Commentaria in Primam Secundae Diui Thomae Aquinatis /

Mode of access: Internet.

Arithmetica de Moya intitulada manual de contadores : en que se pone en suma lo que vn contador ha menester saber, y vn orden para los que no saben escriuir, con oyrlo leer, sepan contar, y conuertir de memoria vnas monedas en otras ...... /

Mode of access: Internet.

D. Francisci Toleti ... Commentaria vnà cum quaestionibus. In vniuersam Aristotelis Logicam : multò accuratius diligentiusq[ue] nunc denuò excussa : Adiecto indice quaestionum.

CCBE S. XVI,

Historia de las missiones que han hecho los religiosos de la Compañia de Iesus, para predicar el sancto euangelio en la India Oriental, y en los reynos de la China y Iapon /

MTSD 83-1.

Primera parte de las excelencias de la virtud de la Castidad /

Mode of access: Internet.

Commentaria in primam secundae Diui Thomae Aquinatis /

Mode of access: Internet.

Quarta, quinta y sexta parte del Espeio de consolacion de tristes /

Martín Abad, S. XVI,

La fortuna de la "Artificiosa memoria sive Phoenix" de Pedro de Rávena: entre el éxito y la retractatio

La Artificiosa memoria siue Phoenix de Pedro de Rávena tuvo una amplia difusión en la Europa del siglo XVI. Dos son las claves de su éxito: la fama de ilustre memorioso que consiguió forjarse con sus exhibiciones de memoria y el uso de las emociones en la formulación de reglas mnemotécnicas basadas en el humor y el erotismo. Sin embargo, poco antes de morir, en 1508, publicó unas breves Additiones quaedam ad artificiosam memoriam en las que añade algunas reglas nuevas y, sobre todo, renuncia a la norma que aconseja usar la imagen de jóvenes hermosas para elaborar escenas mnemotécnicas. Esta suerte de retractatio se explica en el contexto de la polémica mantenida con algunos teólogos de Colonia

Desarrollo de técnicas de aprendizaje automático para la predicción de resultados de partidos en ligas futbolísiticas

En la actualidad, existen un gran número de investigaciones que usan técnicas de aprendizaje automático basadas en árboles de decisión. Como evolución de dichos trabajos, se han desarrollado métodos que usan Multiclasificadores (Random forest, Boosting, Bagging) que resuelven los mismos problemas abordados con árboles de decisión simples, aumentando el porcentaje de acierto. El ámbito de los problemas resueltos tradicionalmente por dichas técnicas es muy variado aunque destaca la bio-informática. En cualquier caso, la clasificación siempre puede ser consultada a un experto considerándose su respuesta como correcta. Existen problemas donde un experto en la materia no siempre acierta. Un ejemplo, pueden ser las quinielas (1X2). Donde podemos observar que un conocimiento del dominio del problema aumenta el porcentaje de aciertos, sin embargo, predecir un resultado erróneo es muy posible. El motivo es que el número de factores que influyen en un resultado es tan grande que, en muchas ocasiones, convierten la predicción en un acto de azar. En este trabajo pretendemos encontrar un multiclasificador basado en los clasificadores simples más estudiados como pueden ser el Perceptrón Multicapa o Árboles de Decisión con el porcentaje de aciertos más alto posible. Con tal fin, se van a estudiar e implementar una serie de configuraciones de clasificadores propios junto a multiclasificadores desarrollados por terceros. Otra línea de estudio son los propios datos, es decir, el conjunto de entrenamiento. Mediante un estudio del dominio del problema añadiremos nuevos atributos que enriquecen la información que disponemos de cada resultado intentando imitar el conocimiento en el que se basa un experto. Los desarrollos descritos se han realizado en R. Además, se ha realizado una aplicación que permite entrenar un multiclasificador (bien de los propios o bien de los desarrollados por terceros) y como resultado obtenemos la matriz de confusión junto al porcentaje de aciertos. En cuanto a resultados, obtenemos porcentajes de aciertos entre el 50% y el 55%. Por encima del azar y próximos a los resultados de los expertos.