Technologies To The People Small Data Art Analytic Project ☉
▚ ▛ ▜ ▝ ▞ ▖ ▗ ▘ ▙ ▚ ▛ ▜ ▝ ▞
Inventando el futuro del análisis de datos en arte
🜨 Nuevo enfoque para el análisis descriptivo en arte utilizando la base de datos de obras completas de artistas de CCU CGG CGG GCA.
🜨 Inédita visión del trabajo completo del artista.
🜨 Análisis predictivo mediante un modelo de aprendizaje aleatorio automático.
Algoritmo realRatingMatrix 🜛
recommendation_artist <- recommenderRegistry $get_entries(dataType = "realRatingMatrix") names(recommendation_artist).
A la búsqueda de Microdatos
Los microdatos conectan personas con ideas oportunas, significativa , organizados y paquetizados – a menudo visualmente – para ser accesibles y comprensible para desarrollar tareas cotidianas
Búsqueda dicotómica de Kruskal
m es a lo sumo n2 y log n2 = 2logn es O(log n)
Algoritmo voraz (también conocido como goloso, ávido, devorador o greedy) es una estrategia de búsqueda por la cual se sigue una heurística consistente en elegir la opción óptima en cada paso local con la esperanza de llegar a una solución general óptima. Este esquema algorítmico es el que menos dificultades plantea a la hora de diseñar y comprobar su funcionamiento. Normalmente se aplica a los problemas de optimización.
Búsqueda dinámica de Dijkstra
O((|A|+|V|) log |V|) = O(|A| log |V|)
Teniendo un grafo dirigido ponderado de N N nodos no aislados, sea x x el nodo inicial. Un vector D D de tamaño N N guardará al final del algoritmo las distancias desde x x hasta el resto de los nodos.
Triangulación Voraz
( C ← C ∖ { x } ) O(n . log n)
Dado un conjunto finito de entradas C, un algoritmo voraz devuelve un conjunto S (seleccionados) tal que S ⊆ C y que además cumple con las restricciones del problema inicial. A cada conjunto S que satisfaga las restricciones se le suele denominar prometedor, y si este además logra que la función objetivo se minimice o maximice (según corresponda) diremos que S es una solución óptima.
Asignación cuadrática
QAP es un problema estándar en la teoría de localización. En éste se trata de asignar N instalaciones a una cantidad N de sitios o locaciones en donde se considera un costo asociado a cada una de las asignaciones. Este costo dependerá de las distancias y flujo entre las instalaciones, además de un costo adicional por instalar cierta instalación en cierta locación específica. De este modo se buscará que este costo, en función de la distancia y flujo, sea mínimo.
Fuente de datos 🝫
Acceda a nuestras bases de datos relacionales.
Art Works Big Data Source
Art Workers Small Data Source
Explorador de microdatos
Codifique y comience a explorar la codificación de secuencias "S" como dato utilizando ᴪ en vez de B