Plataforma de Derecho y Ciencias Sociales
Comprender en profundidad cómo funciona el mundo de hoy para navegar por el mundo de mañana.
Redes de Distribución de Contenidos (CDN) Este elemento es una ampliación de los cursos y guías de Lawi. Ofrece hechos, comentarios y análisis sobre este tema. [aioseo_breadcrumbs] Redes de Distribución de Contenidos (CDN) El caching es generalmente pasivo, en el sentido de que solo si un usuario obtiene un objeto, éste será cacheado en un … Leer más
Una arquitectura simple de cliente/servidor puede resultar rápidamente inviable cuando se ponen a disposición en línea más contenidos de medios de comunicación y un mayor número de usuarios están preparados para la red y los multimedia. Se han realizado importantes estudios sobre la distribución eficiente de contenidos por Internet, dirigidos a un gran número de usuarios. La mayoría de ellos se optimizó para la entrega de objetos convencionales de la web o para la descarga de archivos. Sin embargo, el enorme tamaño, el uso intensivo del ancho de banda y la rica interactividad de los medios de transmisión por caudales plantean nuevos retos. Muchas aplicaciones emergentes, como la televisión por Internet y la transmisión de eventos en vivo, exigen además servicios de transmisión multimedia en tiempo real con un público masivo, y el desafío de la ampliación puede ser enorme. En este capítulo se analizan los mecanismos de distribución de contenido que permiten la transmisión de contenido multimedia de alta calidad y escalable, incluidos el almacenamiento en caché por proxy, la multidifusión, las redes de distribución de contenido, la transmisión entre pares y la transmisión por HTTP.
Futuro de la Multimedia Este elemento es una ampliación de los cursos y guías de Lawi. Ofrece hechos, comentarios y análisis sobre este tema. [aioseo_breadcrumbs] Evolución de las tecnologías multimedia desde este milenio y su futuro Véase también la evolución de las tecnologías multimedia hasta el tiempo actual. La multimedia en el nuevo milenio Al … Leer más
La esencia del aprendizaje automático es la búsqueda de la mejor solución a nuestro problema: encontrar un clasificador que clasifique de la forma más correcta posible no solo los ejemplos de formación, sino también los ejemplos futuros. En otro lugar se explicó el principio de una de las técnicas de búsqueda basadas en la IA más populares, la llamada “escalada”, y se mostró cómo puede utilizarse en la inducción del clasificador. Existe otro enfoque de búsqueda: el Algoritmo Genético, inspirado en los principios de la evolución darwiniana. El lector debe familiarizarse con él porque la técnica puede ser muy útil para tratar diversos problemas de aprendizaje de las máquinas. Este texto presenta la versión de base de este tema.
Como dicen, una imagen, un ejemplo, vale más que mil palabras. Esto es lo que queremos que nuestra tecnología emule. Incapaz de definir ciertos objetos o conceptos con la precisión adecuada, queremos transmitirlos a la máquina a través de ejemplos. Sin embargo, para que esto funcione, la computadora debe ser capaz de convertir los ejemplos en conocimiento. De ahí nuestro interés en los algoritmos y técnicas para el aprendizaje de la máquina, el tema de este texto. Aquí se formula la tarea como un problema de búsqueda, introduciendo la búsqueda de escalada no solo como nuestro intento preliminar de abordar la tarea de aprendizaje de la máquina, sino también como una herramienta que será útil en algunos problemas auxiliares que se encontrarán en este ámbito, incluido otras entradas relacionadas. Establecidos así los fundamentos, procederemos a cuestiones tales como los criterios de rendimiento, la metodología experimental y ciertos aspectos que hacen que el proceso de aprendizaje sea difícil e interesante. El aprendizaje profundo permite que los modelos computacionales que se componen de múltiples capas de procesamiento aprendan representaciones de datos con múltiples niveles de abstracción. (Tal vez sea de interés más investigación sobre el concepto). Estos métodos han mejorado dramáticamente el estado del arte en reconocimiento de voz, reconocimiento visual de objetos, detección de objetos y muchos otros dominios como el descubrimiento de drogas y la genómica. El aprendizaje profundo descubre la intrincada estructura de los grandes conjuntos de datos utilizando el algoritmo de retropropagación para indicar cómo una máquina debe cambiar sus parámetros internos que se utilizan para computar la representación en cada capa a partir de la representación en la capa anterior. Las redes convolucionales profundas han producido avances en el procesamiento de imágenes, vídeo, voz y audio, mientras que las redes recurrentes han hecho brillar la luz sobre datos secuenciales como el texto y el habla.