurio tienen un recubrimiento de fósforo en el interior de la bombilla para mejorar el espectro luminoso y reproducción cromática. Las lámparas HID están disponibles en varias potencias, que van desde los 25 vatios de las lámparas de halogenuros metálicos autobalastradas y los 35 vatios de las lámparas de vapor de sodio de alta intensidad hasta los 1.000 vatios de las lámparas de vapor de mercurio y vapor de sodio de alta intensidad, e incluso hasta los 1.500 vatios de las lámparas de halogenuros metálicos.
Las lámparas HID requieren un equipo de control especial llamado balasto para funcionar
Inteligencia Artificial y Ciberseguridad.pdfEmilio Casbas
Recopilación de los puntos más interesantes de diversas presentaciones, desde los visionarios conceptos de Alan Turing, pasando por la paradoja de Hans Moravec y la descripcion de Singularidad de Max Tegmark, hasta los innovadores avances de ChatGPT, y de cómo la IA está transformando la seguridad digital y protegiendo nuestras vidas.
Índice del libro "Big Data: Tecnologías para arquitecturas Data-Centric" de 0...Telefónica
Índice del libro "Big Data: Tecnologías para arquitecturas Data-Centric" de 0xWord escrito por Ibón Reinoso ( https://mypublicinbox.com/IBhone ) con Prólogo de Chema Alonso ( https://mypublicinbox.com/ChemaAlonso ). Puedes comprarlo aquí: https://0xword.com/es/libros/233-big-data-tecnologias-para-arquitecturas-data-centric.html
En este documento analizamos ciertos conceptos relacionados con la ficha 1 y 2. Y concluimos, dando el porque es importante desarrollar nuestras habilidades de pensamiento.
Sara Sofia Bedoya Montezuma.
9-1.
2. Cálculo científico El científico necesita: -Obtener datos -Manipularlos y procesarlos -Visualizar los resultados (y entenderlos!!!)
3. Cálculo científico, ¿Por qué python? Python ya tiene muchos ladrillos para construir la casa (no hay que reinventar) Es algo fácil de aprender Se necesita código eficiente que ejecute rápido Con un solo lenguaje se puede hacer prácticamente todo FLOSS!!!!! (*) (*) Free/Libre and Open Source Software
6. Numpy Numpy amplía las capacidades de python Calculadora muy eficiente. Básicamente, nos permite disponer de un nuevo contenedor que es un objeto array multidimensional. Además dispone de una serie de rutinas que amplían las capacidades permitiendo hacer operaciones rápidas sobre los arrays, reformatearlos, estadística muy básica,...
8. Numpy Vectorización, permite no usar bucles, índices,..., de forma explícita (eso sucede entre bambalinas) Menos líneas de código Más fácil de leer El código se parece más a notación matemática El código es más ‘pythónico’
9. Numpy Broadcasting, las operaciones son elemento a elemento (hay que ver las reglas de broadcasting de numpy con cuidado para entenderlas mejor) http://www.scipy.org/EricsBroadcastingDoc
11. Numpy Broadcasting, las operaciones son elemento a elemento a = arange(10).reshape(2,5) b = ones((5)) print a, b, a+b # Si b = ones((6)) Daría error a = arange(10).reshape(10,1) b = ones((5)).reshape(1,5) print a, b, a+b # Si a o b solo tienen una dimensión y mismo número de elementos dará error
12. Numpy Soporta más tipos numéricos que python (bool, int, int8-16-32-64, uint8-16-32-64, float, float8-16-32-64, complex, complex64-128). Los tipos numéricos son instancias de la clase dtype. Para convertir de un tipo de número a otro podemos usar el método .astype() o el tipo como una función. Es preferible usar la primera forma.
13. Numpy Como creamos un array con numpy Convirtiéndolo desde otra estructura de python (listas, tuplas,...) Funciones numpy (arange, zeros, empty, linspace, random, ogrid, mgrid,...) Leyendo desde disco (loadtxt, genfromtxt,…)
14. Numpy Como creamos un array con numpy Convirtiéndolo desde otra estructura de python (listas, tuplas,...) a = [‘1.2’, ‘3.6’] b = np.array(a).astype(float) # Si quisiéramos solo la parte entera c = np.array(a).astype(float).astype(int)
15. Numpy Como creamos un array con numpy Funciones numpy (arange, zeros, empty, linspace, random, ogrid, mgrid,...) a = np.arange(10) a = np.zeros((3,4), dtype=int) a = np.linspace(0,10,100) …
16. Numpy Como creamos un array con numpy Leyendo desde disco (loadtxt, genfromtxt,…) a = np.loadtxt(‘./datos/hito.050m0’) a = np.genfromtxt(‘./datos/hito.050m0’) # genfromtxt es más general, tiene muchas más opciones de lectura, pero es más lento
17. Numpy Indexing x = np.arange(10).reshape(2,5) x[1][2] = x[1,2] x[np.array([0,1]), np.array([0,1])] # Si el índice está fuera de los límites tendremos error
18. Numpy Indexing Los arrays están ordenados igual que en C, de forma que el índice último es el que cambia más rápidamente la localización en memoria. En fortran o IDL esto es al contrario. Máscaras o indices booleanos x[x>5]
19. Numpy Valores especiales: NaN, Inf, -Inf Y operaciones con/sin ellos isnan() isinf() isfinite() nan_to_num() nansum() nanmax(), nanmin() nanargmax(), nanargmin()
20. Numpy Y muchas cosas más que en conjunción con Scipy lo convierten en una herramienta muy poderosa
22. Matplotlib Lo podemos configurar con nuestras preferencias En linux se puede configurar el usuario, el sistema En Win se puede configurar el sistema Se puede configurar la sesión >> rcParams Se puede configurar el script
23. Matplotlib El principal submódulo para dibujar es pyplot importmatplotlib.pyplot as plt # Con pyplot podemos hacer prácticamente todo de forma sencilla
24. Matplotlib El principal submódulo para dibujar es pyplot Colores: Se pueden escribir letras que indican colores, nombres de colores, código hexadecimal se puede usar la keywordcolor plt.plot(x,y, color = ‘blue’) plt.plot(x,y, ‘b’) plt.plot(x,y, ‘blue’) plt.plot(x,y, ‘#FF00FF’) plt.plot(x,y, color=‘#FF00FF’)
25. Matplotlib El principal submódulo para dibujar es pyplot Marcadores: Por supuesto, las líneas y marcadores se pueden controlar más finamente con keywords: Plt.plot(x,color=‘b’,linestyle=‘dashdot’,linewidth=4, marker=‘o’, markerfacecolor=‘red’, markeredgecolor=‘black’, markeredgewidth=4, markersize=12)
26. Matplotlib El principal submódulo para dibujar es pyplot Marcadores: Aligual que con los colores, hay muchas formas de definir los marcadores.
27. Matplotlib El principal submódulo para dibujar es pyplot Etiquetas para los ejes: Se controlan mediante xticks e yticks. plt.plot(range(5)) plt.xticks(range(5),(‘x1’, ’x2’, ’x3’, ’x4’, ’x5’))
29. Matplotlib Tipos de gráficos: Histogramas y = np.random.randn(1000) plt.hist(y, 25) Circulares (quesitos) aficion = [3000,3000,100] etiquetas = [‘Madrid’,’Barcelona’,’Getafe’] plt.pie(aficion, labels = etiquetas) Scatter (x vs y) x = arange(1000) y = np.random.randn(1000) plt.scatter(x,y)
30. Matplotlib Subplots (varios gráficos en el mismo ‘tapiz’): Subplot(nºfilas,nºcolumnas,orden) plt.subplot(211) plt.plot(arange(10) plt.subplot(212) plt.scatter(arange(0,10,-1)