miércoles, 12 de enero de 2011

Processing.org

Topics \ Processing.org: "- Enviado mediante la barra Google"

el próximo Lunes 17 de enero a las 18:00, en el Aula T3 de la Facultad de Bellas Artes se impartirá el Taller de Processing.
Intervendrá como ponente Adrian Cuervo. Adrian es un artista formado en la Facultad de BBAA de Granada, Utiliza el video, sonido y sistemas interactivos como lenguajes con los que construye su discurso. Sus obras han sido premiadas, adquiridas y seleccionadas en importantes certámenes e instituciones. Es miembro de LitiumLab, Laboratorio de Arte Interactivo de la Univ. de Ganada, y miembro fundador de MADEMOTION, iniciativa dedicada a eventos relacionados con la cultura visual, el arte y otras tendencias transdisciplinares.

Processing es un software libre muy utilizado en creaciones digitales, interactivos, gráficos educativos y videojuegos, de una gran versatilidad y relativamente fácil de usar. Está disponible para Linux, Mac OSX y Windows, y podéis descargarlo en su sitio web (http://processing.org/download/)
Es necesario que llevéis vuestro portátil
Read more...

lunes, 10 de enero de 2011

SINC - Servicio de Información y Noticias Científicas

SINC - Servicio de Información y Noticias Científicas: "- Enviado mediante la barra Google"
Read more...

Gráficos en movimiento de Google, ahora con R!

Hans Rosling: Let my dataset change your mindset | Video on TED.com: "- Enviado mediante la barra Google"



Aquí está el script para la construcción del gráfico:

library(animation)
ani.options(interval = 0.2, ani.height = 450, ani.width = 600, outdir = getwd(),
   title = "The Bubbles Animation in Hans Rosling's Talk",
   description = "An imitation of Hans Rosling's moving bubbles.")
ani.start()
par(mar = c(4, 4, 0.2, 0.2))
# with 'years' as the background
Rosling.bubbles(text = 1951:2000)
ani.stop()



En general, podemos crear gráficos en movimiento en R (del tipo desarrollado por Google), con el paquete "googleVis" (http://code.google.com/p/google-motion-charts-with-r/). Por ejemplo:
 * Motion Chart via gvisMotionChart
* Geo Map via gvisGeoMap
* Map via gvisMap
* Table via gvisTable
* Annotated Time Line via gvisAnnotatedTimeLine
* Tree Map via gvisTreeMap
Read more...

JGR - Java GUI for R - RForge.net

JGR - Java GUI for R - RForge.net. Interfaz gráfica para R
Read more...

Construcción de redes neuronales en R. Paquete AMORE.

###### Ejemplo: Construcción de una RNA ########
#Queremos construir una red con: 2 neuronas de entrada (-1 y -2), una primera capa oculta con 4 neuronas (1-4), una segunda capa oculta con 2 neuronas (5 y 6) y finalmente, una capa de salida con 2 neuronas de salida (7 y 8); especificamos estos parámetros como n.neurons=c(2,4,2,2).
net.start <- newff(n.neurons=c(2,4,2,2),learning.rate.global=1e-2,momentum.global=0.5, error.criterium="LMS", Stao=NA,hidden.layer="tansig", output.layer="purelin", method="ADAPTgdwm")
 
#capas
net.start$layers
 
#neuronas
#id
net.start$neurons[[1]]$id
net.start$neurons[[5]]$id
net.start$neurons[[8]]$id
#type
net.start$neurons[[1]]$type
net.start$neurons[[5]]$type
net.start$neurons[[8]]$type
# activation.function
net.start$neurons[[1]]$activation.function
net.start$neurons[[5]]$activation.function
net.start$neurons[[8]]$activation.function
# output.links
net.start$neurons[[1]]$output.links
net.start$neurons[[5]]$output.links
net.start$neurons[[8]]$output.links
# output.aims
net.start$neurons[[1]]$output.aims
net.start$neurons[[3]]$output.aims
net.start$neurons[[8]]$output.aims
# input.links
net.start$neurons[[1]]$input.links
net.start$neurons[[5]]$input.links
net.start$neurons[[8]]$input.links
# weigths
net.start$neurons[[1]]$weights
net.start$neurons[[5]]$weights
net.start$neurons[[8]]$weights
# bias
net.start$neurons[[1]]$bias
net.start$neurons[[5]]$bias
net.start$neurons[[8]]$bias
# v0
net.start$neurons[[1]]$v0
net.start$neurons[[5]]$v0
net.start$neurons[[8]]$v0
# v1
net.start$neurons[[1]]$v1
net.start$neurons[[5]]$v1
net.start$neurons[[8]]$v1
# f0
net.start$neurons[[1]]$f0
net.start$neurons[[5]]$f0
net.start$neurons[[8]]$f0
# f1
net.start$neurons[[1]]$f1
net.start$neurons[[5]]$f1
net.start$neurons[[8]]$f1
# method
net.start$neurons[[1]]$method
net.start$neurons[[5]]$method
net.start$neurons[[8]]$method
# method.dep.variables:
net.start$neurons[[1]]$method.dep.variables
net.start$neurons[[5]]$method.dep.variables
net.start$neurons[[8]]$method.dep.variables
#deltaE
net.start$deltaE

Created by Pretty R at inside-R.org

Read more...

Entrenamiento de redes neuronales en R. Paquete AMORE.

##### Ejemplo: Entrenamiento y simulación de la red #####
#entrenamiento para una red simple:
require(AMORE)
## Creamos dos conjuntos de datos artificiales: ''P'' es el conjunto
de datos de entrada y ''target'' el de salida.
P <- matrix(sample(seq(-1,1,length=500), 500, replace=FALSE), ncol=1)
target <- P^2 + rnorm(500, 0, 0.5)
## Creamos el objeto red neuronal feedforward
net.start <- newff(n.neurons=c(1,3,1), learning.rate.global=1e-2,
momentum.global=0.5,error.criterium="LMS",Stao=NA,hidden.layer="
tansig"
,output.layer="purelin",method="ADAPTgdwm")
## Entrenamos la red según P y target
result <- train(net.start, P, target, error.criterium="LMS",
report=TRUE, show.step=100, n.shows=5 )
str(result)
#objeto red neuronal entrenada con pesos y tendencias ajustadas
mediante el entrenamiento adaptativo backpropagation con el
método de momentum (detallado en el apartado anterior)
#matriz con los errores obtenidos durante el entrenamiento
result$Merror
[,1]
[1,] 0.2753484
[2,] 0.2749079
[3,] 0.2746274
[4,] 0.2744657
[5,] 0.2743568
## Gráficos para remarcar que ahora la red entrenada en un elemento de
la lista resultante
y <- sim(result$net, P)
#vector de 500 elementos
str(y)
num [1:500, 1] 0.0374 0.8303 0.7052 0.0704 0.2761 ...
plot(P,y, col="blue", pch="+")
points(P,target, col="red", pch="x")

Created by Pretty R at inside-R.org

Read more...

Redes Neuronales. Aplicaciones estadísticas.

Read more...

Redes Neuronales en R. Función de activación.

######## Minería de datos ########
##### Tema 1: Redes neuronales ###
# La función de activación se utiliza para limitar el rango de valores de la respuesta de la neurona.
# Existen diversas funciones de activación y la decisión entre una u otra dependerá de la aplicación o problema a resolver
# Sea una neurona cuyas entradas sean el vector de estímulos X, el vector de pesos sonápticos W y el sesgo b, calculamos la respuesta de la neurana según la función umbral seleccionada.
X<-c(0,1,-1,0)
W<-c(.8,1,1,.5)
b<--1
 
respuesta<-function(entrada=X,pesos=W,sesgo=b,metodo="umbral",alfa=1)
{
salida<-X%*%W+b
if (metodo=="umbral") {if(salida<0){fi<-0} else {fi<-1}}
else if (metodo=="signo")
{if(salida<0) {fi<--1}
else if(salida==0) {fi<-0}
else if(salida>0) {fi<-1}}
else if (metodo=="logistica") {fi<-as.numeric(1/(1+exp(alfa*salida)))}
else if (metodo=="tang_hiperb") {fi<-as.numeric((1-exp(alfa*salida))/(1+exp(alfa*salida)))}
else if (metodo=="lineal") {fi<-as.numeric(salida)}
else if (metodo=="lineal_acot")
{if(salida<=0) {fi<-0}
else if(salida>0 && salida<1) {fi<-as.numeric(salida)}
else if(salida>=1) {fi<-1} }
else if (metodo=="lineal_acot_sim")
{if(salida<=-1) {fi<--1}
else if(salida>-1 && salida<1) {fi<-as.numeric(salida)}
else if(salida>=1) {fi<-1} }
fi
}
 
### En particular... #####
func_umbral<-function(entrada=X,pesos=W,sesgo=b)
{
salida<-X%*%W+b
if(salida<0){fi<-0} else {fi<-1}
fi
}
 
func_signo<-function(entrada=X,pesos=W,sesgo=b)
{
salida<-X%*%W+sesgo
if(salida<0)
fi<--1
else if(salida==0)
fi<-0
else if(salida>0)
fi<-1
fi
}
 
func_logistica<-function(entrada=X,pesos=W,sesgo=b,alfa=1)
{
salida<-X%*%W+sesgo
fi<-1/(1+exp(alfa*salida))
fi
}
 
func_tang_hiperb<-function(entrada=X,pesos=W,sesgo=b,alfa=2)
{
salida<-X%*%W+sesgo
fi<-(1-exp(alfa*salida))/(1+exp(alfa*salida))
fi
}
 
func_lineal<-function(entrada=X,pesos=W,sesgo=b)
{
salida<-X%*%W+sesgo
fi<-as.numeric(salida)
fi
}
 
func_lineal_acot<-function(entrada=X,pesos=W,sesgo=b)
{
salida<-X%*%W+sesgo
if(salida<=0)
fi<-0
else if(salida>0 && salida<1)
fi<-as.numeric(salida)
else if(salida>=1)
fi<-1
fi
}
 
func_lineal_acotSim<-function(entrada=X,pesos=W,sesgo=b)
{
salida<-X%*%W+sesgo
if(salida<=-1)
fi<--1
else if(salida>-1 && salida<1)
fi<-as.numeric(salida)
else if(salida>=1)
fi<-1
fi
}

Created by Pretty R at inside-R.org

Read more...

Redes Neuronales en R. Paquete AMORE.

Read more...

Construcción de una red neuronal.

Read more...

Descripción y valoración de programas sobre redes neuronales

Read more...

Minería de datos y redes neuronales.

Read more...

Libros para descargar (gratis) sobre Estadística Computacional