[A-Life] Investigación sobre Evolución y Vida Artificial

Última actualización	Sección Actualizada
25 de julio de 2024	Artículos	¿Por qué Los Dinosaurios No Evolucionaron Para Construir Naves Espaciales?

Libros escritos por el autor de temas usados para la investigación
C# y .NET 8. 2024. Lenguaje usado en las simulaciones. Dividido en las siguientes partes: Parte 1: IDE, variables, ciclos, si condicional, funciones Parte 2: Cadenas (strings) Parte 3: Arreglos estáticos Parte 4: Programación Orientada a Objetos Parte 5: Estructuras de datos dinámicas Parte 6: LINQ Parte 7: Un evaluador de expresiones algebraicas Parte 8: Estructuras de datos de bajo nivel Parte 9: Simulaciones Parte 10: Algoritmos evolutivos Parte 11: Redes Neuronales Parte 12: Gráficos 2D Parte 13: Gráficos en 3D Parte 14: Animación Descárguelo (documento en PDF y código fuente)
Capacitándose en JavaScript. 2024. Lenguaje usado en este sitio Web para hacer demostraciones de simulaciones. Descárguelo (documento en PDF y código fuente)
Redes Neuronales. Segunda edición. 2020. Este libro es un inicio en este fascinante campo de las redes neuronales, desde el “hola mundo” que es entrenar una red (de una sola neurona) para que aprenda la tabla del OR y del AND, luego el perceptrón multicapa (capas de neuronas interconectadas) para aprender cosas más difíciles como la tabla del XOR, reconocimiento básico de caracteres y encontrar el patrón en una serie de datos usando el algoritmo “backpropagation”. Se explica en detalle cómo se llegan a las fórmulas usadas por ese algoritmo. Descárguelo
Evaluador de Expresiones Algebraicas ¿Qué es un evaluador de expresiones? Tenemos la expresión “K/(3.78 + cos(X/7.96+Y*1.554)-tan(3.7/X)+B)” almacenada en una variable de tipo Cadena (String). Necesitamos que un algoritmo resuelva esa expresión y retorne el valor cuantitativo una vez que las variables K, X, Y y B se les asignen un valor real. Descargue Libro Versión 3 (C#, C++, Delphi, Java, JavaScript, PHP, Python, TypeScript, Visual Basic .NET)
Un uso de algoritmos genéticos para búsqueda de patrones ISBN: 978-958-762-479-3 La detección de patrones de comportamiento en una serie de datos dada sirve para poder hacer: interpolación, el cual nos permite encontrar los valores intermedios entre dos puntos y usar esto para completar (por ejemplo para el trazado de una curva que una esos puntos); la extrapolación para poder predecir el comportamiento futuro de los datos (por supuesto, con reservas); para encontrar una curva menos costosa en cálculo con respecto a otra, y para compresión de datos, porque en vez de guardar una larga lista de datos, es mucho más corto guardar la expresión algebraica que genera esos datos. Regresión Simbólica Y=F(X). Código fuente y Ejecutable Regresión Simbólica Z=F(X,Y). Código fuente y Ejecutable
Segunda parte de uso de algoritmos genéticos para la búsqueda de patrones ISBN: ISBN: 978-958-762-483-0 En esta segunda parte, el libro aborda como se resolvió el problema de manejar una gran cantidad de diversas funciones y operaciones matemáticas sin perder la eficiencia. Una vez resuelto ese punto, el paso siguiente es probar si es cierto que el algoritmo genético al tener acceso a todas esas nuevas funciones matemáticas logra mejores curvas de aproximación.

Libros escritos por el autor de temas usados para la investigación

C# y .NET 8. 2024.

Lenguaje usado en las simulaciones. Dividido en las siguientes partes:

Parte 1: IDE, variables, ciclos, si condicional, funciones

Parte 2: Cadenas (strings)

Parte 3: Arreglos estáticos

Parte 4: Programación Orientada a Objetos

Parte 5: Estructuras de datos dinámicas

Parte 6: LINQ

Parte 7: Un evaluador de expresiones algebraicas

Parte 8: Estructuras de datos de bajo nivel

Parte 9: Simulaciones

Parte 10: Algoritmos evolutivos

Parte 11: Redes Neuronales

Parte 12: Gráficos 2D

Parte 13: Gráficos en 3D

Parte 14: Animación

Descárguelo (documento en PDF y código fuente)

Capacitándose en JavaScript. 2024.

Lenguaje usado en este sitio Web para hacer demostraciones de simulaciones.

Descárguelo (documento en PDF y código fuente)

Redes Neuronales. Segunda edición. 2020.

Este libro es un inicio en este fascinante campo de las redes neuronales, desde el “hola mundo” que es entrenar una red (de una sola neurona) para que aprenda la tabla del OR y del AND, luego el perceptrón multicapa (capas de neuronas interconectadas) para aprender cosas más difíciles como la tabla del XOR, reconocimiento básico de caracteres y encontrar el patrón en una serie de datos usando el algoritmo “backpropagation”. Se explica en detalle cómo se llegan a las fórmulas usadas por ese algoritmo.

Descárguelo

Evaluador de Expresiones Algebraicas

¿Qué es un evaluador de expresiones? Tenemos la expresión “K/(3.78 + cos(X/7.96+Y*1.554)-tan(3.7/X)+B)” almacenada en una variable de tipo Cadena (String). Necesitamos que un algoritmo resuelva esa expresión y retorne el valor cuantitativo una vez que las variables K, X, Y y B se les asignen un valor real.

Descargue Libro Versión 3 (C#, C++, Delphi, Java, JavaScript, PHP, Python, TypeScript, Visual Basic .NET)

Un uso de algoritmos genéticos para búsqueda de patrones

ISBN: 978-958-762-479-3

La detección de patrones de comportamiento en una serie de datos dada sirve para poder hacer: interpolación, el cual nos permite encontrar los valores intermedios entre dos puntos y usar esto para completar (por ejemplo para el trazado de una curva que una esos puntos); la extrapolación para poder predecir el comportamiento futuro de los datos (por supuesto, con reservas); para encontrar una curva menos costosa en cálculo con respecto a otra, y para compresión de datos, porque en vez de guardar una larga lista de datos, es mucho más corto guardar la expresión algebraica que genera esos datos.

Regresión Simbólica Y=F(X). Código fuente y Ejecutable

Regresión Simbólica Z=F(X,Y). Código fuente y Ejecutable

Segunda parte de uso de algoritmos genéticos para la búsqueda de patrones

ISBN: ISBN: 978-958-762-483-0

En esta segunda parte, el libro aborda como se resolvió el problema de manejar una gran cantidad de diversas funciones y operaciones matemáticas sin perder la eficiencia. Una vez resuelto ese punto, el paso siguiente es probar si es cierto que el algoritmo genético al tener acceso a todas esas nuevas funciones matemáticas logra mejores curvas de aproximación.