PseInt - Estructuras Repetitivas

Estructuras Repetitivas

Las estructuras repetitivas son aquellas que permiten ejecutar repetidamente un conjunto de instrucciones, bien un número predeterminado de veces, o bien hasta que se verifique una determinada condición.

En términos de un lenguaje de programación, que se verifique o no una condición se traduce en que una (adecuada) expresión lógica tome el valor VERDADERO (TRUE) o tome el valor FALSO (FALSE). En los casos más sencillos y habituales la condición suele ser una comparación entre dos datos, como por ejemplo:

si a < b hacer una cosa y en caso contrario hacer otra distinta.

Existen tres tipos de estructuras repetitivas en PseInt:

Estructura Mientras:

La instrucción Mientras ejecuta una secuencia de instrucciones mientras una condición sea verdadera.

Mientras <condición> Hacer

<instrucciones>

FinMientras

Al ejecutarse esta instrucción, la condición es evaluada. Si la condición resulta verdadera, se ejecuta una vez la secuencia de instrucciones que forman el cuerpo del ciclo. Al finalizar la ejecución del cuerpo del ciclo se vuelve a evaluar la 4 condición y, si es verdadera, la ejecución se repite. Estos pasos se repiten mientras la condición sea verdadera.

Note que las instrucciones del cuerpo del ciclo pueden no ejecutarse nunca, si al evaluar por primera vez la condición resulta ser falsa.

Si la condición siempre es verdadera, al ejecutar esta instrucción se produce un ciclo infinito. A fin de evitarlo, las instrucciones del cuerpo del ciclo deben contener alguna instrucción que modifique la o las variables involucradas en la condición, de modo que ésta sea falsificada en algún momento y así finalice la ejecución del ciclo.

Ejemplo 1:

Enunciado:

Diseñar un algoritmo que permita ingresar n cantidad de notas validas, sabiendo que el rango de nota valida es de 1 a 5 pts.

Algoritmo

Estructura Repetir - Hasta:

La instrucción Repetir-Hasta Que ejecuta una secuencia de instrucciones hasta que la condición sea verdadera.

Repetir

<instrucciones>

Hasta Que <condición>

Al ejecutarse esta instrucción, la secuencia de instrucciones que forma el cuerpo del ciclo se ejecuta una vez y luego se evalúa la condición. Si la condición es falsa, el cuerpo del ciclo se ejecuta nuevamente y se vuelve a evaluar la condición.

Esto se repite hasta que la condición sea verdadera.

Note que, dado que la condición se evalúa al final, las instrucciones del cuerpo del ciclo serán ejecutadas al menos una vez. Además, a fin de evitar ciclos infinitos, el cuerpo del ciclo debe contener alguna instrucción que modifique la o las variables involucradas en la condición de modo que en algún momento la condición sea verdadera y se finalice la ejecución del ciclo.

Ejemplo 2:

Enunciado:

Diseñar un algoritmo que permita ingresar n cantidad de notas validas, sabiendo que el rango de nota valida es de 1 a 5 pts.

Algoritmo

Teniendo en cuenta que el ejemplo es el mismo utilizado en la estructura MIENTRAS-HACER pero adaptándolo a esta nueva estructura, apreciamos la primera y al ingresar la cantidad de notas igual a cero sencillamente no se ejecuta el ciclo ya que el evalúa la condición en el inicio, pero ingresamos cero también en el segundo y el ciclo se ejecuta una vez para luego detenerse, esto sucede porque en esta otra se evalúa al final, por lo tanto REPITA-HASTA se debe utilizar solo en problemas que necesiten por lo menos una vez su ejecución.

Estructura Para:

La instrucción Para ejecuta una secuencia de instrucciones un número determinado de veces.

Para <variable> <- <inicial> Hasta <final> Con Paso <paso> Hacer

<instrucciones>

FinPara

Al ingresar al bloque, la variable <variable> recibe el valor <inicial> y se ejecuta la secuencia de instrucciones que forma el cuerpo del ciclo. Luego se incrementa la variable <variable> en <paso> unidades y se evalúa si el valor almacenado en <variable> superó al valor <final>. Si esto es falso se repite hasta que <variable> supere a <final>. Si se omite la cláusula Con Paso <paso>, la variable <variable> se incrementará en 1.

Ejemplo 3:

Enunciado:

Diseñar un algoritmo que permita repetir n cantidad de veces un mensaje cualquiera:

Algoritmo

En esta estructura la instrucción Para es un poco más compleja que las otras dos, pero simplifica la ejecución de los ciclos.

En la instrucción comenzamos con una variable de repetición que 8 se inicializa en la misma instrucción y no afuera como en las anteriores, luego se delimita, en el caso del ejemplo de n y por último se indica el valor del incremento de la variable, en el ejemplo se incrementa de 1 en 1, pero ese valor puede variar y además si el incremento es igual a 1 este se puede omitir, por ejemplo: (Para i=1 Hasta n Hacer)

Vamos a comparar las distintas estructuras:

Por acá unos vídeos donde el profesor Juan Laya hace una excelente explicación

Read More

Natrón, un editor de gráficos parecido a After Effects pero de código abierto

Si necesitas una buena herramienta para aprender hacer efecto visuales, intros, realizar tareas de composición postproducción, crear gráficos, enlazar fluidamente ideas visuales y otras. La herramienta ideal y que cualquier profesional escogería es After Effects, ya que todo se hace de una manera muy eficaz, el problema es que esta herramienta no es gratuita y en ocasiones para poder utilizarla debemos crackearla, algo que profesionalmente no se ve muy bien.

Para las personas que sean apasionadas al software libre en esta oportunidad hablaremos de Natrón, una potente herramienta de código abierto que al igual que after effects nos permite hacer composición para tareas de postproducción, su principal objetivo es poder producir efectos visuales. Además nos ofrece una interfaz muy intuitiva y sencilla de utilizar. Actualmente está en fase beta, pero sería bueno que la investigues por que sin duda alguna es una herramienta que va dar mucho de qué hablar.

La herramienta está disponible para Windows y para casi todas las distros de Linux, además es una herramienta que necesita bajos recursos en hardware. Está disponible en 64 bits o 32 bits de procesador, con al menos 3 GB de RAM y una tarjeta gráfica compatible con OpenGL 2.0 o OpenGL 1.5 podrás tener una excelente herramienta para crear los mejores efecto visuales y más. Si deseas conocer un poco más acerca de esta herramienta puede acceder a su sitio oficial: Natrón

En el siguiente vídeo podrás ver una pequeña explicación de los que puedes hacer con Natrón.

Read More

Aprende a programar en Elixir con este curso gratuito de Code School

Elixir es un lenguaje de programación conocido por su funcionalidad, el predecesor de Elixir es Erlang, este fue desarrollado en los años 80, cuenta con una propia máquina virtual, fue diseñado para crear sistemas escalables y es conocido por su alta disponibilidad en las telecomunicaciones.

Elixir funciona sobre la máquina virtual de Erlang, aparte de que es conocido por ser un lenguaje funcional y dinámico es un lenguaje relativamente nuevo ya que la versión 1.0 salió en el año 2014, tienen una sintaxis parecida a la de ruby.

Al momento de utilizar Elixir puedes invocar código de Erlang o viceversa, de esta manera podrás desarrollar con la funcionalidad que ofrece Elixir y el buen rendimiento de Erlang.

Aprende a programar en Elixir

Como ya vimos Elixir es un lenguaje de programación bastante nuevo y posiblemente desconocido para algunos programadores, Code School está ofreciendo un curso completamente gratuito sobre Elixir.

Este curso se llama Try Elixir, con el curso podrás aprender los fundamentos básicos de este lenguaje, cuenta con 3 sencillos módulos y cada módulo cuenta con videos y retos que te van guiando en el aprendizaje.

El primer módulo cuenta con un video y 4 retos, en el aprenderás a trabajar con módulos y funciones de Elixir, el segundo nivel tiene 2 videos y un reto, en este módulo trabajaras con funciones anidadas y el tercer y último modulo cuenta con 1 video y 4 retos, en este conocerás cómo funcionan las coincidencias de patrones.

Los videos de cada módulo y algunos elementos de los mismos puedes descargarlos a tus dispositivos, para entrar al curso solo necesitas tener una cuenta o podrás acusar desde cualquier red social.

Read More

¡INTELIGENCIA DE ENJAMBRE ES UNA GRAN SORPRESA!

Inteligencia de enjambre es el nuevo servicio de opciones binarias, abierto para la Unión LIBRE. BinaryOptionScamScanner fue en el frente para probarlo. Lea esta revisión completa para saber si y cómo se puede ganar mucho dinero.

Cada vez cuando una plataforma de trading es publicitada como esto, es importante mantener la atención. El primer paso es siempre buscar en medios de comunicación sociales y otras fuentes acerca de los usuarios. Inteligencia de enjambre es solamente un a corto plazo en línea, pero encuentras opiniones ya mucho en general positivas y experiencias de los inversores y fuentes confiables. Esto hace inevitable para probarlo.

Resultado de la inteligencia del enjambre:

Tenga en cuenta que esto es solo un resultado preliminar. Pero lo que vemos es genial. La forma en que funciona la inteligencia de enjambre es increíble. Definitivamente lo más importante para el usuario es el dinero que lo hace. Los ingresos percibidos por la inteligencia de enjambre son superior. Para un veredicto más exacto, una fase más larga de la prueba es necesario; después de probar durante un tiempo, una revisión más real, por lo tanto a la newsletter en el derecho a recibir la siguiente información como primero. Pero parece seguro que inteligencia del enjambre puede mantener la actual tasa ITM. Tome ahora un vistazo mientras lees el resto de este testimonio.

Muy mal, inteligencia del enjambre ya está cerrado, puesto que era stormed por los probadores de miles; pronto está de vuelta, pero cuesta mucho dinero! En su lugar recomendamos utilizar SnapCash binario, que es todavía libre, abierto y dispuesto a ganar dinero.

Una breve descripción de la inteligencia de enjambre:

El conocimiento y uso de la inteligencia de enjambre no es nueva. Por ejemplo, forma un gran principiante para el estudio de inteligencia artificial de los robots para hacerles simular tal comportamiento social. Mayo que el mejor tipo de inteligencia de enjambre es la medusa. Una gelatina no es una compacta forma de vida, sino una conexión de piezas pequeñas, llamada "pólipo". No tienen un cerebro, cada pólipo estimulado notificar otros pólipos como en una red peer-to-peer para que lo hagan de una acción.

Si una abeja reina había encontrado junto con otras abejas un nuevo nido, el clúster decidir juntos, donde construir el nuevo nido get. Pero puede ir un paso más allá. El cuerpo de la mayoría de los animales, los seres humanos es también acumulación de muchas células. Cada célula es compleja, pero cumplir ya sólo una pequeña parte del trabajo total. Por ejemplo, una neurona (célula de los nervios) almacena sólo sal. Cuando la sal llega a un umbral, la neurona empujar las sales a otras neuronas conectadas. Este es el tipo conocido cómo más formas de vida hacen pensar. Si bien cada vida conocida más alta es una conexión de células que todas manejan solamente un paso muy pequeño, puede vida puede aparecer al azar. Mientras que las bacterias son sólo formas de vida de una célula, puede una conexión aleatoria de las bacterias puede construir juntos una mente de trabajo. Por otro lado puede construir formas de vida ya complejas juntos una forma de vida (teórico) aún más de gran alcance. Esto es sólo una descripción de la inteligencia de enjambre para mostrar todo el potencial en el mundo real. Si quieres hablar de este tipo de teoría de la evolución, por favor utilice el Formulario de contacto. Una parte importante de la inteligencia de enjambre es que no todos los objetos de pensamiento necesitan todo el conocimiento. Como las abejas enviar exploradores a la zona para fundar una nueva colmena.

Creador de la inteligencia de enjambre Dr. Steven Francis:

Este robot de autotrading de opción binaria fue creado por el Dr. Steven Francis. Él tiene un doctorado en comportamiento animal y estudiado para los últimos animales de 15 años y su entorno en un ambiente particular. Dr. Lois Rosenberg, CEO de unánime y Dr. Steven Francis creen que humanos tienden a actuar primitivamente mientras que utilizan subconsciente una predicción. Dr. Steven Francis era una parte del grupo de Superfecta ganador del Derby de Kentucky. En la Superfecta, el trabajo es no sólo decir que caballos ganan, pero también decir en que orden los cuatro primeros ganadores cruzar la meta.

En primer lugar, el grupo dice que 4 caballos va a ganar, que el orden de los 4 caballos en ganar (primer lugar), lugar (segundo lugar), Mostrar (tercer lugar) y cuarto lugar. Este experimento fue un gran éxito, los caballos en el orden exacto, el grupo decidió. La oportunidad de ganar la Superfecta es de 540 a 1. Eso quiere decir que si usted apuesta $100 a la Superfecta, usted ganará $54,000.

Dr. Steven Francis primer experimento con la inteligencia de enjambre fue hace un año. Él fue el moderador para la predicción de premios de la Academia. Después de pedirle a un grupo de 50 personas para los supuestos ganadores, el grupo elegir 11 de 15 correcto. Mientras que un ser humano individual tiene en promedio sólo 40 por ciento ganando velocidad, el grupo cuenta con cerca de 70% accuration.

La inteligencia de enjambre trabaja:

Él era un comerciante ávido de día durante varios años. Día los comerciantes son los inversores que los comercios, que expira en menos de un día. Dr. Steven Francis tenía el problema, cada uno de nosotros tiene y otros desarrolladores de software automáticamente legítimo tratar de soluto: cada estrategia comercial necesita un sistema dependiendo para arriba. Una forma de comercio trabajan a veces grandes, pero otras veces una táctica no sirve para nada. Recordamos a la aplicación de fiar CodeFibo que hace ya miles de dólares de sus inversores utilizando la proporción áurea. Esto ya era una aplicación brillante automáticamente, pero la inteligencia de enjambre es realmente mente que sopla.

Aquí es donde la inteligencia de enjambre un papel. En lugar de centrarse en algunas estrategias que funcionan en algún momento y a veces no, el Dr. Steven Francis ha construir una red de computadora grande. El racimo de la computadora (nube) implementar algoritmos de estrategia mucho, y los equipos a decidan cuál de las estrategias de poner corriente los mejores resultados.

Conclusión de la inteligencia del enjambre:

Inteligencia del enjambre desde miles de años en uso y no hay razón contra portarlo en un programa para la industria de opciones binarias. El diseño es simple y ya genera ganancias para sus miembros. Como todos aquí softwares descritos es cien por ciento libre y transparente, se encontró no sólo un indicador típico de la estafa que nos exponen día por día.

Read More

PseInt - Vídeo Tutorial "Estructuras Selectivas Múltiples" (SEGÚN)

Enunciado

Desarrolle un algoritmo que realice la selección de venta de
boletos de viaje por tren, avión o barco a través de un menú, calculando el
monto de la venta, solicitando al usuario la cantidad de boletos pedidos.

Seudocódigo

Algoritmo compra_boletos

Definir boletos_tren, boletos_avion, boletos_barco Como Real;
Definir cantidad Como Entero;
Definir total Como Real;
Definir menu Como Entero;

boletos_tren=500.00;
boletos_avion=1000.00;
boletos_barco=800.00;

Escribir 'Elija una opción:';
Escribir '1... Boletos de Tren Bs:', boletos_tren;
Escribir '2... Boletos de Avión Bs:', boletos_avion;
Escribir '3... Boletos de Barco Bs:', boletos_barco;
Leer Menu;

Segun menu Hacer

1:
Escribir 'Usted ha elegido Boletos de Tren’;
Escribir '¿Cuantos boletos necesita?';
Leer cantidad;
total=cantidad*boletos_tren;
Escribir 'Total a pagar Bs: ', total;

2:
Escribir 'Usted ha elegido Boletos de Avión';
Escribir '¿Cuantos boletos necesita?';
Leer cantidad;
total=cantidad*boletos_avion;
Escribir 'Total a pagar Bs: ', total;

3:
Escribir 'Usted ha elegido Boletos de Barco’;
Escribir '¿Cuantos boletos necesita?';
Leer cantidad;
total=cantidad*boletos_barco;
Escribir 'Total a pagar Bs: ', total;

De otro modo:

Escribir 'Esa opción no es válida';

FinSegun

FinAlgoritmo

Read More

YouTube lanzará un servicio de TV en línea

La plataforma de vídeo en línea YouTube anunció el martes que lanzará un servicio de televisión en línea con paquetes de canales en vivo, en un desafío directo a la televisión por cable y de pago.

YouTube TV fue pensada para las generaciones jóvenes que buscan noticias, películas y más programas sin suscribirse al servicio por cable o por satélite, de acuerdo con Susan Wojcicki, directora ejecutiva de la plataforma propiedad de Google.

El nuevo servicio permitirá a los suscriptores en los mercados de Estados Unidos tener acceso en cualquier dispositivo conectado a redes como ABC, CBS, Fox y NBC, junto con “redes deportivas y decenas de redes de cable populares”, según YouTube.

El lanzamiento de YouTube TV está previsto para los próximos meses y costará 35 dólares mensuales, con seis cuentas de usuario permitidas por suscriptor, posicionándose para competir con los paquetes básicos de Sling TV (Dish Network) y DirecTV Now (AT&T).

“YouTube TV está diseñado específicamente para las necesidades de una nueva generación de aficionados de TV que quieren ver lo que quieren, cuando quieren, como quieren, sin compromiso”, dijo Wojcicki durante una rueda de prensa transmitida desde las oficinas de YouTube en California.

Read More

El Big Data se convierte en arte

La revolución digital que estamos viviendo alcanza todas las facetas de la vida y la artística no se podía quedar fuera. Artistas innovadores, curiosos y con ganas de experimentar se están planteando cómo trasladar y plasmar esos avances tecnológicos a sus obras. He aquí algunos ejemplos:

Esta instalación artística está hecha de 100.000 fotos compartidas en Twitter en Los Ángeles en el verano de 2013.

Forma parte de la colección Instagram Cities, realizada por Damon Crockett, en la que las fotos publicadas en Instagram son divididas en piezas de 16×16 pixels y organizadas según el brillo y el color. La colección ofrece una visión de la vida cultural en las ciudades, como en qué metrópolis se produce una frecuencia más elevada de fotografía nocturna.

El Dandelion Mirror (Espejo de Diente de León), obra de Scottie Chih-Chieh Huang, es una curiosa instalación artística basada en un espejo que emplea un dispositivo de medición fisiológica con una tecnología de sensores que no necesita contacto. Cuando el visitante sonríe, florece un diente de león virtual. Cuando la sonrisa desaparece, el diente de león reduce su tamaño y cuando el visitante no sonríe, se convierte en capullo.

Scottie Chih-Chieh Huang, Dandelion Mirror, 2015, Foto: Norbert Steinhauser.

Ambas obras son un ejemplo de cómo los artistas actuales están explorando el uso de algo tan común hoy en día como es el Big Data. Y es que esta tecnología está más estrechamente relacionada con el arte de lo que se pudiera pensar en un principio, porque en cada imagen que se contempla o en cada vídeo que se ve, el Big Data juega un papel importante.

Instagram Cities y Dandelion Mirror son dos de las obras de una interesante e innovadora exposición denominada “Big Data Goes Art”, y organizada por la compañía tecnológica SAP, en su sede de Walldorf (Alemania). La exposición muestra artistas contemporáneos interesados en la representación visual de Big Data y que abrazan tecnologías digitales en la composición estructural de sus exploraciones creativas. La comisaria es Alexandra Cozgarea.

En total la muestra incluye ocho aproximaciones a Big Data realizadas por artistas internacionales en diferentes medios como fotografía, vídeo e instalaciones artísticas. Entre los artistas participantes se encuentran Evan Roth, Viktoria Binschtok, Adrian Sauer, Johanna Reich, Philipp Schaerer, Software Studies Initiative, Scottie Chih-Chieh Huang, Laurent Mignonneau y Christa Sommerer. La exposición se ha organizado en colaboración con PRISKA PASQUER y ZKM.

De acuerdo con Evan Roth, autor de Slide to Unlock, “los medios digitales deberían ser gratuitos y poder copiarse. Ese es su estado natural. Es como el agua que fluye. Todos somos partes de una revolución digital. Está sucediendo muy rápido, pero ya hay un grupo de coleccionistas avezados que están empezando a entender el mundo de un modo íntimo”.

Read More

Las mujeres, primeras programadoras informáticas

(Aunque a nivel de anécdota muchas veces, suele ser reconocido que el primer programa informático fue escrito por Ada Lovelace.)

Sin embargo parece que la cosa quedó ahí y existe la creencia errónea de que la informática es mayoritariamente una profesión masculina.

Poca gente conoce que hace alrededor de 70 años, en la década de 1940, el primer ordenador digital de propósito general, el ENIAC contruido en la Universidad de Pensilvania, EE.UU., era programado por un equipo de seis mujeres: Betty Snyder Holberton, Jean Jennings Bartik, Kathleen McNulty Mauchly Antonelli, Marlyn Wescoff Meltzer, Ruth Lichterman Teitelbaum y Fances Bilas Spence.

En aquella época los programas no se codificaban en un lenguaje de alto nivel y se tecleaban cómodamente en un teclado frente a una pantalla. Se programaba en lenguaje máquina y los programas se introducían en el ordenador conectando distintas clavijas con cables (proceso conocido recableado), parecido a las primeras centralitas telefónicas con operadora, como se puede ver en la fotografía.

También el ordenador Mark I, el primer ordenador elctromecánico, construido por IBM e instalado en la Universidad de Harvard en aquella misma década, fue programado bajo las directrices de una mujer, Grace Hopper, junto a Richard Bloch. El Mark I se programaba también en lenguaje máquina pero tecleando las instrucciones en una máquina que producía una cinta perforada que luego era leída por el ordenador para cargar el programa.

Estas mujeres fueron desarrollando la programación a medida que realizaban su trabajo pionero.

El manual del ordenador ENIAC también fue escrito por una mujer.

La mayoría de las primeras programadoras eran mujeres jóvenes que trabajaban como calculadoras humanas, haciendo a mano los cálculos necesarios para elaborar, por ejemplo, tablas balísticas para ayudar a los artilleros a apuntar y dar en el blanco. Con la plena entrada de Estados Unidos en la Segunda Guerra Mundial, el ejército de EE.UU. emprendió una intensa búsqueda de mujeres con dotes matemáticas y lógicas. Mientras los hombres eran enviados al frente, estas mujeres pasaban a trabajar en los centros de cálculo del ejército. Grace Hopper era algo mayor, tenía ya 35 años cuando se incorporó a la programación, era matemática doctorada en la universidad de Yale y ya pertenecía a la marina con la graduación de Teniente.

Una vez terminada la guerra estas mujeres fueron relegadas al olvido en los libros de historia de la informática. Mientras el nombre de los ingenieros que construyeron los ordenadores se ha hecho famoso y su trabajo ha sido reconocido, el trabajo de estas primeras programadoras cayó en el olvido y no recibió crédito ni reconocimiento. Al finalizar la guerra el gobierno de EE.UU. simplemente esperaba que estas mujeres abandonaran sus puestos y se fueran a casa y si no lo hacían las licenciaban directamente.

El trabajo de estas mujeres sentó la base sobre la que se ha ido desarrollando la programación informática y también influyó en el desarrollo de los ordenadores posteriores y los lenguajes de programación modernos.

Algunas de estas pioneras de la programación continuaron trabajando en este campo como Betty Snyder Holberton que trabajó en varias empresas e instituciones y participó en el desarrollo de lenguajes de programación de alto nivel como el C-10, considerado el embrión de los lenguajes de programación modernos, COBOL y Fortran.

O Jean Jenninggs Bartik, que después de programar el ordenador ENIAC pasó a trabajar con los ordenadores BINAC y UNIVAC I. Posteriormente pasó a trabajar en editoriales del campo de las nuevas tecnologías.

Y Grace Murray Hopper que permaneció en la marina hasta cumplir los 40 años en que tuvo que pasar a la reserva dado que la edad límite para el servicio activo eran los 38 años. Siguió trabajando en Harvard hasta 1949, desarrollando aplicaciones contables para el ordenador Mark I que en esos tiempos estaba siendo utilizado por una empresa de seguros. Desarrolló el primer compilador de la historia, el A-0, el primer compilador para procesamiento de datos, el B-0, y trabajó en el desarrollo del lenguaje COBOL y en el comité que lo creó Codasyl.

Permaneció en la reserva de la marina hasta finales de 1966, cuando tuvo que retirarse definitivamente por su edad. Se retiró con la graduación de Capitán de Fragata. Seis meses más tarde fue llamada de nuevo al servicio activo de la armada, en principio para seis meses, con el objetivo de normalizar los lenguajes de alto nivel que usaban, se dice que tenían graves problemas con una aplicación de nóminas que habían desarrollado y ya había sido reescrita 823 veces sin que llegara a funcionar correctamente. Los seis meses se alargaron hasta que se retiró de nuevo en 1971, pero se le volvió a llamar en 1972 y permaneció hasta 1973 cuando pasó de nuevo a la reserva con el grado de Capitán de navío. En 1983 fue ascendida a Contralmirante, siendo la primera mujer en alcanzar dicho grado. En 1986 se retiró definitivamente de la armada, siendo en ese momento el oficial de mayor edad. Tras su retiro continuó trabajando como consultora en una gran empresa informática, hasta el momento de su muerte en 1992. Estados Unidos ha bautizado a un destructor con su nombre, siendo el primer buque de guerra de ese país en ser bautizado en honor de una mujer después de la Segunda Guerra Mundial, el destructor es el USS Hopper con base en Pearl Harbor.

Read More

Cómo añadir la intuición humana a los algoritmos de planificación

(Científicos del MIT logran traducir a la lógica temporal lineal diferentes niveles de estrategia, para trasladarlos a las máquinas)

Las máquinas aún no consiguen superar a los humanos en planificación de resolución de problemas, pero los científicos siguen intentando que lo hagan. El último avance lo han realizado en el MIT: han logrado codificar diferentes niveles de estrategia humana en resolución de problemas a un lenguaje que las máquinas entienden. De este modo, han mejorado los algoritmos de planificación hasta en un 16%, aseguran.

Hoy día, ni siquiera los mejores algoritmos de planificación han logrado superar la capacidad humana para resolver problemas. Por eso, los especialistas siguen intentando mejorarlos. 

El último intento lo han llevado a cabo investigadores del Instituto Tecnológico de Massachusetts (MIT, EEUU). Lo han hecho de una sorprendente manera: añadiendo a los algoritmos la intuición humana. 

Para ello, han codificado las estrategias de planificadores humanos con un alto rendimiento, para convertirlas en legibles para las máquinas. De esta forma, han logrado mejorar el rendimiento de los algoritmos de planificación en un 10 a 15%, según informa la web del MIT. 

Problemas con distintas complejidades

Las personas escogidas como ejemplo han sido individuos que destacaban en planificación, programación y optimización, en total 36 estudiantes del MIT. Sus estrategias fueron introducidas en forma de algoritmos introducidos en máquinas para que estas resuelvan problemas con diferentes grados de dificultad. 

Uno de los más sencillos sería, por ejemplo, “dado un cierto número de aeropuertos, un cierto número de aviones y un cierto número de personas en cada aeropuerto con determinados destinos, ¿es posible planificar rutas de vuelo que permitan que todos los pasajeros lleguen a sus destinos sin que ningún avión vuele a la vez?” 

Una clase más compleja de problemas son los numéricos, que consisten en agregar parámetros numéricos flexibles: “¿Puedes desarrollar un conjunto de planes de vuelo que cumplan las restricciones del problema original pero también minimicen el tiempo de vuelo de los aviones y el consumo de combustible?” 

Por último, los problemas más complejos -los problemas temporales- añaden limitaciones temporales a los problemas numéricos: “¿Se puede minimizar el tiempo de vuelo y el consumo de combustible al mismo tiempo que se asegura que los aviones lleguen y salgan a horas concretas?” 

Para cada problema, el algoritmo tiene media hora para generar un plan. La calidad de los planes se mide de acuerdo con alguna "función de coste", tal como una ecuación que combina el tiempo total de vuelo y el consumo total de combustible.

Codificación de estrategias

En el transcurso de su investigación, los científicos del MIT se dieron cuenta de que la gran mayoría de las estrategias de los 36 estudiantes participantes en el estudio podían ser descritas usando un lenguaje formal llamado lógica temporal lineal, que a su vez podía ser usado para agregar restricciones a las especificaciones del problema. 

Usando este lenguaje, lograron una mejora media de los algoritmos (en la resolución de problemas numéricos) del 13%; en los problemas de planificación de vuelos y de posicionamiento por satélite, de un 16%; y en los problemas temporales, de hasta un 12%. 

Los investigadores del MIT trabajan ahora en técnicas de procesamiento del lenguaje natural para hacer que el sistema sea totalmente automático, de modo que convierta las descripciones libres de los usuarios de sus propias estrategias de alto nivel en una lógica temporal lineal, sin intervención humana. 

A finales del mes de enero, presentaron sus avances en la International Conference on Automated Planning and Scheduling celebrada en la Carnegie Mellon University de Pittsburgh (EEUU). 

Más inspiración humana

En EEUU existe otro proyecto reciente, de la agencia de inteligencia nacional estadounidense IARPA y encargado a la Universidad de Harvard, para estudiar las conexiones neuronales del cerebro humano, para aplicarlas al diseño de sistemas informáticos capaces de interpretar, analizar y aprender como los humanos. Con este proyecto se aspira a mejorar los algoritmos de aprendizaje. 

También se están intentando introducir en algoritmos la capacidad de entender el humor humano, en este caso, a través de la Inteligencia Artificial. En esta línea, un equipo de investigación de Virginia Tech (EEUU), ha creado un algoritmo entrenado para predecir con exactitud cuando una imagen es divertida y cuando no lo es. La herramienta puede detectar además el elemento de mayor comicidad de la escena y remplazarlo para causar el efecto contrario.

Read More

Pseint - Estructuras Secuenciales

¿Que es una estructura secuencial?

Se caracteriza porque una acción se ejecuta detrás de otra. El flujo del programa coincide con el orden físico en el que se han ido poniendo las instrucciones. Dentro de este tipo podemos encontrar operaciones de inicio/fin, inicialización de variables, operaciones de asignación, cálculo, sumarización, etc. Este tipo de estructura se basa en las 5 fases de que consta todo algoritmo o programa:

Definición de variables (Declaración)
Inicialización de variables.
Lectura de datos
Cálculo
Salida

Ejemplos.

1. En este ejemplo se pide que el se haga un algoritmo con pseudo código que pida que se ingresen tres notas y que genere el promedio de las misma.

2. Hacer un algoritmo con pseudo código que pida que se ingresen 2 números para sumarlos y un numero por el cual se desea dividir.

3. En este ejercicio se pide que se calcule el sueldo mensual de un trabajador ingresando ingresando el numero de horas trabajadas en el mes y el valor tanto como de las horas normales de trabajo y las horas extra.

4. En este ejercicio se pide un algoritmo que pida el ingreso de el precio de un producto y se debe calcular el IVA, mostrar el cuanto de IVA se agrega y mostrar el precio del producto sin IVA.

5. Se pide crear un algoritmo que calcule el porcentaje de alumnos y alumnas de un salón de clase.

6. Un algoritmo para calcular la suma de 5 datos.

Video Clase

Read More

Las aplicaciones destinadas a la educación superior transforman los campus virtuales

(Business Intelligence, Big Data y Data Mining están posibilitando una nueva forma de analizar el aprendizaje y de seguir la evolución de los alumnos)

Las aplicaciones destinadas a la educación superior están transformando los Campus Virtuales, al haber introducido en las aulas herramientas como Business Intelligence, Big Data y Data Mining y posibilitado una nueva forma de analizar el aprendizaje y de seguir la evolución de los alumnos. Por ello el Learning Analytics y el Aprendizaje Adaptativo van a ser implementados en las aulas, abriendo a las empresas de desarrollo de software nuevas oportunidades.

Las aplicaciones destinadas a la educación superior han eclosionado y transformado la educación virtual, señala la Conferencia de Directores y Decanos de Ingeniería Informática (CODDII) en un nuevo informe.

El informe, titulado “Evolución y tendencias de los LMS en la educación superior: del servidor Web al Learning Analytics”, está firmado por José Manuel Sota Eguizábal, jefe del Departamento de Sistemas e-Learning de la Fundación Universidad de La Rioja.

Añade el informe que esta revolución tecnológica ha introducido en las aulas conceptos como el Business Intelligence, Big Data y Data Mining, posibilitando una nueva forma de analizar el aprendizaje y de seguir la evolución de los alumnos.

Por ello el Learning Analytics y el Aprendizaje Adaptativo van a ser implementados en las aulas en un futuro cercano, abriendo a las empresas de desarrollo de software nuevas oportunidades para trasladar sus soluciones a las aulas.

En consecuencia, el sector educativo será uno de los que más crecimiento experimente en los próximos años, añade el informe.

Los LMS en la educación superior

El término LMS (Learning Management System) aparece en los años 90 para referirse a un conjunto de aplicaciones que permitían la administración, documentación, seguimiento y distribución de actividades de formación no presencial (aprendizaje electrónico o e‐ learning) de un organismo o institución, permitiendo un trabajo de forma asíncrona entre los participantes.

Estas aplicaciones se han generalizado en el seno de las universidades españolas, que al amparo de ellas han creado Campus Virtuales no sólo para impartir conocimientos, sino también para las relaciones con los alumnos.

Aunque el mercado de los LMS se desarrolló inicialmente en torno a cinco aplicaciones concretas, entre ellas la popularizada Moodle, tanto Google como Apple y Microsoft han creado propuestas e-learning, algunas de las cuales han vivido una rápida implantación, particularmente la Google Apps for Education.

La irrupción de la Web 2.0, que dio paso a los espacios personales de aprendizaje, no sólo no supuso el fin de los LMS, sino que se han vuelto más importantes que nunca debido a dos técnicas: la interoperabilidad y el learning analytics.

Estas técnicas permiten la gestión de datos relacionados con la actividad de los alumnos e introducido herramientas de Business Intelligence en las aulas que permiten al profesor aprovechar esa información en lo que ha dado en llamarse learning analytics.

Explosión LTI

Este proceso ha generado una explosión de lo que ha dado en llamarse Interoperabilidad entre Herramientas de Aprendizaje (LTI), que ha llevado al IMS Global Learning Consortium a crear un estándar para conectar un LMS con herramientas externas de una forma transparente al sistema de aprendizaje.

La integración de herramientas basadas en LTI permite unir a los usuarios de ambos sistemas y proporciona flujos de información que permiten proporcionar servicios en función del rol en el LMS. También permite trasladar certificaciones obtenidas mediante la herramienta externa al cliente LTI.

El Data Mining y el Big Data han hecho su aparición en este campo al amparo de estas técnicas, ya que permiten realizar modelos de análisis sobre el comportamiento de los alumnos y personalizar el aprendizaje.

Estamos inmersos en una época de cambios causados por la inmersión de la tecnología en las aulas. El reto del aprendizaje ubicuo, la integración de los dispositivos móviles, la realidad virtual y los simuladores son tendencias que veremos en las aulas universitarias en un futuro que ya no es ni lejano ni utópico, concluye la Conferencia De Directores y Decanos de Ingeniería Informática (CODDII) en su nuevo informe.

Referencia

Evolución y tendencias de los L MS en la educación superior: del servidor Web al Learning Analytics. José Manuel Sota Eguizábal. Departamento de Matemáticas y Computación, Universidad de La Rioja. Jefe del Departamento de Sistemas -eLearning Fundación de la Universidad de La Rioja. CODDII, 2016

Read More