(Click para ampliar, esquema Macintosh 512Kb, visto en DigiBarn)

Todo, absolutamente todo el diseño del ordenador completo Macintosh 512Kb está escrito (por cierto, a mano) en esta única hoja de papel (incluyendo todos los microprocesadores con sus correspondientes patillas detalladas).

Daniel Kottke (empleado número 12 de Apple, fue quién montó y probó el primer Apple I) es el co-autor de este esquema (fechado en Febrero de 1983) el cual sirvió de base para los prototipos de Macintosh 64Kb y luego el Macintosh 128Kb (lanzados en Enero de 1984).

Parte 1/5

Parte 2/5

Parte 3/5

Parte 4/5

Un supermercado QR es aquel en el que los productos son sustituidos por imágenes referenciadas a código QR (~400) con los cuales, a través de tu smartphone, poder hacer un sumatorio de productos y realizar la compra diaria, que después envían a tu domicilio. Tan solo existen unos cuantos supermercados así en el mundo: Corea del Sur, Sydney (Australia) y Filadelfia (EE.UU.) y ahora en la estación de Sarrià en Barcelona. Se prevé un total de entre 1.000 y 1.500 clientes diarios gracias a la situación estratégica de la tienda. La cadena quiere dar continuidad al proyecto del supermercado virtual en otras estaciones de tren o en distintas ubicaciones.

Fuente

En 4SysOps nos muestran un par de scripts que se han currado para recuperar entradas ("keys") del registro de Windows en un ordenador remoto y otro también para modificarlos o crear nuevas entradas.

Todo está explicado paso a paso.

En este enlace tienes el script para recuperar entradas del registro.

En este otro el script para modificar y crear entradas del registro.

Por si acaso algún día nos hace falta … ;)

Time lapse espectacular desde la ISS.

Visto en GeeksAreSexy

Ayer por la noche me llevé otro pequeño disgusto con mi nueva Ubuntu 12.04. Cuando iba a echar mano de aircrack para hacer alguna pruebecilla, me percaté de que no tenía instalas dichas herramientas, así que me fui a la líne de comandos:

apt-get install aircrack-ng

Y para mi sorpresa, me encuentro con:

Package aircrack-ng is not available, but is referred to by another package.
This may mean that the package is missing, has been obsoleted, or
is only available from another source
However the following packages replace it:
  iw:i386 iw

Después de buscar un poco para asegurarme de que no era el sueño el que me estaba jugando una mala pasada, parece que el paquete aircrack-ng ya no está en los repositorios de Ubuntu. Por lo tanto mis opciones son añadir algún repositorio de terceros, cosa que no me hace mucha gracia, bajarnos los binarios e instalarlos o bajarnos los fuentes, compilar e instalar, opción por la que me decanté.

Con motivo del centenario de Alan Turing, el cual no necesita presentación, son muchos los eventos y homenajes que se han dedicado a la figura del gran genio. Uno de los detalles que más me ha gustado de los que he visto es esta réplica de la Máquina de Turing hecha con Legos Mindstorms NXT.

Podéis ver los detalles la misma en la enlace de arriba y además también está disponible el software de la misma en github.

Los que sigáis el blog desde hace algún tiempo ya sabréis que nos gusta la programación retro, es decir, programación de tecnología antigua y obsoleta que ya no se usa, pero que en su día fueron joyas.

El motivo de esta entrada es la de hablaros sobre este tutorial de introducción al lenguaje ensamblador del microprocesador MOS 6502, chip que incluía sistemas como el Atari 2600, Commodore 64 o la consola NES entre otros.

En la web del Instituto de Tecnología de California podemos encontrar un serie de vídeos orientados a la enseñanza de Machine Learning, titulado Learning from Data. Técnica ampliamente usada en el campo de la inteligencia artificial, dónde básicamente nuestra aplicación estudia el entorno en el que se encuentra para aprender más sobre el mismo y así poder tomar decisiones.

El índice de los vídeos es el siguiente:

• Bayesian Learning
  • Validity of the Bayesian approach (prior, posterior, unknown versus probabilistic)
• Bias-Variance Tradeoff
  • Basic derivation (overfit and underfit, approximation-generalization tradeoff)
  • Example (sinusoidal target function)
  • Noisy case (Bias-variance-noise decomposition)
• Bin Model
  • Hoeffding Inequality (law of large numbers, sample, PAC)
  • Relation to learning (from bin to hypothesis, training data)
  • Multiple bins (finite hypothesis set, learning: search for green sample)
  • Union Bound (uniform inequality, M factor)
• Data Snooping
  • Definition and analysis (data contamination, model selection)
• Ensemble Learning
  • Overview of aggregation methods (boosting, blending, before and after the fact)
• Error Measures
  • User-specified error function (pointwise error, CIA, supermarket)
• Gradient Descent
  • Basic method (Batch GD) (first-order optimization)
  • Discussion (initialization, termination, local minima, second-order methods)
  • Stochastic Gradient Descent (the algorithm, SGD in action)
  • Initialization - Neural Networks (random weights, perfect symmetry)
• Learning Curves
  • Definition and illustration (complex models versus simple models)
  • Linear Regression example (learning curves for noisy linear target)
• Learning Diagram
  • Components of learning (target function, hypothesis set, learning algorithm)
  • Input probability distribution (unknown distribution, bin, Hoeffding)
  • Error measure (role in learning algorithm)
  • Noisy targets (target distribution)
  • Where the VC analysis fits (affected blocks in learning diagram)
• Learning Paradigms
  • Types of learning (supervised, reinforcement, unsupervised, clustering)
  • Other paradigms (review, active learning, online learning)
• Linear Classification
  • The Perceptron (linearly separable data, PLA)
  • Pocket algorithm (non-separable data, comparison with PLA)
• Linear Regression
  • The algorithm (real-valued function, mean-squared error, pseudo-inverse)
  • Generalization behavior (learning curves for linear regression)
• Logistic Regression
  • The model (soft threshold, sigmoid, probability estimation)
  • Cross entropy error (maximum likelihood)
  • The algorithm (gradient descent)
• Netflix Competition
  • Movie rating (singular value decomposition, essence of machine learning)
  • Applying SGD (stochastic gradient descent, SVD factors)
• Neural Networks
  • Biological inspiration (limits of inspiration)
  • Multilayer perceptrons (the model and its power and limitations)
  • Neural Network model (feedforward layers, soft threshold)
  • Backpropagation algorithm (SGD, delta rule)
  • Hidden layers (interpretation)
  • Regularization (weight decay, weight elimination, early stopping)
• Nonlinear Transformation
  • Basic method (linearity in the parameters, Z space)
  • Illustration (non-separable data, quadratic transform)
  • Generalization behavior (VC dimension of a nonlinear transform)
• Occam's Razor
  • Definition and analysis (definition of complexity, why simpler is better)
• Overfitting
  • The phenomenon (fitting the noise)
  • A detailed experiment (Legendre polynomials, types of noise)
  • Deterministic noise (target complexity, stochastic noise)
• Radial Basis Functions
  • Basic RBF model (exact interpolation, nearest neighbor)
  • K Centers (Lloyd's algorithm, unsupervised learning, pseudo-inverse)
  • RBF network (neural networks, local versus global, EM algorithm)
  • Relation to other techniques (SVM kernel, regularization)
• Regularization
  • Introduction (putting the brakes, function approximation)
  • Formal derivation (Legendre polynomials, soft-order constraint, augmented error)
  • Weight decay (Tikhonov, smoothness, neural networks)
  • Augmented error (proxy for out-of-sample error, choosing a regularizer)
  • Regularization parameter (deterministic noise, stochastic noise)
• Sampling Bias
  • Definition and analysis (Truman versus Dewey, matching the distributions)
• Support Vector Machines
  • SVM basic model (hard margin, constrained optimization)
  • The solution (KKT conditions, Lagrange, dual problem, quadratic programming)
  • Soft margin (non-separable data, slack variables)
  • Nonlinear transform (Z space, support vector pre-images)
  • Kernel methods (generalized inner product, Mercer's condition, RBF kernel)
• Validation
  • Introduction (validation versus regularization, optimistic bias)
  • Model selection (data contamination, validation set versus test set)
  • Cross Validation (leave-one-out, 10-fold cross validation)
• VC Dimension
  • Growth function (dichotomies, Hoeffding Inequality)
  • Examples (growth function for simple hypothesis sets)
  • Break points (polynomial growth functions, puzzle)
  • Bounding the growth function (mathematical induction, polynomial bound)
  • Definition of VC Dimension (shattering, distribution-free, Vapnik-Chervonenkis)
  • VC Dimension of Perceptrons (number of parameters, lower and upper bounds)
  • Interpreting the VC Dimension (degrees of freedom, Number of examples)

Además cada vídeo está acompañado de las diapositivas que el profesor usa, así como los deberes asignados en el mismo.

Estos me los iré mirando poco a poco porque el contenido es bastante extenso.