Cambios

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "AH Baena, SI Valdez, F de Jes\u00fas Trujillo Romero, MM 
2
  "author": "AH Baena, SI Valdez, F de Jes\u00fas Trujillo Romero, MM 
            
3
Montes", 
3
Montes", 
            
4
  "author_email": null, 
4
  "author_email": null, 
            
5
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
5
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
            
6
  "extras": [
6
  "extras": [
            
7
    {
7
    {
            
8
      "key": "Publicaci\u00f3n", 
8
      "key": "Publicaci\u00f3n", 
            
9
      "value": "Conferencia"
9
      "value": "Conferencia"
            
10
    }, 
10
    }, 
            
11
    {
11
    {
            
12
      "key": "Tipo", 
12
      "key": "Tipo", 
            
13
      "value": "Publicaci\u00f3n"
13
      "value": "Publicaci\u00f3n"
            
14
    }
14
    }
            
15
  ], 
15
  ], 
            
16
  "groups": [
16
  "groups": [
            
17
    {
17
    {
            
18
      "description": "Este grupo integra las publicaciones 
18
      "description": "Este grupo integra las publicaciones 
            
19
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
19
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
            
20
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
20
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
            
21
presentados en congresos nacionales e internacionales, manuscritos en 
21
presentados en congresos nacionales e internacionales, manuscritos en 
            
22
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
22
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
            
23
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
23
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
            
24
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
24
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
            
25
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
25
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
            
26
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
26
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
            
27
      "display_name": "Publicaciones", 
27
      "display_name": "Publicaciones", 
            
28
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
28
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
            
29
      "image_display_url": "", 
29
      "image_display_url": "", 
            
30
      "name": "publicaciones", 
30
      "name": "publicaciones", 
            
31
      "title": "Publicaciones"
31
      "title": "Publicaciones"
            
32
    }
32
    }
            
33
  ], 
33
  ], 
            
34
  "id": "a2740417-a02e-4c1a-b647-9b9bcf21cf6e", 
34
  "id": "a2740417-a02e-4c1a-b647-9b9bcf21cf6e", 
            
35
  "isopen": false, 
35
  "isopen": false, 
            
36
  "license_id": null, 
36
  "license_id": null, 
            
37
  "license_title": null, 
37
  "license_title": null, 
            
38
  "maintainer": null, 
38
  "maintainer": null, 
            
39
  "maintainer_email": null, 
39
  "maintainer_email": null, 
            
40
  "metadata_created": "2025-10-11T01:23:55.490945", 
40
  "metadata_created": "2025-10-11T01:23:55.490945", 
            
n
41
  "metadata_modified": "2025-10-11T01:23:55.490953", 
n
41
  "metadata_modified": "2025-10-11T01:23:55.984244", 
            
42
  "name": 
42
  "name": 
            
43
of-sa-and-ga-for-optimizing-the-performance-of-a-roboti-f31ad338a648", 
43
of-sa-and-ga-for-optimizing-the-performance-of-a-roboti-f31ad338a648", 
            
44
  "notes": "Deep learning (DL) is playing an increasingly important 
44
  "notes": "Deep learning (DL) is playing an increasingly important 
            
45
role in our lives. It has already made a huge impact in areas, such as 
45
role in our lives. It has already made a huge impact in areas, such as 
            
46
cancer diagnosis, precision medicine, self-driving cars, predictive 
46
cancer diagnosis, precision medicine, self-driving cars, predictive 
            
47
forecasting, and speech recognition. The painstakingly handcrafted 
47
forecasting, and speech recognition. The painstakingly handcrafted 
            
48
feature extractors used in traditional learning, classification, and 
48
feature extractors used in traditional learning, classification, and 
            
49
pattern recognition systems are not scalable for large-sized data 
49
pattern recognition systems are not scalable for large-sized data 
            
50
sets. In many cases, depending on the problem complexity, DL can also 
50
sets. In many cases, depending on the problem complexity, DL can also 
            
51
overcome the limitations of earlier shallow networks that prevented 
51
overcome the limitations of earlier shallow networks that prevented 
            
52
efficient training and abstractions of hierarchical representations of 
52
efficient training and abstractions of hierarchical representations of 
            
53
multi-dimensional training data. Deep neural network (DNN) uses 
53
multi-dimensional training data. Deep neural network (DNN) uses 
            
54
multiple (deep) layers of units with highly optimized algorithms and 
54
multiple (deep) layers of units with highly optimized algorithms and 
            
55
architectures. This paper reviews several optimization methods to 
55
architectures. This paper reviews several optimization methods to 
            
56
improve the accuracy of the training and to reduce training time. We 
56
improve the accuracy of the training and to reduce training time. We 
            
57
delve into the math behind training algorithms used in recent deep 
57
delve into the math behind training algorithms used in recent deep 
            
58
networks. We describe current shortcomings, enhancements, and 
58
networks. We describe current shortcomings, enhancements, and 
            
59
implementations. The review also covers different types of deep 
59
implementations. The review also covers different types of deep 
            
60
architectures, such as deep convolution networks, deep residual 
60
architectures, such as deep convolution networks, deep residual 
            
61
networks, recurrent neural networks, reinforcement learning, 
61
networks, recurrent neural networks, reinforcement learning, 
            
62
variational autoencoders, and others.", 
62
variational autoencoders, and others.", 
            
n
63
  "num_resources": 0, 
n
63
  "num_resources": 1, 
            
64
  "num_tags": 13, 
64
  "num_tags": 13, 
            
65
  "organization": {
65
  "organization": {
            
66
    "approval_status": "approved", 
66
    "approval_status": "approved", 
            
67
    "created": "2022-05-19T00:10:30.480393", 
67
    "created": "2022-05-19T00:10:30.480393", 
            
68
    "description": "Observatorio Metropolitano CentroGeo", 
68
    "description": "Observatorio Metropolitano CentroGeo", 
            
69
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
69
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
70
    "image_url": 
70
    "image_url": 
            
71
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
71
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
72
    "is_organization": true, 
72
    "is_organization": true, 
            
73
    "name": "observatorio-metropolitano-centrogeo", 
73
    "name": "observatorio-metropolitano-centrogeo", 
            
74
    "state": "active", 
74
    "state": "active", 
            
75
    "title": "Observatorio Metropolitano CentroGeo", 
75
    "title": "Observatorio Metropolitano CentroGeo", 
            
76
    "type": "organization"
76
    "type": "organization"
            
77
  }, 
77
  }, 
            
78
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
78
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
79
  "private": false, 
79
  "private": false, 
            
80
  "relationships_as_object": [], 
80
  "relationships_as_object": [], 
            
81
  "relationships_as_subject": [], 
81
  "relationships_as_subject": [], 
            
t
82
  "resources": [], 
t
82
  "resources": [
            
83
    {
            
84
      "cache_last_updated": null, 
            
85
      "cache_url": null, 
            
86
      "created": "2025-10-11T01:23:56.021597", 
            
87
      "datastore_active": false, 
            
88
      "description": "Deep learning (DL) is playing an increasingly 
            
89
important role in our lives. It has already made a huge impact in 
            
90
areas, such as cancer diagnosis, precision medicine, self-driving 
            
91
cars, predictive forecasting, and speech recognition. The 
            
92
painstakingly handcrafted feature extractors used in traditional 
            
93
learning, classification, and pattern recognition systems are not 
            
94
scalable for large-sized data sets. In many cases, depending on the 
            
95
problem complexity, DL can also overcome the limitations of earlier 
            
96
shallow networks that prevented efficient training and abstractions of 
            
97
hierarchical representations of multi-dimensional training data. Deep 
            
98
neural network (DNN) uses multiple (deep) layers of units with highly 
            
99
optimized algorithms and architectures. This paper reviews several 
            
100
optimization methods to improve the accuracy of the training and to 
            
101
reduce training time. We delve into the math behind training 
            
102
algorithms used in recent deep networks. We describe current 
            
103
shortcomings, enhancements, and implementations. The review also 
            
104
covers different types of deep architectures, such as deep convolution 
            
105
networks, deep residual networks, recurrent neural networks, 
            
106
reinforcement learning, variational autoencoders, and others.", 
            
107
      "format": "HTML", 
            
108
      "hash": "", 
            
109
      "id": "bdfd243f-e938-4d4d-b162-61bff29e95a2", 
            
110
      "last_modified": null, 
            
111
      "metadata_modified": "2025-10-11T01:23:55.988750", 
            
112
      "mimetype": null, 
            
113
      "mimetype_inner": null, 
            
114
      "name": "Comparison of Parallel Versions of SA and GA for 
            
115
Optimizing the Performance of a Robotic Manipulator", 
            
116
      "package_id": "a2740417-a02e-4c1a-b647-9b9bcf21cf6e", 
            
117
      "position": 0, 
            
118
      "resource_type": null, 
            
119
      "size": null, 
            
120
      "state": "active", 
            
121
      "url": "https://doi.org/10.1109/tensymp46218.2019.8971088", 
            
122
      "url_type": null
            
123
    }
            
124
  ], 
            
83
  "state": "active", 
125
  "state": "active", 
            
84
  "tags": [
126
  "tags": [
            
85
    {
127
    {
            
86
      "display_name": "artificial-intelligence", 
128
      "display_name": "artificial-intelligence", 
            
87
      "id": "47cb06d3-c2a4-42af-b633-03eea6181083", 
129
      "id": "47cb06d3-c2a4-42af-b633-03eea6181083", 
            
88
      "name": "artificial-intelligence", 
130
      "name": "artificial-intelligence", 
            
89
      "state": "active", 
131
      "state": "active", 
            
90
      "vocabulary_id": null
132
      "vocabulary_id": null
            
91
    }, 
133
    }, 
            
92
    {
134
    {
            
93
      "display_name": "artificial-neural-network", 
135
      "display_name": "artificial-neural-network", 
            
94
      "id": "d63d29ea-7b70-4ed5-83cc-66f3b9586c1c", 
136
      "id": "d63d29ea-7b70-4ed5-83cc-66f3b9586c1c", 
            
95
      "name": "artificial-neural-network", 
137
      "name": "artificial-neural-network", 
            
96
      "state": "active", 
138
      "state": "active", 
            
97
      "vocabulary_id": null
139
      "vocabulary_id": null
            
98
    }, 
140
    }, 
            
99
    {
141
    {
            
100
      "display_name": "computer-science", 
142
      "display_name": "computer-science", 
            
101
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
143
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
102
      "name": "computer-science", 
144
      "name": "computer-science", 
            
103
      "state": "active", 
145
      "state": "active", 
            
104
      "vocabulary_id": null
146
      "vocabulary_id": null
            
105
    }, 
147
    }, 
            
106
    {
148
    {
            
107
      "display_name": "convolution-computer-science", 
149
      "display_name": "convolution-computer-science", 
            
108
      "id": "a269c0f4-3317-41c8-b14a-ee7054066d07", 
150
      "id": "a269c0f4-3317-41c8-b14a-ee7054066d07", 
            
109
      "name": "convolution-computer-science", 
151
      "name": "convolution-computer-science", 
            
110
      "state": "active", 
152
      "state": "active", 
            
111
      "vocabulary_id": null
153
      "vocabulary_id": null
            
112
    }, 
154
    }, 
            
113
    {
155
    {
            
114
      "display_name": "deep-learning", 
156
      "display_name": "deep-learning", 
            
115
      "id": "2374322a-d83b-4c03-8b75-ba1d0b75384e", 
157
      "id": "2374322a-d83b-4c03-8b75-ba1d0b75384e", 
            
116
      "name": "deep-learning", 
158
      "name": "deep-learning", 
            
117
      "state": "active", 
159
      "state": "active", 
            
118
      "vocabulary_id": null
160
      "vocabulary_id": null
            
119
    }, 
161
    }, 
            
120
    {
162
    {
            
121
      "display_name": "deep-neural-networks", 
163
      "display_name": "deep-neural-networks", 
            
122
      "id": "4f23ca30-4b12-401d-a93c-958cf047df6e", 
164
      "id": "4f23ca30-4b12-401d-a93c-958cf047df6e", 
            
123
      "name": "deep-neural-networks", 
165
      "name": "deep-neural-networks", 
            
124
      "state": "active", 
166
      "state": "active", 
            
125
      "vocabulary_id": null
167
      "vocabulary_id": null
            
126
    }, 
168
    }, 
            
127
    {
169
    {
            
128
      "display_name": "feature-engineering", 
170
      "display_name": "feature-engineering", 
            
129
      "id": "69dbb3f7-b4af-43fd-89e9-e3ccd3b18571", 
171
      "id": "69dbb3f7-b4af-43fd-89e9-e3ccd3b18571", 
            
130
      "name": "feature-engineering", 
172
      "name": "feature-engineering", 
            
131
      "state": "active", 
173
      "state": "active", 
            
132
      "vocabulary_id": null
174
      "vocabulary_id": null
            
133
    }, 
175
    }, 
            
134
    {
176
    {
            
135
      "display_name": "feature-linguistics", 
177
      "display_name": "feature-linguistics", 
            
136
      "id": "359a6897-20b1-4cd2-bb05-6336c1652ac3", 
178
      "id": "359a6897-20b1-4cd2-bb05-6336c1652ac3", 
            
137
      "name": "feature-linguistics", 
179
      "name": "feature-linguistics", 
            
138
      "state": "active", 
180
      "state": "active", 
            
139
      "vocabulary_id": null
181
      "vocabulary_id": null
            
140
    }, 
182
    }, 
            
141
    {
183
    {
            
142
      "display_name": "implementation", 
184
      "display_name": "implementation", 
            
143
      "id": "96ea3448-7af9-42f3-a62b-38213202cb6a", 
185
      "id": "96ea3448-7af9-42f3-a62b-38213202cb6a", 
            
144
      "name": "implementation", 
186
      "name": "implementation", 
            
145
      "state": "active", 
187
      "state": "active", 
            
146
      "vocabulary_id": null
188
      "vocabulary_id": null
            
147
    }, 
189
    }, 
            
148
    {
190
    {
            
149
      "display_name": "machine-learning", 
191
      "display_name": "machine-learning", 
            
150
      "id": "99557dd8-2914-4e28-8278-7a042cfb23d0", 
192
      "id": "99557dd8-2914-4e28-8278-7a042cfb23d0", 
            
151
      "name": "machine-learning", 
193
      "name": "machine-learning", 
            
152
      "state": "active", 
194
      "state": "active", 
            
153
      "vocabulary_id": null
195
      "vocabulary_id": null
            
154
    }, 
196
    }, 
            
155
    {
197
    {
            
156
      "display_name": "reinforcement-learning", 
198
      "display_name": "reinforcement-learning", 
            
157
      "id": "b1e9ef04-913a-447b-a907-cf3f82e79749", 
199
      "id": "b1e9ef04-913a-447b-a907-cf3f82e79749", 
            
158
      "name": "reinforcement-learning", 
200
      "name": "reinforcement-learning", 
            
159
      "state": "active", 
201
      "state": "active", 
            
160
      "vocabulary_id": null
202
      "vocabulary_id": null
            
161
    }, 
203
    }, 
            
162
    {
204
    {
            
163
      "display_name": "residual", 
205
      "display_name": "residual", 
            
164
      "id": "8ffc0ed6-f88b-44bf-9a98-033b58222105", 
206
      "id": "8ffc0ed6-f88b-44bf-9a98-033b58222105", 
            
165
      "name": "residual", 
207
      "name": "residual", 
            
166
      "state": "active", 
208
      "state": "active", 
            
167
      "vocabulary_id": null
209
      "vocabulary_id": null
            
168
    }, 
210
    }, 
            
169
    {
211
    {
            
170
      "display_name": "scalability", 
212
      "display_name": "scalability", 
            
171
      "id": "0c20066c-b269-4406-97d7-dbbb52d722ca", 
213
      "id": "0c20066c-b269-4406-97d7-dbbb52d722ca", 
            
172
      "name": "scalability", 
214
      "name": "scalability", 
            
173
      "state": "active", 
215
      "state": "active", 
            
174
      "vocabulary_id": null
216
      "vocabulary_id": null
            
175
    }
217
    }
            
176
  ], 
218
  ], 
            
177
  "title": "Comparison of Parallel Versions of SA and GA for 
219
  "title": "Comparison of Parallel Versions of SA and GA for 
            
178
Optimizing the Performance of a Robotic Manipulator", 
220
Optimizing the Performance of a Robotic Manipulator", 
            
179
  "type": "dataset", 
221
  "type": "dataset", 
            
180
  "url": "https://doi.org/10.1109/tensymp46218.2019.8971088", 
222
  "url": "https://doi.org/10.1109/tensymp46218.2019.8971088", 
            
181
  "version": null
223
  "version": null
            
182
}
224
}