Tabla de Contenidos: “…Content-Based Filtering -- Hybrid Filtering -- Summary -- Exam Essentials -- Review Questions -- Chapter 9 Supervised Machine Learning -- Linear Regression -- Regularization -- Logistic Regression -- Discriminant Analysis -- Linear Discriminant Analysis -- Quadratic Discriminant Analysis -- Naive Bayes -- Decision Trees -- Ensemble Methods -- Bagging -- Boosting -- Stacking -- Summary -- Exam Essentials -- Review Questions -- Chapter 10 Neural Networks and Deep Learning -- Artificial Neural Networks -- Network Topology -- Activation Function -- Training Algorithm -- Deep Neural Networks -- Common Deep Learning Architectures -- Common Deep Learning Frameworks -- Summary -- Exam Essentials -- Review Questions -- Chapter 11 Natural Language Processing -- Natural Language Processing -- Text Analysis -- Language Understanding -- Language Generation -- Text Preparation -- Tokenization -- Stemming -- Lemmatization -- Removing Stop Words -- Part-of-Speech (POS) Tagging -- Spelling Normalization -- Data Augmentation (Augmenters) -- Text Representation -- Vectorization -- Vector Space Model -- Word Embeddings -- Summary -- Exam Essentials -- Review Questions -- Chapter 12 Specialized Applications of Data Science -- Optimization -- Decision Variables -- Objective Function -- Constraints -- Constrained Optimization -- Unconstrained Optimization -- Computer Vision -- Image Acquisition -- Image Preprocessing -- Feature Extraction -- Summary -- Exam Essentials -- Review Questions -- Appendix Answers to Review Questions -- Chapter 1: What Is Data Science? …”

Tabla de Contenidos: “…-- Hardware availability -- Data and algorithms -- Deep learning frameworks -- PyTorch -- Summary -- Chapter 2: Building Blocks of Neural Networks -- Installing PyTorch -- Our first neural network -- Data preparation -- Scalar (0-D tensors) -- Vectors (1-D tensors) -- Matrix (2-D tensors) -- 3-D tensors -- Slicing tensors -- 4-D tensors -- 5-D tensors -- Tensors on GPU -- Variables -- Creating data for our neural network -- Creating learnable parameters -- Neural network model -- Network implementation -- Loss function -- Optimize the neural network -- Loading data -- Dataset class -- DataLoader class -- Summary -- Chapter 3: Diving Deep into Neural Networks -- Deep dive into the building blocks of neural networks -- Layers - fundamental blocks of neural networks -- Non-linear activations -- Sigmoid -- Tanh -- ReLU -- Leaky ReLU -- PyTorch non-linear activations -- The PyTorch way of building deep learning algorithms -- Model architecture for different machine learning problems -- Loss functions -- Optimizing network architecture -- Image classification using deep learning -- Loading data into PyTorch tensors -- Loading PyTorch tensors as batches -- Building the network architecture -- Training the model -- Summary -- Chapter 4: Fundamentals of Machine Learning -- Three kinds of machine learning problems -- Supervised learning -- Unsupervised learning -- Reinforcement learning -- Machine learning glossary…”

Tabla de Contenidos: “…Exploring different types of regression -- Introducing linear regression -- Linear regression model in MATLAB -- Making predictions with regression analysis in MATLAB -- Multiple linear regression with categorical predictor -- Evaluating model performance -- Reducing outlier effects -- Using advanced techniques for model evaluation and selection in MATLAB -- Understanding k-fold cross-validation -- Exploring leave-one-out cross-validation -- Introducing the bootstrap method -- Summary -- Chapter 4: Clustering Analysis and Dimensionality Reduction -- Technical requirements -- Understanding clustering - basic concepts and methods -- How to measure similarity -- How to find centroids and centers -- How to define a grouping -- Understanding hierarchical clustering -- Partitioning-based clustering algorithms with MATLAB -- Introducing the k-means algorithm -- Using k-means in MATLAB -- Grouping data using the similarity measures -- Applying k-medoids in MATLAB -- Discovering dimensionality reduction techniques -- Introducing feature selection methods -- Exploring feature extraction algorithms -- Feature selection and feature extraction using MATLAB -- Stepwise regression for feature selection -- Carrying out PCA -- Summary -- Chapter 5: Introducing Artificial Neural Network Modeling -- Technical requirements -- Getting started with ANNs -- Basic concepts relating to ANNs -- Understanding how perceptrons work -- Activation function to introduce non-linearity -- ANN's architecture explained -- Training and testing an ANN model in MATLAB -- How to train an ANN -- Introducing the MATLAB Neural Network Toolbox -- Understanding data fitting with ANNs -- Discovering pattern recognition using ANNs -- Building a clustering application with an ANN -- Exploring advanced optimization techniques -- Understanding SGD -- Exploring Adam optimization…”

Tabla de Contenidos: “…SNR simulations in AWGN channel 3.4 WiFi OFDM and mobile WiMAX signals PAPR 3.5 Transmitter impairments simulation 3.5.1 Introduction 3.5.2 DAC clipping and resolution 3.5.3 I&Q mismatch 3.5.4 RF oscillator phase noise 3.5.5 Power amplifier distortion 3.5.6 Transmitter complete simulation 3.6 Receiver impairments simulation 3.6.1 Introduction 3.6.2 Carrier Frequency Offset 3.6.3 Sampling Frequency Offset 3.6.4 Linearity: IIP2 and IIP3 3.6.5 I&Q mismatch 3.6.6 RF oscillator phase noise and reciprocal mixing 3.6.7 Sampling jitter 3.6.8 ADC clipping and resolution 3.6.9 Receiver complete simulation 3.7 Adaptive modulation illustration 3.8 Summary 4 Chapter 4: Digital Compensation of RF analog Impairments 4.1 Introduction 4.2 Carrier Frequency Offset Estimation and Correction 4.2.1 CFO estimation principle 4.2.2 CFO estimation in time domain 4.2.3 CFO estimation in frequency domain 4.2.4 CFO correction 4.3 Sampling Frequency Offset Estimation and Correction 4.3.1 SFO estimation principle 4.3.2 SFO estimation 4.3.3 SFO correction 4.3.4 Joint SFO and CFO estimation 4.4 IQ mismatch estimation and correction 4.4.1 Principle 4.4.2 Effect of the channel 4.4.3 Simulation results 4.5 Power Amplifier Linearization 4.5.1 Digital Predistortion Principle 4.5.2 Memory polynomial predistortion 4.5.3 Polynomial coefficients computation 4.5.4 Simulation results 4.6 Summary …”

Tabla de Contenidos: “…. -- How it works... -- Formulating a linear regression model -- Getting ready -- How to do it... -- How it works... -- There's more... -- Assigning the priors -- Defining the support -- How to decide the parameters for a prior -- Getting ready -- How to do it... -- How it works... -- Doing MCMC the manual way -- Getting ready -- How to do it... -- How it works... -- Evaluating convergence with CODA -- One or multiple chains? …”

Tabla de Contenidos: “…Building hash functions -- 13.4. Linear open addressing -- 13.4.1. Operations on linear open addressed hash tables -- 13.4.2. …”

Tabla de Contenidos: “…Practical Error Bounds. -- 6.5 Error Estimation in Quantities of Interest -- 6.5.1 Recovery-based Estimates for the Error in Quantities of Interest -- 6.5.2 The Stress Intensity Factor as QoI: Error Estimation -- References -- 7 -FEM: An Efficient Simulation Tool Using Simple Meshes for Problems in Structure Mechanics and Heat Transfer -- 7.1 Introduction -- 7.2 Linear Elasticity -- 7.2.1 Dirichlet Conditions -- 7.2.2 Mixed Boundary Conditions -- 7.3 Linear Elasticity with Multiple Materials -- 7.4 Linear Elasticity with Cracks -- 7.5 Heat Equation -- 7.6 Conclusions and Perspectives -- References -- 8 eXtended Boundary Element Method (XBEM) for Fracture Mechanics and Wave Problems -- 8.1 Introduction…”

Acceso restringido usuarios UPSA

Acceso restringido usuarios UPSA

Acceso restringido usuarios UPSA

Acceso restringido usuarios UPSA

Acceso restringido usuarios UPSA

Acceso restringido usuarios UPSA

“…El propósito de este Trabajo de Fin de Grado es dirigirse a estudiantes graduados o próximamente graduados que tengan algo valioso que enseñar al mundo, enfocándose en la importancia del amor y la pasión en el desarrollo de sus nuevos proyectos de emprendimiento. Se busca generar conciencia sobre estos valores como elementos clave para el éxito y la satisfacción personal en el ámbito emprendedor, además de brindar los conocimientos esenciales para llevar a cabo un negocio, con el fin de capacitarlos para el desarrollo de estas competencias. …”
Clic para texto completo. Acceso abierto.

“…No es la finalidad de esta información intentar generar temor a las redes sociales, sino que seamos conscientes del real alcance que tienen y los posibles impactos que generan en los jóvenes, si no se hace un uso responsable. …”
Clic para acceso completo

“…En la década de los años ochenta del siglo pasado, al experimentar el agotamiento del modelo de estado de bienestar, el Estado mexicano fue forzado a generar un cambio de paradigma en su funcionamiento. …”

“…Y el estrés sí puede generar enfermedades. En nuestra vida privilegiada, hemos sido los únicos (del mundo animal) con la suficiente inteligencia como para inventarnos esos agentes estresantes, y los únicos lo bastante estúpidos como para permitir que dominen nuestras vidas. …”
Cap 1.
Cap. 2
Cap. 3
Cap. 5
Cap. 8

“…La mejora de la calidad educativa, y en concreto, la Educación Física requieren de una actualización de la metodología, recursos y contenidos que desarrolla el docente, para lograr que las clases sean más atractivas y motivantes, incorporando para ello juegos y deportes alternativos y más novedosos, y asimismo, generar una mayor adherencia en los alumnos hacia la práctica de actividad física fuera del contexto escolar. …”
Clic para texto completo. Acceso abierto.

“…Conozca la aplicación específica de las redes sociales para empresas B2B y cómo se puede aprovechar para generar clientes potenciales e ingresos. Los especialistas en marketing B2B están infravalorados y subestimados en muchas empresas. …”
Acceso al resumen, información e índice

“…La segunda es presentada por el cardenal en dos aspectos: generar la reconciliación y la comunión dentro de la comunidad de la Iglesia para, animados por la esperanza, promover la justicia en el mundo…”