Dudas simples de matemáticas

#326 A nivel funcional veo una diferencia clara: en ML los nodos varían su peso en base a cómo afectan al resultado final, mientras que en la algoritmia genética tiene pinta de ser algo mucho más aleatorio y loco xD. Tiene pinta de que por ahí van los tiros; como si el ML fuera algoritmia genética mejorada, que cambia la solución de manera más precisa. Aún así, a ver si alguien arroja más luz sobre el tema.

#328 Hombre, ¿y qué te crees? C# es un lenguaje moderno y altamente tipado, pauta completamente todo lo que haces (como Java), por lo que se vuelve muy fácil compartir código entre desarrolladores distintos. Pero eso no tiene por qué tener efecto alguno sobre la velocidad del programa.

Por ejemplo, JavaScript puede tener fama de poco pautado, lioso y lento (al ser interpretado), pero cuando se programa bien y se usa su queridísimo event loop parseando el código a assembly (como hace Node.js) la velocidad es una puta pasada. Al final, todo depende de cómo se interprete -> compile el lenguaje inicial y de cómo el programador haga las cosas.

#326 Cabe decir, como curiosidad, que Python no sigue el paradigma de la OOP a la perfección, pues permite herencia múltiple. La idea de la herencia es que sea única y exclusiva, de modo que su camino hacia la genericidad sea una línea de clases, y no haya bifurcaciones. Si te fijas esto tiene sentido, ya que si quieres añadir características aparte que pueda compartir con otras clases no relacionadas, usas interfaces, y pista xD.

Yo tras mucho pelearme y dar clase sobre POO, me da un poco de tirria Python más allá que para scripts de investigación, porque me parece un poco hereje al cargarse este punto.

#328 piénsalo de este modo: c# es un lenguaje de cuarto nivel, c de segundo nivel. Cada línea de c# pueden ser varias centenas de líneas de c. Cuando instancias cualquiera cosa en c# vas a tener un 90% de propiedades que no vas a usar, al contrario que cuando lo haces en c.

Tal como te dicen arriba, c# es un lenguaje interpretado, necesitas una máquina virtual para correrlo y un recolector de basura. Con esto se consigue que un software en c# corra en cualquier arquitectura que tenga el framework instalado. En el caso de c es código compilado, y solo correrá para la arquitectura que se compile.

En términos de simplicidad c# le da mil vueltas a c, por ejemplo para abrir una conexión es una línea. En c te puedes echar un rato para hacer lo mismo. Por otra banda, al correr c# tanto código "espurio" (me refiero a todo el código sobre el que se construye una instancia, por ejemplo) junto con ser interpretado, resulta en una ejecución mucho más lenta que un lenguaje de segundo nivel.

Con todo esto, para cálculos pesados es siempre ideal irse al nivel más bajo posible. Intentando llegar a un equilibrio entre simplicidad y eficacia de ejecución: aquí tienes el porqué Duronman usa python para codigo casual, pero c para código de cálculo pesado.

Podemos trasladar esto mismo (salvando las distancias) cuando nos vamos a primer nivel, assambler.

Resumen.
Para calculo puro y duro usad C jovenes

#343 hombre, en c# no lo he probado, pero hice parte del problema en matlab y desistí (por los tiempos de ejecución). Me fui a fortran xD

#343 pero si es de mas bajo nivel si que se notara la diferencia no??

#345 debíamos construir la configuración inicial para un sistema de N partículas interactuantes en un volumen V con energía E. Esas partículas interactúan mediante el potencial de 12-6 de Lennard-Jones y llevarlo al equilibrio. Suena fácil, no lo era xD

Y lleva eso a N partículas. Y claro, muy en función de la energía inicial y de la definición de la partícula, la densidad de las partículas en la caja, etc...

#347 pero no estamos hablando de consumo de memoria (que también), sino de cálculo puro. (Ah, Machine Learning, no sé por qué lo enlacé con lenguaje de marcas, hablando de javascript, pensando en xml, etc. xDD)

#351 Sí, aleatorias. De hecho no me acuerdo cómo resolví la semilla para colocarlas aleatorias, pero era una gilipollez graciosa xD

La verdad es que la asignatura podía haber estado chula. El profesor destruyó toda la didáctica posible, la hizo tediosa y cansina. Un tipo engreído cansado de dar clase. Una pena. Por suerte era una optativa.

#353 jaja, no, no. Los resutlados eran las variables termodinámicas en función del input:

#334Zerokkk:

A nivel funcional veo una diferencia clara: en ML los nodos varían su peso en base a cómo afectan al resultado final, mientras que en la algoritmia genética tiene pinta de ser algo mucho más aleatorio y loco xD.

Sí, viendo el ejemplo que puso al menos es así, en el de pintar el cuadro las "mutaciones" se generan de forma aleatoria partiendo de la secuencia, no se tiene en cuenta la iteración anterior (t-1) ni nada más, mientras que en ML lo que ha sucedido con anterioridad tiene implicaciones en las decisiones futuras.

Yo uso Perl para parsear texto (es guarrísimo pero te montas un script en cuestión de minutos), R para estadística y C++ para las cosas que requieran mayor coste computacional.

#359 Si le llaman DNA string quiero creer que son cadenas de texto con alfabeto de tamaño 4, es decir 2 bits por cada posición y que por lo tanto cada "mutación" altero únicamente 2 bits. Después ya depende de cuantos cambios aleatorios introduzcas en cada iteración.

Habrá codificado la información del cuadro en una cadena de texto de alfabeto 4 y luego partiendo de otra cadena completamente diferente ha ido añadiendo mutaciones y quedándose el resultado sólo si se asemejaba más que la anterior.