https://repositorio.uca.edu.ar/handle/123456789/117 Wed, 08 Apr 2026 22:05:06 GMT 2026-04-08T22:05:06Z https://repositorio.uca.edu.ar/handle/123456789/13409 Título: Benchmark de Big Data utilizando software libre y hardware de bajo costo Autor: Estol, Marcelo Gastón Resumen: Resumen: El campo de la computación distribuida ha tenido una gran influencia sobre los sistemas actuales. La capacidad de realizar procesamientos complejos bajo el marco de la computación distribuida sobre grandes cantidades de datos, en lo que se llamaría “Big Data”, ha dado un nuevo valor a los datos, solucionado algunas problemáticas comúnmente encontradas en sistemas con gran cantidad de flujo de datos online. El área de la computación denominada “Big Data” está cobrando un gran auge en los sistemas actuales, por esa razón parece oportuno realizar una investigación de las diferente tecnologías comúnmente usadas y sus oportunidades de aplicación. Este trabajo se concentra en tomar un algoritmo y llevarlo a un programa funcional bajo distintos softwares de Apache, en concreto Hadoop y Spark. Estos sistemas son usados comúnmente por organizaciones con plataformas online para realizar pruebas de aceptación de usuarios, realizar consultas no estructuradas de forma ágil y eficaz, montar motores de bases de datos sobre registros del sistema y otros archivos no estructurados, entre otras áreas de aplicación. Se investigaron otras tecnologías diferentes a Spark y Hadoop, pero se ha decidido no incluir las mismas en este documento. Entre ellas se puede mencionar Hbase, Titan DB, Amazon MapReduce (entre otros servicios), Spatial and Graph. Fri, 01 Jan 2016 00:00:00 GMT https://repositorio.uca.edu.ar/handle/123456789/13409 2016-01-01T00:00:00Z https://repositorio.uca.edu.ar/handle/123456789/11212 Título: Reconocimiento facial : FaceNet y AWS rekognition Autor: Diaz y Diaz, Juan Francisco Resumen: Resumen: La evolución de tecnología y las comunicaciones nos ha permitido representar nuestro entorno en formato digital tanto en texto como en imágenes y video. La digitalización del medio que nos rodea dió la posibilidad de capturar grandes conjuntos de datos dando lugar a conceptos como "Big Data". Muchos de estos conjuntos pueden ser descargados gratuitamente de Internet e incluso hay competencias como ILSVRC (ImageNet Large Scale Visual Recognition Challenge) y COCO (Common Objects in Context) , entre otros, donde se ponen a prueba algoritmos de clasificación de imágenes. El desafío que propone Big Data no radica únicamente en el manejo de grandes conjuntos de datos sino también en el valor que podamos obtener de estos. Como consecuencia surge la necesidad de poder extraer patrones a partir de esta información de manera simple e involucrando lo menos posible al ser humano. La solución a este desafío que ha ganado auge durante la última década es "Deep Learning" y esto se debe no solo a la habilidad de acceder fácilmente a dichos conjuntos de datos sino también al avance en la capacidad de cómputo tanto de CPU como GPU y la disponibilidad de herramientas que permiten enfocarse en el desarrollo de la idea y no en la complejidad del problema. Podemos destacar herramientas como Scikit-learn, Tensorflow, Keras y servicios en cloud que permiten implementar Machine Learning y Deep Learning de manera accesible, sencilla y en poco tiempo. En este trabajo se implementará un algoritmo de reconocimiento facial y se lo comparará con un servicio similar en cloud. Para poder dar contexto a la solución, se repasará brevemente la historia de Machine Learning desde sus comienzos en 1950 con la definición de la primer neurona Perceptron a su rápida evolución en la última década. También será necesario desarrollar conceptos teóricos de Machine Learning, haciendo énfasis en la clasificación de imágenes utilizando Neural Networks y Deep Learning. La implementación estará dividida en dos partes, la primera basada en el paper " FaceNet: A Unified Embedding for Face Recognition and Clustering " donde se utilizará el concepto de transfer learning para extender y aplicar un modelo preexistente sobre un conjunto de datos. La segunda implementación estará basada en el servicio cloud " AWS Rekognition ". Estas dos implementaciones permitirán no solo utilizar conceptos de Deep Learning sino también realizar comparativas de: ● Costos ● Complejidad ● Performance ● Nivel de confianza en las predicciones ● Escalabilidad de la solución Wed, 01 Jan 2020 00:00:00 GMT https://repositorio.uca.edu.ar/handle/123456789/11212 2020-01-01T00:00:00Z https://repositorio.uca.edu.ar/handle/123456789/11211 Título: Computación cuántica : análisis y ejecución de algorítmos cuánticos Autor: Rojo Amadeo, Felipe Resumen: Resumen: Las compañías más grandes en tecnología y software se encuentran focalizadas en un mismo objetivo: alcanzar la supremacía cuántica y operar con la mayor cantidad de qubits posible. Para entender la importancia que este desafío conlleva, bastará con entender, que alcanzarlo no solo será un logro a nivel científico, sino que tendrá un impacto muy fuerte en el ámbito político, económico y social. Es comparable a la carrera por llegar a la luna o por construir la primer bomba atómica. Este trabajo esta dividido de la siguiente forma: En el capítulo 1 damos a conocer las principales áreas en donde la computación cuántica tendrá más impacto. En el capitulo 2 hacemos un breve repaso de la mecánica cuántica y las distintas formas de representar un procesador cuánticas, o al menos, en las que más se está trabajando hoy en día. El siguiente capítulo (3) costa de postulados de computación cuántica, representación de los qubits y las compuertas que conforman sus circuitos. Continuando hacia el capítulo 4, describiremos los algoritmos de Deustch y Jozsa, el mismo generalizado, el de Simon y el de búsqueda de Grover. Finalmente construiremos todos los algoritmos y los ejecutaremos en la plataforma de simulación de IBM. No trataremos correlación de errores. Wed, 01 Jan 2020 00:00:00 GMT https://repositorio.uca.edu.ar/handle/123456789/11211 2020-01-01T00:00:00Z https://repositorio.uca.edu.ar/handle/123456789/469 Título: Sistema para información y trazabilidad de animales Autor: Bizantino, Juan Pablo Resumen: Introducción: A mediados del año 2003, un docente de la universidad, propietario de un establecimiento ganadero, planteó al Departamento de Informática de la Facultad de Ingeniería, la necesidad de desarrollar un sistema para identificar y trazar las cabezas de ganado destinada a la Unión Europea. El equipo del Laboratorio de Informática y Redes (LIR), conformado por el Ing. Javier Ouret, Ing. Alejandra Martini y el Ing. Alejandro Garcia Iturburu comenzó a investigar el tema con profundidad. En la primera etapa del proyecto, se evaluaron las distintas alternativas de identificación electrónica dentro de las cuales estaban los códigos de barras (EAN-EPC) y la identificación por RFID1 (Radio Frequency Identification). Luego de analizar las ventajas y desventajas de cada uno de lo métodos identificatorios se decidió utilizar RFID, dado que, a diferencia del código de barras, no presenta problemas de lectura en caso de suciedad de la caravana o si el número de la misma no se encuentra visible. Para la segunda etapa, el equipo de trabajo del LIR adquirió a la empresa PROMAG un lector de RFID de 125 Khz., TAGs de lectura y escritura, TAGs de solo lectura, Tarjetas de identificación y un grabador de códigos de RFID. Una vez llegados los equipos al país fue necesario desarrollar y construir equipamiento adicional para poner en funcionamiento al lector de RFID adquirido. Luego de construir la interfaz de comunicación y la fuente de alimentación, se procedió a probar el funcionamiento del equipo de RFID y los TAGs para trabajar en condiciones y ambientes adversos. A través de un plan de pruebas se obtuvo datos relevantes del funcionamiento del conjunto de identificación electrónica. Se llegó a la conclusión de que no cumplían con las necesidades específicas del proyecto y que se debería continuar investigando las tecnologías existentes y emergentes específicas para trabajo de campo y con ganado. En el año 2006, el director del proyecto obtuvo el financiamiento por parte de las Universidad Católica Argentina para continuar la investigación sobre este tema. Esto permitió adquirir los equipos específicos para la identificación y trazabilidad del ganado. Los equipos adquiridos para este fin fueron: - Un Lector RFID-Bluetooth de 134,2 Khz, marca DESTRON - Una computadora de mano IPAQ 2490, marca Hewlett-Packard - Caravanas de RFID listas para aplicar en animales - Una pinza aplicadora de caravanas Mon, 01 Jan 2007 00:00:00 GMT https://repositorio.uca.edu.ar/handle/123456789/469 2007-01-01T00:00:00Z