Mostrar los tags: intel

Esta libreria compilada le permite a los programadores crear juegos, es el nucleo.
Ya que puede crear las unidades que quiera y desplazarlas por cualquier form o jpanle o canvas.
Es un graficador. O dibujador.
Designado especialmente para aprendices en Java y programacion y para quienes no disponen de tiempo para crear el motor de su juego.

Mi primer neur
ona Perseptron, si bien desde el 2012 ya sabia hacer neuronas artificiales, yo estaba consciente que le faltaba algunas cosas.
No estaba 100% seguro de los conceptos.
En aquellos días era difícil ver tutoriales por video; hoy día es diferente, rápidamente se puede aprender viendo un video.
Nada como la comunicación verbal en combinación con el lenguaje corporal de un ser humano.
.
Dicha neurona es capaz de aprender, tiene todos los objetos que tiene una neurona, más un extra, la función de nacionalización de los pesos, con lo cual no es necesario usar un valor aleatorio.

MODELO DE PERCEPTRON SIMPLE
Los perceptrones son tipos de redes neuronales, las neuronal network más simples que existen. El modelo de perceptrón simple permite realizar una clasificación binaria de dos clases linealmente separables. Cada clase puede contener diferentes variables (X1 … Xn), cada una de estas variables supone una entrada a la red neuronal. Cada entrada se asocia a un determinado peso (W1 … Wn), el sumatorio del producto de cada entrada por su correspondiente peso nos da un valor, Z (z= Σ Xn*Wn ). Las diferentes entradas convergen en una misma neurona, esta representa la neurona de salida y tendrá un determinado umbral de activación, Y. Si el valor Z es mayor que el umbral de activación (Y) la neurona se activará y clasificará una clase como positiva, si por el contrario el valor Z no supera el umbral de activación Y, la neurona no se activará y clasificará la clase como negativa. El modelo de perceptrón simple requiere de un entrenamiento supervisado, es decir, para cada conjunto de valores le indicamos a que clase pertenecen dichos valores. De esta forma, cada vez que se equivoque al clasificar un conjunto de valores, se podrán ajustar los diferentes pesos W. A medida que esta red se va entrenando siempre convergerá en una solución, siempre y cuando, las dos clases sean LINEALMENTE SEPARABLES.
A continuación, vamos con un programa sumamente sencillo. En este programa, las dos clases contienen 4 variables las cuales, corresponden a números aleatorios en coma flotante comprendidos entre 0 y 1. Aparecen ajustados los intervalos (en la función al() ) para que ambas clases sean linealmente separables ya que si no, el programa nunca encontrará una solución. Los pesos del perceptrón han sido iniciados aleatoriamente en el intervalo de 0 a 0.5. Como mencioné anteriormente, se trata de un tipo de aprendizaje supervisado, por ello, para cada conjunto de datos se indica la clase a la que pertenece. Una vez que tenemos los datos a clasificar y los pesos del perceptrón inicializados aleatoriamente, el siguiente paso consiste en ajustan los pesos. Estos pesos se ajustarán solo cuando el clasificador falle siguiendo la función de entrenamiento (o algoritmo de aprendizaje)  Wt+1 = Wt + (0 - Z)*Xn . Si el clasificador acierta la clase los pesos no se corrigen. Tras el entrenamiento el clasificador (en este caso en dos o tres ciclos) alcanza un rendimiento del 100%, de forma que todos los conjuntos de datos pertenecientes a la Clase 1 tienen un valor de Z > Y (superan el umbral de activación) y todos los datos pertenecientes a la Clase 2 tienen un valor de Z < Y (inferiores al umbral de activación).
Se trata de un algoritmo muy muy sencillo que representa el potencial de la Inteligencia Artificial en el análisis de datos. El umbral de activación o más formalmente la función de activación corresponde a la función más sencilla posible, la función escalón de McCulloch y Pitts. Estoy disponible para cualquier duda o sugerencia. Se que esto es un ejemplo sencillo, estaba practicando, diseñé e hice el programa en menos de una hora y decidí compartirlo por si a alguien le interesaba un poco el tema haciendo una mini-explicación.

Permite predecir el siguiente valor de un siguiente tiempo o condicion.
Viene con un ejemplo en el cual se quiere saber las ganancias para el mes numero 7.
Ademas trae una anotation (anotacion) para que aprendas a crear tus propias etiquetas de ayuda al estilo @Override...

Trae un main.

Neurona artificial con tres salidas diferentes.
Le he hecho una actualización a la neurona artificial normal; la actualización incluye la habilidad de ser trinaria y no binaria. O sea tiene el poder de lanzar: 1, 0, -1.
Ademas no pierde la habilidad de aprender.
Recuerden nosotros como humanos no somos binarios, somos trinarios o más todavía, nosotros usamos, si, no, talvez. Ya es hora que la computación tenga ese talvez, eso que nos hace humanos.

Una simple neurona artificial para desarrollar habilidades en este paradigma relacionado con la programación en paralelo.

Si sabes programar nodos, si sabes de redes entonces puedes crear o simular una red neuronal con esta neurona.

'Autor: Rafael Angel Montero Fernández.
'Fecha: Martes 28 de febrero del 2017.
'Un experimento con lo que conosco de algoritmos de hormigas artificiales.
'Es muy basico lo que conosco y puedo aplicar del tema.
'En cuanto aprenda más acerca de estos algoritmos realizará otro proyecto experimental más avanzado.
'Esto es solo un ejercicio para ir visualizando que aspectos del algoritmo me faltan, que debo mejorar, como hacerlo mejor.

Con mayor conocimiento se puede usar para que las hormigas lleguen a un objetivo fijado por el usuario.

El asistente Ralfy vercion 1.0.136 puede introducir el codigo en el objeto seleccionado.
Si usted selecciono un class y llama al asistente, abrir una ventana para crear por ejemplo una propiedad.
Luego desde el panel principal del asistente introdujo el codigo pero antes cambia el foco hacia un form creyendo que al hacerlo, el asistente entonces, reaccionaria igual poniendo el codigo en el form al darle insertar.
No sucederá así.
Aunque haya seleccionado otra ventana u otro objeto, el asistente introducirá por ejemplo la propiedad creada en el class seleccionado en el momento en que se le llama.

Usted si gusta puede modificar o mejorar este defecto de mi asistente.
Yo lo veo como algo bueno pero también me gustaría que fuera flexible en esto.

En la anterior publicación había puesto vercion 200 porque no recordaba en cual vercion iba compilando este proyecto.

Hay mucho potencial en este proyecto, hay muchas cosas que se pueden mejorar, perfeccionar y hay mucho más que se le puede dar de habilidades a este asistente.


Atentamente Rafael Angel Montero Fernández.