Un algoritmo de clustering tiene como objetivo agrupar los objetos de un dataset según su similaridad, de forma que los objetos que hay dentro de un grupo (cluster) sean más similares que aquellos que caen en grupos distintos. Para resolver este problema se han desarrollado muchos algoritmos que se diferencian entre sí según qué se entiende por cluster (que, en esencia, viene dado por cómo definimos que dos objetos son más o menos similares) y por la eficiencia computacional a la hora de conseguir la agrupación final. En esta entrada haremos un recorrido por los más habituales de estos algoritmos.
Algoritmos de Clustering
Planificación: Fundamentos (y NetLogo)
En esta entrada completamos el uso de procedimientos de búsqueda en Espacios de Estados para resolver problemas de Planificación Automática. Veremos algunas generalidades acerca del tipo de problemas que podemos resolver y de las aproximaciones formales que se han creado. También podremos ver cómo se puede implementar en NetLogo un algoritmo sencillo de conversión de un problema de planificación en uno de búsqueda (para usar, por ejemplo, BFS o A*).
NetLogo: Grafos
A pesar de que ya con anterioridad hemos hablado de los enlaces (links) como el tercer tipo de agentes que se puede manipular en Netlogo, hasta ahora no hemos trabajado con ellos, principalmente por el hecho de que necesitábamos conocer algunas técnicas de programación para poder sacarles todo el partido que nos puedan dar. En esta entrada haremos un breve repaso a cómo se modelan redes/grafos en NetLogo, usando tortugas como nodos y links como enlaces.
Lógica de Primer Orden: una Introducción Informal
A partir de las bondades que ofrece la Lógica Proposicional, y también conociendo sus limitaciones, damos aquí una introducción (principalmente, informal) de la Lógica de Primer Orden, de sus características diferenciadoras más importantes, destacando su mayor capacidad expresiva, pero también las dificultades adicionales que presenta desde el punto de vista computacional.
Introducción a la Lógica
(Para los cursos LI-TI y IA-IC) Debemos tener en cuenta que la Lógica (cualquier Lógica Matemática) tiene dos componentes fundamentales: Semántica y Sintaxis. No se puede comprender la Lógica a menos que se entiendan estas dos ideas y la relación que hay entre ellas. Así que vamos a dar esta introducción con un ejemplo que nos permita entender esta relación de la forma más directa posible. Además, el ejemplo lo veremos representado en las dos lógicas más sencillas y en las que se basa el curso: la Lógica Proposicional, y la Lógica de Primer Orden, y de esa forma también nos prepararemos para ver las ventajas e inconvenientes de usar cada una de ellas.
- « Página anterior
- 1
- 2
- 3
- 4
- …
- 26
- Página siguiente »
ALGUNAS ENTRADAS ANTERIORES ... AL AZAR
Teoría Algorítmica de la Información
La Teoría Algorítmica de la Información (AIT) es el resultado de poner la Teoría de la Información de Shannon y la Teoría de la Computabilidad de Turing en una coctelera y agitar vigorosamente. La idea básica consiste en medir la complejidad de un objeto por el tamaño en bits del menor programa que lo calcula.
(Extraído del Prefacio escrito por G. Chaitin para la segunda edición del libro "Information and Randomness: An Algorithmic Perspective" de C. Calude)
Redes Neuronales: una visión superficial
Una Red Neuronal Artificial (RNA) es un modelo matemático inspirado en el comportamiento biológico de las neuronas y en cómo se organizan formando la estructura del cerebro. El cerebro puede considerarse un sistema altamente complejo, donde se calcula que hay aproximadamente 100 mil millones (\(10^{11}\)) neuronas en la corteza cerebral y que forman un entramado de más de 500 billones de conexiones neuronales (una neurona puede llegar a tener 100 mil conexiones, aunque la media se sitúa entre 5000 y 10000 conexiones).
