Browsing by Author "Ponce de León, Alejo"

Filter results by typing the first few letters
Now showing 1 - 6 of 6
  • Thumbnail Image
    Item
    Actividades de investigación científica con docentes y alumnos de grado en Informática y Ciencias de la Computación
    (2020-01-01) Bianchini, Germán; Caymes Scutari, Paola; Ontiveros, Patricia; Rotella, Carina; Tagarelli, Sandra; Salinas, Sergio; Galdámez Bilardi, Mariela; Chirino, Pamela; Díaz, Karvin; Ponce de León, Alejo; Suarez, Renzo
    La tarea de investigar es un proceso sistemático, organizado y objetivo, cuyo propósito es responder a un interrogante para así incrementar el conocimiento y la información sobre algo desconocido. La capacidad investigativa resulta un elemento clave e imprescindible para hacer frente a los retos que los nuevos profesionales de las diversas ingenierías encontrarán en el mundo laboral actual y futuro. Sin embargo, es evidente que esta capacidad no se alcanza por el simple hecho de obtener un título universitario. En el presente trabajo se describe cómo se ha buscado formalizar y poner en práctica el proceso de transferencia y formación de Investigadores Científicos Iniciales a través de su incorporación en actividades en el marco de tres grandes áreas: Cómputo Paralelo, Analítica de Datos y Gobierno Electrónico. Dentro del mismo, los estudiantes y docentes participantes lograron planificar, organizar y avanzar en sus desarrollos, a pesar de ser un año particular en virtud de las complicaciones que impuso la pandemia por COVID-19, alcanzando buenos resultados y una activa participación en eventos científicos.
  • Thumbnail Image
    Item
    Avances en la formación de docentes y alumnos como investigadores científicos iniciales en Informática y Ciencias de la Computación
    (2021-01-01) Bianchini, Germán; Caymes Scutari, Paola; Ontiveros, Patricia; Rotella, Carina; Salinas, Sergio; Tagarelli, Sandra; Chirino, Pamela; Galdámez Bilardi, Mariela; Díaz, Karvin; Ponce de León, Alejo
    El ciclo 2020 y lo que va del actual 2021 han sido muy complejos en virtud del aislamiento y distanciamiento vividos por la situación de pandemia por COVID-19; en particular para el ámbito académico en todos sus niveles. Dentro del área universitaria, el desarrollo de las actividades de investigación tampoco ha sido el normal, pero a pesar de ello se ha logrado avanzar en los proyectos. Todo el esquema de trabajo debió realizarse en modo no presencial, e incluso la participación en eventos (congresos, cursos, etc.) también ha debido adecuarse al formato virtual de videoconferencias. Como tantas otras actividades, el estudio y la investigación no pueden pausarse indefinidamente, y la investigación e innovación resultan elementos claves e imprescindibles para hacer frente a los retos con que los estudiantes se encontrarán en el mundo laboral. Es responsabilidad de las instituciones abrir un nuevo panorama a los ojos de los estudiantes y docentes universitarios en general, de modo tal de ayudarlos a desarrollar sus capacidades de evaluación, crítica e inventiva. Un obstáculo histórico hallado es que las actividades de investigación normalmente se encuentran desvinculadas de las actividades académicas de grado, y por tanto esta disociación mantiene alejados a los alumnos y a muchos docentes. Por tal motivo, en el presente trabajo se comenta el proyecto en el que se ha buscado formalizar y poner en práctica el proceso de transferencia y formación de Investigadores Científicos Iniciales a través de su incorporación en actividades en el marco de diversas áreas informáticas, y la adecuación que se llevó a cabo a medida que la situación de pandemia impuso diversas restricciones.
  • Thumbnail Image
    Item
    Cálculo paralelo para la multiplicación de matrices
    (2021-01-01) Ponce de León, Alejo; Díaz, Karvin; Chirino, Pamela; Galdámez Bilardi, Mariela; Caymes Scutari, Paola; Bianchini, Germán
    La utilización de la multiplicación de matrices toma un alto grado de importancia en aplicaciones tales como resolución de sistemas de ecuaciones de muchas variables, cálculo numérico y también actualmente se utiliza mucho en el cálculo de microarrays, en el área de bioinformática. En este proyecto nos enfocamos en el uso de algoritmos para realizar dicha operación a fin de aplicar el concepto de paralelismo y así conseguir mayores velocidades en el proceso de resolución. Además, se evaluarán los métodos de balanceo de carga con el objetivo de comparar eficiencia entre diversos códigos y el incremento de velocidad con la utilización del sistema paralelo (Speedup).
  • Thumbnail Image
    Item
    Cómputo paralelo para la resolución de la multiplicación de matrices de gran tamaño
    (2021-01-01) Díaz, Karvin; Ponce de León, Alejo; Caymes Scutari, Paola; Bianchini, Germán
    La multiplicación se define dadas dos matrices A y B, se dicen multiplicables si el número de columnas de A coincide con el número de filas de B. En la nueva matriz C, los elementos Cij parten del producto que se obtiene multiplicando cada elemento de la fila i de la matriz A por cada elemento de la columna j de la matriz B y sumándolos. Cabe destacar que a medida que aumenta el tamaño de las matrices el volumen de cómputo también aumenta considerablemente. Nuestro objetivo con ésta investigación es poder determinar la forma más eficiente para realizar multiplicaciones de matrices de gran volumen, cálculos que son de gran utilidad en diversas áreas con en aplicaciones tales como resolución de sistemas de ecuaciones de muchas variables, cálculo numérico, y actualmente también utilizada con frecuencia en el cálculo de microarrays, en el área de la bioinformática. Para este estudio comparativo, se propone desarrollar dos algoritmos: uno que aproveche la capacidad de cómputo de un cluster de computadoras parte del Laboratorio de Investigación en Cómputo Paralelo/Distribuido (LICPaD) ubicado en la UTN-FRM, y otro algoritmo cuya ejecución sea secuencial. Una vez desarrollados, procederemos a realizar una serie de pruebas con matrices de distintos tamaños y con distinta cantidad de nodos. Para concluir, luego de obtenidos los resultados de tiempos de cálculo para cada experimento podremos realizar un análisis de métricas como el Speedup, la Eficiencia, el Balanceo de Carga, etc., y en base a ellos determinar en qué medida o en qué casos el cómputo paralelo resulta la forma más conveniente y/o eficiente para este cálculo, y también implementar mejoras y optimizaciones en los algoritmos utilizados.
  • Thumbnail Image
    Item
    Métodos de Inteligencia artificial para la reducción de incertidumbre en modelos de predicción de incendios
    (2021-01-01) Chirino, Pamela; Galdámez Bilardi, Mariela; Díaz, Karvin; Ponce de León, Alejo; Caymes Scutari, Paola; Bianchini, Germán
    La inteligencia artificial ha generado una revolución importante en los últimos años de la computación. En esta línea de trabajo se estudiarán dos formas de inteligencia artificial para aplicarlas en la reducción de incertidumbre en modelos de predicción, en este caso, el modelo de predicción de incendios llevado a cabo en el Laboratorio de Investigación en Cómputo Paralelo/Distribuido de la UTN-FRM. En el mismo se trabaja con paralelismo, por lo tanto se analizará la posible paralelización de estos métodos. Los métodos de inteligencia artificial que se estudiarán son: Redes neuronales y Visión Computacional.
  • Thumbnail Image
    Item
    Redes neuronales paralelas aplicadas a la visión computacional
    (2021-04-15) Galdámez Bilardi, Mariela; Chirino, Pamela; Díaz, Karvin; Ponce de León, Alejo; Caymes Scutari, Paola; Bianchini, Germán
    La capacidad de permitir que una computadora reconozca en una imagen los objetos, ambiente y posición en el espacio fue el inicio de la visión computacional, un área dentro de la inteligencia artificial. Al utilizar el modelo de redes neuronales en este campo, se consiguen resultados en diversas ramas de la ciencia. Por ejemplo, diagnóstico de ciertas patologías en imágenes provenientes de ecografías o resonancia magnética; realizar vigilancia, reconocimiento dactilar y ocular como mecanismos de seguridad; entre otras tantas aplicaciones. Pero estructurar una red neuronal no es tarea sencilla, pues para conseguir que funcione y aprenda adecuadamente se requiere de un conjunto de datos de entrada que deberá analizar cierta cantidad de veces hasta producir una salida coherente con los datos ingresados. Esto implica la necesidad de una velocidad de cómputo enorme para que sea capaz de aprender en un período de tiempo razonable. Además, si el tamaño de la red es mucho mayor,los datos de entrada aumentan en cantidad y se complejiza el aprendizaje de la misma, lo que infiere en un aumento considerable de tiempo. Los procesadores actuales no brindan la velocidad suficiente y es aquí donde la programación paralela se presenta como una solución alternativa.