Operaciones en Base de Datos Métricas y Modelo CPU-GPU
|
|
- María Cristina Vega Quintana
- hace 6 años
- Vistas:
Transcripción
1 Operaciones en Base de Datos Métricas y Modelo CPU-GPU Mariela Lopresti, Fabiana Piccoli, Nora Reyes LIDIC- Universidad Nacional de San Luis Ejército de los Andes 950 Tel: , San Luis, Argentina {omlopres,mpiccoli,nreyes}@unsl.edu.ar 1. Resumen En laactualidad,debido a laevoluciónde lastecnologías de información y comunicación, tenemos la posibilidad de almacenar distintos tipos de información. Podemos encontrar, por ejemplo en la Web, docenas de billones de documentos y cientos de millones de imágenes y otros tipos de datos tales como fotografías, audio y video. Esta nueva colección de datos no estructurados admite como modelo a las bases de datos métricas. Ante la gran cantidad de información, para poder recuperar estos datos en forma rápida y eficiente han surgido distintas alternativas de optimización. Una de ellas son estructuras de indexación y algoritmos de búsquedas y otra es la optimización a través de la aplicación de técnicas de computación de alto desempeño. Los sistemas diseñados para resolver problemas específicos como los procesadores gráficos (GPU), han comenzado a ser de gran interés para desarrollar problemas de computación de próposito general ya que proveen un bandwith de memoria extremadamente alto y gran poder computacional necesarios para computación de alta performance y a un bajo costo. La línea de investigación que se propone seguir pretende evaluar la factibilidad de utilizar la GPU como computadora masivamente paralela para obtener soluciones de alto desempeño en base de datos métricas. Entre las operaciones de interés se encuentran las consultas. 2. Contexto Esta propuesta de trabajo se lleva a cabo dentro de la líneas de Investigación Computación de Alto Desempeño y Recuperación de Datos e Información Multimedia del proyecto Nuevas Tecnologías para el Tratamiento Integral de Datos Multimedia. Este proyecto es desarrollado en el ámbito del Laboratorio de Investigación y Desarrollo en Inteligencia Computacional (LIDIC) de la Universidad Nacional de San Luis y participa de Programa de Incentivos. 3. Introducción Muchas aplicaciones computacionales necesitan buscar eficientemente información en bases de datos. Actualmente ha surgido la necesidad de crear bases de datos de información no estructurada, como por ejemplo imágenes, texto, sonido y video. Para realizar consultas a estas bases de datos se han creado nuevos modelos y algoritmos de búsqueda más generales que aquéllos que buscan sólo a partir de una clave en una base de datos tradicional con información estructurada [4]. Las consultas que pueden ser de interés en bases de datos no estructuradas se denominan búsquedas por similitud o búsquedas por proximidad. La búsqueda por proximidad es la búsqueda en Bases de Datos de elementos que sean similares o cercanos a un elemento consultado. La similitud es modelada con la función de distancia, la cual satisface entre otras propiedades la desigualdad triangular y el conjunto de elementos u objetos sobre los que se define es llamado espacio métrico [4]. Introducimos ahora la notación básica para el problema de satisfacer búsquedas por proximidad. El conjunto X denota el universo de objetos válidos. Un subconjunto finito de él U, de tamaño n, es el conjunto de objetos o base de datos en donde se realizan las búsquedas. La función d : X X R + denota la medida de distancia entre los objetos. Esta función de distancia debe cumplir las propiedades de positividad x,y X,d(x,y) 0, simetría ( x,y X,d(x,y) = d(y,x)), reflexividad ( x X,d(x,x) = 0), desigualdad triangular x,y,z X,d(x,y) d(x,y)+(d(y,z) y en la mayoría de los casos la positividad es estricta ( x,y X,x y d(x,y) > 0). Dada una base de datos finita U X, la cual es un subconjunto del universo de objetos que pueden ser procesados y una consulta q, el objetivo es recuperar todos los objetos similares que se encuentren en la base de datos [4, 21, 20]. Mientras más chica sea la distancia entre los objetos más similares son dichos objetos. Existen tres tipos básicos de consultas por proximidad en espacios métricos: Consulta porrango(q,r) d : recuperaloselementos 1
2 que están a lo más a distancia r de q. Consulta por vecino más cercano NN(q): recupera el vecino más cercano a q en U. Consulta por k vecinos más cercanosnn k (q): recupera los k vecinos más cercanos a q en U. Si tenemos un base de datos de cardinalidad n, todas estas consultas pueden ser resueltas ejecutando n evaluaciones de distancia. Generalmente el número de evaluaciones de distancias ejecutadas es la medida de complejidad de los algoritmos. El desafío es diseñar un algortimo de indexación eficiente que reduzca el número de las evaluaciones de distancia [4, 21, 20, 15, 19, 3, 14, 6]. Los algoritmos de indexación permiten construir a priori un índice, una estructura de datos capaz de ahorrar computaciones de distancias al responder consultas por proximidad. En general todos los algoritmos de indexación particionan el conjunto X en subconjuntos X i. Se construye un índice para permitir determinar una lista de subconjuntos X i de candidatos potenciales a contener objetos relevantes para la consulta. Durante la consulta, se busca en el índice para encontrar los subconjuntos relevantes y luego se inspeccionan exhaustivamente todos estos conjuntos. Todas estas estructuras trabajan sobre la base de descartar elementos usando la desigualdad triangular[4]. Existen distintos métodos de indexación, entre ellos se encuentran el método por pivotes [21, 20, 4] y el de los permutantes [15]. Dadas las ventajas de poder computacional, bajo costo, continua evolución, bandwidth de memoria, flexibilidad y programabilidad de la GPU, y a pesar de la limitación y dificultad para resolver cualquier tipo de aplicaciones siguiendo un modelo de programación no usual [1, 13, 11], se intenta aprovechar la gran potencia de cálculo de las GPU para aplicaciones no relacionadas con los gráficos, en lo que se conoce como GPGPU(General Purpose GPU)[16]. En nuestro caso, considerando que las búsquedas sobre grandes espacios métricos son de gran complejidad hemos considerado implementar estas búsquedas en forma paralela. Por muchos años la GPU fue utilizada exclusivamente para acelerar el cálculo de ciertas aplicaciones relacionadas directamente con el procesamiento de imágenes, en aplicaciones como videojuegos o 3D interactivas, por ejemplo. Su buen desempeño en este ámbito, junto a su constante y rápida evolución (comparada con los microprocesadores de propósito general) y un número de instrucciones menor [10, 13], ha permitido desarrollar un modelo de supercómputo casero en donde, con menos recursos económicos de los requeridos para comprar una PC, es posible resolver cierto tipo de problemas aplicando un modelo de paralelismo masivo sobre una arquitectura de procesadores con varios núcleos, memoria compartida y soporte multihilos. Existen alternativas para procesamiento en GPU, la más ampliamente utilizada es la tarjeta Nvidia, para la cual se ha desarrollado un kit de programación en C, con un modelo de comunicación de datos y de control de hilos proporcionado por un driver, el cual provee una interfaz GPU-CPU [9]. Este ambiente de desarrollo llamado Compute Unified Device Architecture (CUDA) ha sido diseñado para simplificar el trabajo de sincronización de hilos y la comunicación con la GPU [5, 12] propone un modelo de programación SIMD (Simple Instrucción, Múltiples Datos) con funcionalidades de procesamiento de vector. 4. Líneas de Investigación y Desarrollo Utilizar arquitecturas dedicadas, como la GPU, para resolver computacionalmente problemas de naturaleza distinta a la de ellas, implica plantear soluciones paralelas al problema enunciado teniendo en cuenta el modelo de programación propio de la interface. Las líneas de investigación y desarrollo que actualmente se siguen se pueden dividir en dos áreas, la relacionada a las técnicas de indexación y resolución de consultas en espacios métricos, y la referida a otras operaciones para bases de datos sobre espacios métricos. A continuación se describen cada una de ellas Técnicas de Indexación Como se mencionó previamente, para resolver las consultas a bases de datos métricas de manera eficiente se debe construir un índice sobre la base de datos. La idea en este caso es acelerar las búsquedas a través de almacenar algunas distancias y utilizar la desigualdad triangular para ahorrarnos, durante las consultas, algunos cálculos de distancia y también a través del uso de técnicas de computación de alto desempeño sobre el proceso. Consultas: Existen distintos tipos de consultas para bases de datos, que han sido adaptadas para espacios métricos. Las más conocidas son: (q,r) d : recupera los elementos que están dentro de una distancia r de q ((q,r) d = {x U,d(q,x) r}). Una consulta por rango puede ser resuelta seleccionando cada elemento de la basede datos,unoporunoycalcularsudistancia a la consulta. Consulta por vecinos más cercanos NN(q): recupera los vecinos más cercanos a q en U. Las consultas para encontrar los vecinos más cercanos pueden ser solucionadas con los algoritmos que resuelven las consultas por rango. Esto se logra mediante distintas técnicas: De Radio Incremental: El algoritmo para la búsqueda de los vecinos más cercanos con
3 esta técnica está basado en usar un algoritmo de rango como sigue: La búsqueda de q con radio fijo r = a i ε,(a > 1), inicia con i = 0 y se incrementa i hasta que al menos el número deseado de elementos (1 o (k)) estén dentro del radio de consulta r = a i ε. Después hay un refinamiento del radio entre r = a i ε y r = a i 1 ε. Dado que la complejidad de las búsquedas por rango crece abruptamente con el radio de búsqueda, el costo de este método es semejante al costo de una búsqueda por rango con el radio apropiado (cuando se conoce originalmente). El incremento de a puede ser muy pequeño (a 1) para evitar que el radio de consulta sea mucho más grande de lo necesario. Backtracking con Reducción del Radio: Una búsqueda más elaborada de los vecinos más cercanos con esta técnica (en principio para k = 1) consiste en iniciar la búsqueda con r =. Cada vez que la consulta q es comparada contra un elemento p en la base de datos, se actualiza el radio de búsqueda r mín(r,d(q,p)) y continúa la búsqueda con el radio reducido. A medida que se encuentran elementos más cercanos a la consulta, el radio se reduce y se refleja en una búsqueda menos difícil. Por esta razón es importante tratar de encontrar rápidamente los elementos más cercanos. Consulta por k vecinos más cercanos NN k (q): Esta consulta recupera los k vecinos más cercanos a q en U. Resolverbúsquedas de los k vecinos más cercanos es una extensión de alguno de los algoritmos descriptos anteriormente. Se mantienen los k elementos más cercanos conocidos en cada momento y el radio se reduce a la distancia máxima entre aquellos k elementos. Cada vez que se compara un elemento contra la consulta, éste podría reemplazar a algún elemento de los candidatos y por lo tanto debería actualizarse el radio de consulta. Indices: En [4, 21, 20] aparecen numerosos métodos de indexación que pueden ser utilizados para resolver los tipos de consultas mencionados. En particular en [15] aparece una nueva técnica que permite resolver muy eficientemente las consultas, siempre y cuando se admita una respuesta no exacta. La búsqueda por similitud no exacta es razonable en muchas aplicaciones debido a que la extracción de características ya implica una aproximación a la realidad y por lo tanto una segunda aproximación durante las búsquedas es, en general, aceptable. Describimos a continuación brevemente la misma: Permutantes: Los índices métricos existentes hacen uso de la desigualdad triangular para responder consultas de proximidad, ya sea partiendo el espacio en regiones compactas o utilizando distancias precalculadas a un conjunto distinguido de elementos. En [15, 2] se presentó una nueva alternativa para resolver el problema, representando los elementos como permutaciones. La idea principal es seleccionar un conjunto de elementos P U, donde P = k; a este conjunto se lo llama permutantes. En la indexación, cada elemento u U ordena los elementos de P por distancia creciente a u. Nótese que cada elemento de la base de datos, una vez que ordena el conjunto P, podría distinguirse respecto a otro u usando sólo ambos órdenes, lo que nos es claramente útil para acotar la búsqueda. Al momento de responder una consulta q, también se genera un orden en el conjunto de permutantes P de acuerdo a su cercanía a q. De la diferencia entre el orden producido en P por q y por u, se puede inferir si u es menos relevante para q, y al menos estimar la semejanza entre u y q (sin posibilidad de descartarlo). De la comparación experimental de esta técnica contra el estado del arte, en diversos espacios reales y sintéticos, se concluye que las permutaciones son mucho mejores predictores de proximidad que las técnicas hasta ahora usadas, sobre todo en dimensiones altas. Generalmente basta revisar una pequeña fracción de la base de datos para tener un alto porcentaje de la respuesta correcta Otras Operaciones Algunas operaciones que podrían ser de interés en bases de datos métricas y que pueden ser optimizadas mediante la inclusión técnicas de programación de alto desempeño son: join por similitud y join por rango. Cada una Join por similitud Es el complemento necesario más importante para las búsquedas de vecinos más cercanos. No es muy utilizado ya que tiene una complejidad cuadrática para grandes colecciones de datos [8, 7]. Dado dos conjuntos de objetos, se debe encontrar pares de objetos (uno de cada conjunto) que satisfagan el mismo predicado de similitud [17, 18]. La comunidad de recuperación de información siempre ha considerado que los resultados de una búsqueda se muestran como unrankingenunalistadeobjetos.dadounaconsulta algunos objetos son más importantes para la consulta que otros y los usuarios están interesados en los objetos más relevantes, es decir los que están en la parte más alta del ranking [4, 15, 2]. En [8] se propone extender la estructura de índice métrico D-index [6] y comparar dos algoritmos construídos para join por similitud para búsquedas en espacios métricos. Las implementaciones de los algoritmos estudiados, consulta por rango y overloading join (auto-join por similitud) [8], no logran eliminar la complejidad cuadrática de
4 los joins por similitud pero si logran una mejora significativa en la performance. Join por rango Es una variante del join por similitud. Dadas dos bases de datos A,B X y una distancia límite r > 0, se deben encontrar todos los pares de objetos a una distancia no mayor que r. Este join básicamente resuelve varias consultas por rango, donde las consultas provienen de un conjunto y los objetos relevantes para cada consulta provienen del otro conjunto. Por lo tanto, calcular el join por rango consiste en indexar un conjunto y luego solucionar consultas por rango para cada elemento del otro conjunto. Siguiendo este enfoque también se puede indexar ambos conjuntos para acelerar todo el proceso. En [17, 18], en cambio se ha propuesto indexar el join de ambos conjuntos, presentando una nueva propuesta para índice métrico que han denominadolist of twin clusters (LTC). LTC hasido utilizada como un índice para solucionar joins por similitud y también como un índice para solucionar otras primitivas básicas como k-closest pair join. Los experimentos realizados para la evaluación de LTC para verificar los join por similitud y sus variantes han mejorado sobres las alternativas básica de tiempo cuadrático y que LTC es competitiva respecto de LC clásicas (list of clusters) [3, 14] para resolver consultas por rango. Además se demostró que esta técnica tiene gran potencial para mejoras. El común denominador de los líneas planteadas es el rápido crecimiento del volumen de datos y la necesidad de resolverlos en forma rápida, eficiente y precisa. Analizar las ventajas y desventajas de utilizar la tecnología de GPU y su modelo de programación asociado para implementar en forma paralela las estructuras planteadas para base de datos métricas constituye una innovadora línea de investigación. Actualmente se está desarrollando la técnica de permutantes considerando las características del modelo CPU-GPU, lo cual implica la aplicación del modelo STMD (Single Threads Multiple Data), el costo de las transferancias entre CPU y GPU, y la jerarquíade memorias propia de la GPU. 5. Resultados y Objetivos El principal aporte de esta línea de investigación es analizar la factibilidad de utilizar la arquitectura GPU y su modelo de programación en el desarrollo de soluciones de alto desempeño a problemas de propósito general, particularmente sobre bases de datos métricas, estableciendo los límites del modelo CPU-GPU para soluciones eficientes y eficaces de consultas y operaciones en ellos. Los actuales desarrollos nos permitirán evaluar y comparar el rendimientos de las soluciones secuenciales y paralelas, no sólo respecto a la velocidad y consecuente aceleración de las soluciones, sino también respecto a la eficiencia de ambas implementaciones. 6. Formación de Recursos Humanos Los resultados esperados respecto a la formación de recursos humanos son hasta el momento una tesis de maestría en desarrollo y dos trabajos de fin de carrera de la Licenciatura en Ciencias de la Computación. Referencias [1] Ian Buck. Gpu computing with nvidia cuda. In ACM SIGGRAPH 2007 courses, SIGGRAPH 07, New York, NY, USA, ACM. [2] E. Chávez, K. Figueroa, and G. Navarro. Effective proximity retrieval by ordering permutations. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 30(9): , [3] E. Chávez and G. Navarro. A compact space decomposition for effective metric indexing. Pattern Recognition Letters, 26(9): , [4] E. Chávez, G. Navarro, R. Baeza-Yates, and J. Marroquín. Searching in metric spaces. ACM Computing Surveys, 33(3): , September [5] Wei-Nien Chen and Hsueh-Ming Hang. H.264/avc motion estimation implmentation on compute unified device architecture (cuda). In Multimedia and Expo, 2008 IEEE International Conference on, [6] V. Dohnal, C. Gennaro, P. Savino, and P. Zezula. D-index: Distance searching index for metric data sets. Multimedia Tools and Applications (MTAP), 21(1):9 33, [7] V. Dohnal, C. Gennaro, P. Savino, and P. Zezula. Similarity join in metric spaces. In Proc. 25th European Conf. on IR Research (ECIR 03), LNCS 2633, pages , [8] V. Dohnal, C. Gennaro, and P. Zezula. Similarity join in metric spaces using ed-index. In Proc. 14th Intl. Conf. on Database and Expert Systems Applications (DEXA 03), LNCS 2736, pages , [9] Mark Joselli, Marcelo Zamith, Esteban Clua, Anselmo Montenegro, Aura Conci, Regina Leal- Toledo, Luis Valente, Bruno Feijó, Marcos d Ornellas, and Cesar Pozzer. Automatic dynamic task distribution between cpu and gpu for real-time
5 systems. In Proceedings of the th IEEE International Conference on Computational Science and Engineering, pages 48 55, Washington, DC, USA, IEEE Computer Society. [10] Michael D. Lieberman, Jagan Sankaranarayanan, and Hanan Samet. A fast similarity join algorithm using graphics processing units. In ICDE, pages IEEE, [11] Brandon Lloyd, Chas Boyd, and Naga K. Govindaraju. Fast computation of general fourier transforms on gpus. In ICME, pages 5 8. IEEE, [12] D. Luebke. Cuda: Scalable parallel programming for high-performance scientific computing. In Biomedical Imaging: From Nano to Macro, IS- BI th IEEE International Symposium on, pages , May [13] David Luebke and Greg Humphreys. How gpus work. Computer, 40:96 100, February [14] M. Mamede. Recursive lists of clusters: A dynamic data structure for range queries in metric spaces. In Proc. 20th Intl. Symp. on Computer and Information Sciences (ISCIS 05), LNCS 3733, pages , [15] K. Figueroa Mora. Indexación Efectiva de Espacios Métricos usando Permutaciones. PhD thesis, Universidad de Chile, Santiago, Chile, Directores: Dr. G. Navarro y Dr. E. Chávez. [16] John D. Owens, David Luebke, Naga Govindaraju, Mark Harris, Jens Krüger, Aaron E. Lefohn, and Timothy J. Purcell. A survey of generalpurpose computation on graphics hardware. Computer Graphics Forum, 26(1):80 113, [17] Rodrigo Paredes and Nora Reyes. List of twin clusters: A data structure for similarity joins in metric spaces. In Proceedings of the First International Workshop on Similarity Search and Applications (sisap 2008), pages , Washington, DC, USA, IEEE Computer Society. [18] Rodrigo Paredes and Nora Reyes. Solving similarity joins and range queries in metric spaces with the list of twin clusters. J. of Discrete Algorithms, 7:18 35, March [19] N. Reyes. Indices dinámicos para espacios métricos de alta dimensionalidad. Master s thesis, Universidad Nacional de San Luis, San Luis, Argentina, Director: Dr. G. Navarro. [20] H. Samet. Foundations of Multidimensional and Metric Data Structures (The Morgan Kaufmann Series in Computer Graphics and Geometric Modeling). Morgan Kaufmann Publishers Inc., San Francisco, CA, USA, [21] P. Zezula, G. Amato, V. Dohnal, and M. Batko. Similarity Search: The Metric Space Approach (Advances in Database Systems). Springer-Verlag New York, Inc., Secaucus, NJ, USA, XVIII, 220 p., Hardcover ISBN:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
Complejidad computacional (Análisis de Algoritmos)
Definición. Complejidad computacional (Análisis de Algoritmos) Es la rama de las ciencias de la computación que estudia, de manera teórica, la optimización de los recursos requeridos durante la ejecución
Intel lanza su procesador Caballero Medieval habilitado para Inteligencia Artificial
Intel lanza su procesador Caballero Medieval habilitado para Inteligencia Artificial Intel ha lanzado su procesador Xeon Phi en la Conferencia Internacional de Supercomputación de Alemania. El procesador
Búsqueda exhaustiva utilizando el coprocesador Intel Xeon Phi
Búsqueda exhaustiva utilizando el coprocesador Intel Xeon Phi Carlos M. Toledo Departamento de Ingeniería de Sistemas, Universidad de La Frontera, Chile. Email: c.toledo1@ufromail.cl Ricardo J. Barrientos
Bases de Datos no Convencionales *
Bases de Datos no Convencionales * Diego Arroyuelo 1, Verónica Ludueña y Nora Reyes darroy,vlud,nreyes @unsl.edu.ar Dpto. de Informática Universidad Nacional de San Luis Tel.: 02652-420822-257 Fax: 02652-430224
Computación de Propósito General en Unidades de Procesamiento Gráfico GPGPU. Clase 0 Lanzamiento del Curso. Motivación
Computación de Propósito General en Unidades de Procesamiento Gráfico () Pablo Ezzatti, Martín Pedemonte Clase 0 Lanzamiento del Curso Contenido Evolución histórica en Fing Infraestructura disponible en
Complejidad de los Algoritmos
Que es un Algoritmo? Complejidad de los Algoritmos Webster: cualquier método especial para resolver cierta clase de problemas. Horowitz: método preciso utilizable en una computadora para la solución de
Búsquedas en Bases de Datos no Convencionales
Búsquedas en Bases de Datos no Convencionales Diego Arroyuelo, Verónica Ludueña y Nora Reyes - darroy,vlud,nreyes @unsl.edu.ar Dpto. de Informática - Universidad Nacional de San Luis - Tel.: 02652-420822-257
PROGRAMA DE CURSO. Código Nombre CC5502 Geometría Computacional Nombre en Inglés Computational Geometry SCT Auxiliar. Personal
PROGRAMA DE CURSO Código Nombre CC5502 Geometría Computacional Nombre en Inglés Computational Geometry SCT es Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal 6 10 3 0 7 Requisitos
La eficiencia de los programas
La eficiencia de los programas Jordi Linares Pellicer EPSA-DSIC Índice General 1 Introducción... 2 2 El coste temporal y espacial de los programas... 2 2.1 El coste temporal medido en función de tiempos
TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN ÁREA SISTEMAS INFORMÁTICOS.
TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN ÁREA SISTEMAS INFORMÁTICOS. HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Ingeniería de
Búsqueda por Contenido de Imágenes y Videos Juan Manuel Barrios Benjamin Bustos
Búsqueda por Contenido de Imágenes y Videos Juan Manuel Barrios Benjamin Bustos Departamento de Ciencias de la Computación Universidad de Chile Semestre Otoño 2015 Curso Búsqueda por Contenido de Imágenes
PROGRAMA DE CURSO. Metodologías de Diseño y Programación. Nombre en Inglés. Design and Programming Methodologies.
Código CC3002 Nombre Nombre en Inglés PROGRAMA DE CURSO Metodologías de Diseño y Programación Design and Programming Methodologies SCT es Docentes Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo
Selección del Hardware y Software Administración del proceso de desarrollo de Sistemas de Información.
Administración del proceso de desarrollo de Sistemas de Información. Determinación de las necesidades de hardware y software. Existencia de equipo en la organización. Proceso de estimación de las cargas
M. C. Felipe Santiago Espinosa
M. C. Felipe Santiago Espinosa Junio de 2008 Un sistema empotrado es un procesador, con sus elementos externos que desarrolla una función especifica de manera autónoma. Un sistema empotrado es un sistema
FUNDAMENTOS DE COMPUTACIÓN PARA CIENTÍFICOS. CNCA Abril 2013
FUNDAMENTOS DE COMPUTACIÓN PARA CIENTÍFICOS CNCA Abril 2013 6. COMPUTACIÓN DE ALTO RENDIMIENTO Ricardo Román DEFINICIÓN High Performance Computing - Computación de Alto Rendimiento Técnicas, investigación
Requerimientos de Software
Requerimientos de Software Ingeniería de Requerimientos Se define como el proceso de establecer los servicios que el consumidor requiere de un sistema y las restricciones sobre las cuales de funcionar
ARQUITECTURAS PARA PROCESAMIENTO PARALELO
1 de 6 27/11/11 13:08 ARQUITECTURAS PARA PROCESAMIENTO PARALELO Facultad de Ingeniería de Sistemas Información para el Proyecto REYCYT RESUMEN Se presenta información general relativa a las diferentes
Interfaces. Carrera: SCF Participantes. Representantes de la academia de sistemas y computación de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Interfaces Ingeniería en Sistemas Computacionales SCF - 0417 2-4-8 2.- HISTORIA
Arquitecturas vectoriales, SIMD y extensiones multimedia
Arquitecturas vectoriales, SIMD y extensiones multimedia William Stallings, Organización y Arquitectura de Computadores, 5ta. ed., Capítulo 16: Procesamiento Paralelo. Andrew S. Tanenbaum, Organización
Análisis de Algoritmos
Análisis de Algoritmos Amalia Duch Barcelona, marzo de 2007 Índice 1. Costes en tiempo y en espacio 1 2. Coste en los casos mejor, promedio y peor 3 3. Notación asintótica 4 4. Coste de los algoritmos
Métodos de Acceso para Bases de Datos Métrico-Temporales
Métodos de Acceso para Bases de Datos Métrico-Temporales Anabella De Battista 1, Andrés Pascal 1, Norma Edith Herrera 2, Gilberto Gutiérrez 3 1 Dpto. Ing. en Sist. de Información, Universidad Tecnológica
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Nociones básicas de computación paralela
Nociones básicas de computación paralela Javier Cuenca 1, Domingo Giménez 2 1 Departamento de Ingeniería y Tecnología de Computadores Universidad de Murcia 2 Departamento de Informática y Sistemas Universidad
Objetivo general: Desarrollar la teoría de árboles utilizando como recurso pedagógico el software Mathematica.
Teoría de árboles a través del uso del software Mathematica Mag. Enrique Vílchez Quesada Universidad Nacional de Costa Rica enrique.vilchez.quesada@una.cr Resumen: con el presente trabajo se comparte uno
DOCUMENTO DE APOYO PARA PROYECTOS
DOCUMENTO DE APOYO PARA PROYECTOS Los ejemplos que a continuación se encuentran en este documento de apoyo al estudiante, tiene como objetivo dar una serie de ejemplos mínimos de algunas partes de los
Paralelizando la Búsquedas en los Servidores Web Línea de investigación: Distribución y Paralelismo
Paralelizando la Búsquedas en los Servidores Web Línea de investigación: Distribución y Paralelismo V. Gil Costa, M. Printista Departamento de Informática Universidad Nacional de San Luis San Luis, Argentina
Estructuras de Datos Métricas para la Recuperación de Información Multimedia en la Web. *
Estructuras de Datos Métricas para la Recuperación de Información Multimedia en la Web. * Roberto Uribe Paredes, Eduardo Peña Jaramillo Departamento de Ingeniería en Computación Universidad de Magallanes
Data Warehousing Diseño e implementación de un data warehouse
Data Warehousing Diseño e implementación de un data warehouse Marta Millan millan@eisc.univalle.edu.co www.eisc.univalle.edu.co/materias Estrategia de división Por qué dividir las tablas?: Facilidad de
Las optimizaciones pueden realizarse de diferentes formas. Las optimizaciones se realizan en base al alcance ofrecido por el compilador.
Unidad III: Optimización Las optimizaciones pueden realizarse de diferentes formas. Las optimizaciones se realizan en base al alcance ofrecido por el compilador. La optimización va a depender del lenguaje
PROGRAMA ANALÍTICO DE ASIGNATURA
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO COORDINACIÓN DE DOCENCIA DIRECCIÓN DE PLANEACIÓN Y DESARROLLO EDUCATIVO _ 1.- DATOS GENERALES 1.1 INSTITUTO: CIENCIAS BÁSICAS E INGENIERÍA PROGRAMA ANALÍTICO
FICHA PÚBLICA DEL PROYECTO
NUMERO DE PROYECTO: 218824 EMPRESA BENEFICIADA: MICROCALLI DEL GOLFO S.A DE C.V TÍTULO DEL PROYECTO: LÍNEA DE PRODUCTOS DE SOFTWARE PARA DOMÓTICA OBJETIVO DEL PROYECTO: Incorporar el paradigma de LPS como
FUNDAMENTOS NUMÉRICOS SEMANA 4
FUNDAMENTOS NUMÉRICOS SEMANA 4 ÍNDICE INECUACIONES Y DESIGUALDADES... 3 APRENDIZAJES ESPERADOS... 3 INTRODUCCIÓN... 3 INECUACIONES... 4 REGLAS DE LAS DESIGUALDADES... 4 INECUACIONES LINEALES... 5 INECUACIONES
ESCUELA SUPERIOR POLITECNICA DEL LITORAL
Sistemas de Toma de Decisiones UNIDAD ACADÉMICA: CARRERA: ESPECIALIZACIÓN: ÁREA: TIPO DE MATERIA: EJE DE FORMACIÓN: Facultad de Ingeniería en Electricidad y Computación Ingeniería en Ciencias Computacionales
Nombre de la asignatura: Diseño Estructurado de Algoritmos. Carrera: Ingeniería en Sistemas Computacionales. Clave de la asignatura: SCB-9316
. D A T O S D E L A A S I G N A T U R A Nombre de la asignatura: Diseño Estructurado de Algoritmos Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: SCB-9 Horas teoría Horas práctica
Métodos de Investigación e Innovación -Metodologías de Investigación-
1 Sesión 2 Métodos de Investigación e Innovación -Metodologías de Investigación- Dr. Hugo Terashima M. 25 de Enero de 2008 2 Page 1 Contenido de la Sesión Metodologías de Investigación Mapa conceptual
Motores de Búsqueda Web Síncronos/Asíncronos
Motores de Búsqueda Web Síncronos/Asíncronos Gil-Costa V. and Printista M. * LIDIC, Dpto. de Informática UNSL +54 (2652) 424027 - Fax: +54 (2652) 430224 Ejército de los Andes 950 5700 - San Luis, Argentina
CAPITULO 1 INTRODUCCION AL PROYECTO
CAPITULO 1 INTRODUCCION AL PROYECTO 1 INTRODUCCION AL PROYECTO 1.1 Marco Teórico Los procesadores digitales de señales ganaron popularidad en los años sesentas con la introducción de la tecnología de estado
SOLUCIÓN NUMÉRICA DE ECUACIONES ALGEBRAICAS Y TRASCENDENTES
SOLUCIÓN NUMÉRICA DE ECUACIONES ALGEBRAICAS Y TRASCENDENTES EL PROBLEMA DE OBTENER LOS CEROS O RAÍCES DE UNA ECUACIÓN ALGEBRAICA O TRASCENDENTE, ES UNO DE LOS REQUERIDOS MAS FRECUENTEMENTE, DEBIDO A ELLO
Estructura de datos. Carrera: SCC Participantes
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estructura de datos Ingeniería en Sistemas Computacionales SCC - 0408 4-2-10 2.-
5. Cuáles son las actividades primarias de la producción de software
1. La clasificación de los recursos humanos son dos: - Personal con experiencia - Personal nuevo sin experiencia (novatos) 2. Cual son las ventajas y desventajas sobre esta clasificación Las ventajas es
Normas Estatales Fundamentales Comunes
Dando sentido a las Normas Estatales Fundamentales Comunes Una guía práctica para maestros y padres Lakeshore S8220 Normas Estatales Fundamentales Comunes: Preguntas frecuentes Qué son las Normas Estatales
LÓGICA DE PROGRAMACIÓN
LÓGICA DE PROGRAMACIÓN Lógica de la Programación Lenguajes de Programación Ing CIP. Mike Joseph Palacios Juárez Clasificación del Software Sistemas Operativos 1. Multitarea 2. Multiusuario 3. Multiproceso
Identificación de inecuaciones lineales en los números reales
Grado Matematicas - Unidad Operando en el conjunto de Tema Identificación de inecuaciones lineales en los números reales Nombre: Curso: A través de la historia han surgido diversos problemas que han implicado
cuevogenet Paralelización en CUDA de la Dinámica Evolutiva de Redes Génicas Dirigido por: Fernando Díaz del Río José Luis Guisado Lizar
cuevogenet Paralelización en CUDA de la Dinámica Evolutiva de Redes Génicas Realizado por: Raúl García Calvo Dirigido por: Fernando Díaz del Río José Luis Guisado Lizar Objetivos Implementar un algoritmo
Sistemas Operativos. Sesión 3: Enrutamiento estático
Sistemas Operativos Sesión 3: Enrutamiento estático Contextualización Anteriormente pudimos entender que un router puede aprender sobre las redes remotas de dos maneras distintas, la primera se da a partir
GRADO EN INGENIERÍA INFORMÁTICA
Facultad de Informática Universidad Complutense de Madrid GRADO EN INGENIERÍA INFORMÁTICA El Grado en Ingeniería Informática incluye dos itinerarios. Itinerario de computación Itinerario de tecnología
OBJETIVO GENERAL: Al terminar el curso el alumno será capaz de analizar, diseñar e implementar bases de datos distribuidas
PLAN DE ESTUDIOS 2008 LICENCIADO EN INFORMÁTICA FACULTAD DE CONTADURÍA, ADMINISTRACIÓN E INFORMÁTICA ASIGNATURA: BASE DE DATOS III ÁREA DEL CONOCIMIENTO: TRATAMIENTO DE LA INFORMACIÓN CLAVE: I6BD3 ETAPA
Nombre de la asignatura: Arquitectura de Computadoras. Créditos: Aportación al perfil
Nombre de la asignatura: Arquitectura de Computadoras Créditos: Aportación al perfil Seleccionar y utilizar de manera óptima técnicas y herramientas computacionales actuales y emergentes. Identificar,
Tutor: Ing. Eddie Galarza. Autores: Edison Xavier Sánchez Quevedo Edison Saúl Gallardo Calvopiña
DISEÑO Y CONSTRUCCIÓN DE UN SISTEMA DE AUTENTIFICACIÓN CON RECONOCIMIENTO FACIAL MEDIANTE PROCESAMIENTO DE IMÁGENES CON LA UTILIZACIÓN DE SOFTWARE LIBRE Y TECNOLOGÍA RASPBERRY PI Autores: Edison Xavier
3.º ESO. Matemáticas orientadas a las enseñanzas aplicadas
3.º ESO. Matemáticas orientadas a las enseñanzas aplicadas BLOQUE DE APRENDIZAJE I: PROCESOS, MÉTODOS Y ACTITUDES EN MATEMÁTICAS 1. Identificar, formular y resolver problemas numéricos, geométricos, funcionales
INFORME Científico-tecnológico
provincia de buenos aires comisión de investigaciones científicas Calle 526 e/ 10 y 11 1900 La Plata Tel. Fax: (0221) 421 7374 / 6205 int.143 D.E.: perapoyo@cic.gba.gov.ar PERSONAL DE APOYO A LA INVESTIGACION
TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN
TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Desarrollo de Habilidades De Pensamiento
SELECCION AUTOMATICA DE ALGORITMO DE ASIGNACION PARA GENERAR CODIGO PARALELO EFICIENTE
CONICYT: Repositorio Institucional: Ficha de Iniciativa de CIT (Ciencia, Tecnología e Innovación) 1 FONDECYT-REGULAR - 2000-1000074 SELECCION AUTOMATICA DE ALGORITMO DE ASIGNACION PARA GENERAR CODIGO PARALELO
Jesús Manuel Carrera Velueta José Juan Almeida García Fecha de elaboración: Mayo 6 de 2010 Fecha de última actualización:
PROGRAMA DE ESTUDIO Programa Educativo: Área de Formación : Licenciatura en Ingeniería Ambiental Sustantiva profesional. Programa elaborado por: PROGRAMACIÓN APLICADA Horas teóricas: 1 Horas prácticas:
Introducción a la Geometría Computacional. Análisis de Algoritmos
Introducción a la Geometría Computacional Análisis de Algoritmos Geometría Computacional La Geometría Computacional surgió a finales de los 70s del área de diseño y análisis de algoritmos. Estudio sistemático
DEPARTAMENTO DE ORGANIZACIÓN INDUSTRIAL Y GESTIÓN DE EMPRESAS ESCUELA SUPERIOR DE INGENIEROS DE LA UNIVERSIDAD DE SEVILLA
6. CONCLUSIONES 6.1. Introducción En este trabajo se ha intentado realizar un estudio suficientemente exhaustivo, que pudiera recopilar los métodos y técnicas más relevantes en la gestión de proyectos
Sistemas de información Administrativa II
Sistemas de información Administrativa II UNIDAD 1 MSI. José Luis Llamas Cárdenas Ciclo de Vida Proceso de todo sistema de información Sistemas de Información El sistema informativo esta comprendido por
David Jordi Vallet Weadon. <david.vallet@uam.es>
David Jordi Vallet Weadon 1 Introducción Durante las últimas décadas, la personalización ha sido aplicada en diferentes campos de la informática, tanto en la rama científica como
Universidad de Santiago de Chile Facultad de Ciencia Departamento de Matemática y Ciencias de la Computación
Universidad de Santiago de Chile Facultad de Ciencia Departamento de Matemática y Ciencias de la Computación EJERCICIOS RESUELTOS DE ECUACIONES NO LINEALES Profesor: Jaime Álvarez Maldonado Ayudante: Rodrigo
MARIA. -Plan de Estudios- Doctorado en Informática
MARIA -Plan de Estudios- CONTENIDOS 1) Presentación 5) Objetivos 2) Requisitos 6) Cursos Obligatorios 3) Plan de Estudios / Duración 7) Cursos Sugeridos 4) Tabla de Créditos 1) Presentación Su programa
13. Utilizar la fórmula del término general y de la suma de n términos consecutivos
Contenidos mínimos 3º ESO. 1. Contenidos. Bloque I: Aritmética y álgebra. 1. Utilizar las reglas de jerarquía de paréntesis y operaciones, para efectuar cálculos con números racionales, expresados en forma
PA JOSÉ MANUEL BURBANO CARVAJAL
PA121-01 SISTEMA DE GESTIÓN DEL CONOCIMIENTO PARA LA DEFINICIÓN DE ESTRATEGIAS QUE EVITEN LA DESERCIÓN ESCOLAR EN LOS COLEGIOS DE MOCOA PUTUMAYO EN EL NIVEL DE EDUCACIÓN BÁSICA SECUNDARIA JOSÉ MANUEL BURBANO
PROGRAMA DE CURSO. Personal 6 10 3.0 0 7. Electivo para ICC FI2002 Electromagnetismo. Competencia a la que Tributa el Curso. Propósito del Curso
PROGRAMA DE CURSO Código Nombre CC5206 Introducción a la Minería de Datos Nombre en Inglés Introduction to Data Mining SCT es Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal
MÉTODO NUMÉRICO HEURÍSTICO PARA EL CÁLCULO DE RAÍCES DE POLINOMIOS
MÉTODO NUMÉRICO HEURÍSTICO PARA EL CÁLCULO DE RAÍCES DE POLINOMIOS Ramón Cantú Cuéllar Luis Chávez Guzmán José Luis Cantú Mata Resumen En este artículo se propone un nuevo método numérico, para obtener
Computadora y Sistema Operativo
Computadora y Sistema Operativo Según la RAE (Real Academia de la lengua española), una computadora es una máquina electrónica, analógica o digital, dotada de una memoria de gran capacidad y de métodos
L/O/G/O Tema: Integrantes:
L/O/G/O Tema: FORMULACIÓN DE UN SISTEMA DE GESTIÓN DE SERVICIOS DE TI SIGUIENDO LA METODOLOGÍA ITIL Integrantes: TASAYCO REYES FREDY ATACHAGUA AQUIJE DIANA INDICE Resumen Ejecutivo Introducción 1. Planteamiento
PROGRAMA DE MATEMÁTICA DIVERSIFICACIÓN CIENTÍFICA SEGUNDO AÑO DE BA CHILLERATO REFORMULACIÓN 2006 AJUSTE 2010 INTRODUCCIÓN
PROGRAMA DE MATEMÁTICA DIVERSIFICACIÓN CIENTÍFICA SEGUNDO AÑO DE BA CHILLERATO REFORMULACIÓN 2006 AJUSTE 2010 INTRODUCCIÓN El programa se estructura en tres Bloques Temáticos: NÚMERO, ANÁLISIS MATEMÁTICO
Tema 2 Introducción a la Programación en C.
Tema 2 Introducción a la Programación en C. Contenidos 1. Conceptos Básicos 1.1 Definiciones. 1.2 El Proceso de Desarrollo de Software. 2. Lenguajes de Programación. 2.1 Definición y Tipos de Lenguajes
Administración de Recursos Informáticos Unidad II: Unidad de Tecnologías de Información y Comunicaciones La Generación de Proyectos
Unidad II: Unidad de Tecnologías de Información y Comunicaciones La Generación de Proyectos Estructuracion Satisfaccion de necesidad Proyecto de solucion Nacimiento de una Necesidad Las personas requieren
Optimización de Rutinas Multinivel de Álgebra Lineal en Sistemas Multicore
Máster en Nuevas Tecnologías en Informática Facultad de Informática Universidad de Murcia Optimización de Rutinas Multinivel de Álgebra Lineal en Sistemas Multicore Autor: Jesús Cámara Moreno Directores:
Multiplicación de Matrices en Sistemas cc-numa Multicore. Autor: Jesús Cámara Moreno Director: Domingo Giménez Cánovas
Multiplicación de Matrices en Sistemas cc-numa Multicore Autor: Jesús Cámara Moreno Director: Domingo Giménez Cánovas Índice de Contenido 1. Introducción 2. Línea de Investigación 3. Sistemas Empleados
Andres Felipe Rojas / Nancy Gelvez. UNESCO UNIR ICT & Education Latam Congress 2016
Distributed processing using cosine similarity for mapping Big Data in Hadoop (Procesamiento distribuido usando similitud de coseno para mapear Big Data en Haddop) Andres Felipe Rojas / Nancy Gelvez UNESCO
TARJETA DE ADQUISICIÓN DE DATOS USB TAD U B Bits
TARJETA DE ADQUISICIÓN DE DATOS USB TAD 12 Bits U B 2.0 CONTROL Mayo 2006 CONTROL & TECNOLOGIA Logic Elelctronics es una iniciativa empresarial dedica ha solucionar los múltiples desafíos de la ingeniería,
MICROSOFT EXCEL 2010
MICROSOFT EXCEL 2010 1. AVANZADO Nº Horas:24 Objetivos: Descripción de funciones avanzadas de la hoja de cálculo Microsoft Excel 2010, viendo el uso de fórmulas, funciones y gráficos en los libros de Excel.
FLAG/C. Una API para computación matricial sobre GPUs. M. Jesús Zafont Alberto Martín Francisco Igual Enrique S. Quintana-Ortí
FLAG/C Una API para computación matricial sobre GPUs M. Jesús Zafont Alberto Martín Francisco Igual Enrique S. Quintana-Ortí High Performance Computing & Architectures Group Universitat Jaume I de Castellón
UNIDAD 6: SISTEMAS DE ECUACIONES
UNIDAD 6: SISTEMAS DE ECUACIONES Continuamos con el estudio de la asignatura; ya hemos abordado cinco capítulos del programa de estudio: Los números reales, ecuaciones, desigualdades y algunas de las funciones
SIG. CIAF Centro de Investigación y Desarrollo en Información Geográfica. Fundamentos de Sistemas de Información Geográfica C U R S O.
Grupo SIG C U R S O Fundamentos de Sistemas de Información Geográfica UNIDAD 1 Generalidades de los Sistemas de Información Geográfica Tema 3 Ciclo de vida y componentes de los SIG CIAF Centro de Investigación
Proyecto Multimedia. Elio Sancristóbal Ruiz
Proyecto Multimedia Elio Sancristóbal Ruiz Índice Áreas que participan en un proyecto multimedia. Área de redacción Área de producción Área técnica Área artística Máster en Ingeniería de la Web 2 Área
1-Componentes Físicos y Lógicos de un Ordenador.
1-Componentes Físicos y Lógicos de un Ordenador. En este capítulo trataremos de explicar el conjunto de elementos por lo que está compuesto un ordenador. A grandes rasgos un Ordenador Personal o PC ( Personal
Investigación de Operaciones (IO) Operations Research
Investigación de Operaciones (IO) Operations Research Dr. Ricardo Soto [ricardo.soto@ucv.cl] [http://www.inf.ucv.cl/ rsoto] Escuela de Ingeniería Informática Pontificia Universidad Católica de Valparaíso
Nombre de la asignatura: Algoritmos y Lenguajes de programación.
Nombre de la asignatura: Algoritmos y Lenguajes de programación. Créditos: 2-4- 6 Aportación al perfil Dominar la lógica necesaria para aprender lenguajes de programación de alto nivel para poder resolver
Lic. Saidys Jiménez Quiroz. Área de Tecnología e Informática. Grado 6 - Cescoj
Lic. Saidys Jiménez Quiroz Área de Tecnología e Informática Grado 6 - Cescoj 2011 NÚCLEO BÁSICO N 2: INTRODUCCIÓN A LA INFORMÁTICA. SESIÓN DE APRENDIZAJE N 2.3: CLASIFICACIÓN DE LOS COMPUTADORES. COMPETENCIA:
Organización del Computador I. Introducción e Historia
Organización del Computador I Introducción e Historia Introducción Qué es una computadora? Stallings: Máquina digital electrónica programable para el tratamiento automático de la información, capaz de
LICENCIADO EN SISTEMAS COMPUTACIONALES. Este programa educativo se ofrece en las siguientes sedes académicas de la UABC:
LICENCIADO EN SISTEMAS COMPUTACIONALES Este programa educativo se ofrece en las siguientes sedes académicas de la UABC: Campus Campus Tijuana, Unidad Valle de las Palmas Nota: No ofertado a partir del
Evaluación de Algoritmos de Ruteo de Paquetes en Redes de Computadoras. Fax: 54-2652-430224 Fax: 34-91-3367426
Evaluación de Algoritmos de Ruteo de Paquetes en Redes de Computadoras Berón, Mario Marcelo Gagliardi, Edilma Olinda Departamento de Informática Facultad de Ciencias Físico, Matemáticas y Naturales Universidad
Contenidos multimedia : Accesibilidad Flash
Contenidos multimedia : Accesibilidad Flash Introducción A la hora de desarrollar contenidos multimedia accesibles se ha optado por utilizar la tecnología Flash de Macromedia. Esta nos permite una gran
Carrera: ACM Participantes. Academia Eléctrica y Electrónica del Instituto Tecnológico Superior de Coatzacoalcos
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Control de Procesos II Ingeniería Electrónica ACM-0804 2-3-8 2.- HISTORIA DEL PROGRAMA
Conceptos de Algoritmos, Datos y Programas
Conceptos de Algoritmos, Datos y Programas Año 2015 Carreras: Lic. en Informática P2015 Lic. en Sistemas P2015 APU P2015 Año: 1 Duración: Cuatrimestral Coordinador: Ing. Armando De Giusti Profesores: Esp.
Ubicación de la asignatura. Propósito de la asignatura. Desarrollando proyectos. Asignaturas relacionadas. Una mirada hacia la optimización económica
EL CÁLCULO EN MI VIDA DIARIA OPTATIVAS ÁREA: MATEMÁTICAS Ubicación de la asignatura La asignatura El cálculo en mi vida diaria, se encuentra dentro del bloque de las asignaturas optativas del Bachillerato
Actividades de Trabajo Independiente
Actividad 1. Proyectos Complementarios Actividades de Trabajo Independiente Son proyectos donde el grado de complementariedad entre ellos es tan alto que no se puede concebir uno sin el otro, se precisa
Modelo de aplicaciones CUDA
Modelo de aplicaciones CUDA Utilización de GPGPUs: las placas gráficas se utilizan en el contexto de una CPU: host (CPU) + uno o varios device o GPUs Procesadores masivamente paralelos equipados con muchas
Area Académica: Sistemas Computacionales. Tema: Elementos de diseño de memoria caché
Area Académica: Sistemas Computacionales Tema: Elementos de diseño de memoria caché Profesor: Raúl Hernández Palacios Periodo: 2011 Keywords: Memory, cache memory. Tema: Elementos de diseño de memoria
Montaje y Reparación de Sistemas Microinformáticos
Montaje y Reparación de Sistemas s Es uno de los componentes más imprescindible del equipo informático. Al igual que el resto de tarjetas de expansión, la tarjeta gráfica se conecta al bus PCIe. Algunas
Introducción. Alfonso Cubillos. Programa de Ing. Mecánica Universidad de Ibagué. Aplicaciones computacionales de la Mecánica de Materiales
Programa de Ing. Mecánica Universidad de Ibagué Aplicaciones computacionales de la Mecánica de Materiales Agosto 2007 Cuál es la definición de Mecánica? Cuál es la definición de Mecánica? La mecánica es
Introducción. Universidad Nacional Tecnológica del Cono Sur de Lima JORGE AUGUSTO MARTEL TORRES 1
Universidad Nacional Tecnológica del Cono Sur de Lima Especialidad Ingeniería Mecánica Ingeniería Electrónica Introducción PROGRAMACIÓN DE INGENIERÍA Semana 01-A: Introducción Arquitectura Ing. Jorge A.
POLITICAS NACIONALES BASADAS EN EVIDENCIA: SIGNIFICADO E IMPLICACIONES
COMISION INTERAMERICANA PARA EL CONTROL DEL ABUSO DE DROGAS C I C A D Secretaría de Seguridad Multidimensional QUINCUAGÉSIMO PRIMER PERÍODO ORDINARIO DE SESIONES Del 9 al 11 de mayo de 2012 Washington,
SERVICIO NACIONAL DE APRENDIZAJE SENA SISTEMA INTEGRADO DE GESTIÓN Procedimiento Ejecución de la Formación Profesional Integral GUÍA DE APRENDIZAJE
Nº 1 1. IDENTIFICACIÓN DE LA GUIA DE APRENDIZAJE Programa de Formación: Técnico en programación de software Nombre del Proyecto: Sistema de información para la gestión empresarial Fase del proyecto: FASE
Métodos para escribir algoritmos: Diagramas de Flujo y pseudocódigo
TEMA 2: CONCEPTOS BÁSICOS DE ALGORÍTMICA 1. Definición de Algoritmo 1.1. Propiedades de los Algoritmos 2. Qué es un Programa? 2.1. Cómo se construye un Programa 3. Definición y uso de herramientas para
Bloque 1. Contenidos comunes. (Total: 3 sesiones)
4º E.S.O. OPCIÓN A 1.1.1 Contenidos 1.1.1.1 Bloque 1. Contenidos comunes. (Total: 3 sesiones) Planificación y utilización de procesos de razonamiento y estrategias de resolución de problemas, tales como