• Publicationsclose
• Research softwareclose
• Other research productsclose
• 2013-2022close
• Software close
• Spanish close

Este repositorio contiene los datos y el código necesario para reproducir el trabajo Carrero Pazos, M. "Análisis de patrones espaciales de puntos para el estudio de tendencias de localización en distribuciones de yacimientos arqueológicos" (Vegueta 2023)

++WEEK+13] LA Chargers vs. LV Raiders Live streams Games Live free [LIVE+Streams]* Raiders vs Chargers live stream free: How to watch NFL Week 13 [Whereto-watch ]* Los Angeles Chargers vs. Las Vegas Raiders Live How to Watch NFL Week 13 Games Live free WATCH NFL GAME 2022 LIVE Which NFL teams are playing this week? And what channels are airing the games? Here’s this week’s lineup. (The home team is listed second.) Sunday, Dec. 4 Green Bay Packers vs Chicago Bears, 1:00 p.m. ET on Fox Pittsburgh Steelers vs. Atlanta Falcons, 1:00 p.m. ET on CBS New York Jets vs. Minnesota Vikings, 1:00 p.m. ET on CBS Jacksonville Jaguars vs. Detroit Lions, 1:00 p.m. ET on Fox Tennessee Titans vs. Philadelphia Eagles, 1:00 p.m. ET on Fox Cleveland Browns vs. Houston Texans, 1:00 p.m. ET on CBS Washington Commanders vs. New York Giants, 1:00 p.m. ET on Fox Denver Broncos vs. Baltimore Ravens, 1:00 p.m. ET on CBS Miami Dolphins vs. San Francisco 49ers, 4:05 p.m. ET on Fox Seattle Seahawks vs. Los Angeles Rams, 4:05 p.m. ET on Fox Los Angeles Chargers vs. Las Vegas Raiders, 4:25 p.m. ET on CBS Kansas City Chiefs vs. Cincinnati Bengals, 4:25 p.m. ET on CBS Indianapolis Colts vs. Dallas Cowboys, 8:20 p.m. ET on NBC Not since 2006 have the Socceroos made the knockout stage while Belgium have never played a last-16 game at the World Cup, and with a ferocious backing in Qatar they will be under pressure to grab a vital win today.dfg Τhe CORD-19 dataset released by the team of Semantic Scholar1 anddg Τhe curated data provided by the LitCovid hub2.gdgdf These data have been cleaned and integrated with data from COVID-19-TweetIDs and from other sources (e.g., PMC). The result was dataset of 500,314 unique articles along with relevant metadata (e.g., the underlying citation network). We utilized this dataset to produce, for each article, the values of the following impact measures:dgf Influence: Citation-based measure reflecting the total impact of an article. This is based on the PageRank3 network analysis method. In the context of citation networks, it estimates the importance of each article based on its centrality in the whole network. This measure was calculated using the PaperRanking (https://github.com/diwis/zdhPaperRanking) library4.dgfd These data have been cleaned and integrated with data from COVID-19-TweetIDs and from other sources (e.g., PMC). The result was dataset of 500,314 unique articles along with relevant metadata (e.g., the underlying citation network). We utilized this dataset to produce, for each article, the values of the following impact measures:sdgfdfggh Influence: Citation-based measure reflecting the total impact of an article. This is based on the PageRank3 network analysis method. In the context of citation networks, it estimates the importance of each article based on its centrality in the whole network. This measure was calculated using the PaperRanking (https://github.com/diwifss/PaperRanking) library4.sddfggd Influence_alt: Citation-based measure reflecting the total impact of an article. This is the Citation Count of each article, calculated based on the citation network between the articles contained in the BIP4COVID19 dataset.sddggf safs Popularity: Citation-based measure reflecting the current impact of an article. This is based on the AttRank5 citation network analysis method. Methods like PageRank are biased against recently published articles (new articles need time to receive their first citations). AttRank alleviates this problem incorporating an attention-based mechanism, akin to a time-restricted version of preferential attachment, to explicitly capture a researcher's preference to read papers which received a lot of attention recently. This is why it is more suitable to capture the current "hype" of an article.asdsgdg sf Popularity alternative: An alternative citation-based measure reflecting the current impact of an article (this was the basic popularity measured provided by BIP4COVID19 until version 26). This is based on the RAM6 citation network analysis method. Methods like PageRank are biased against recently published articles (new articles need time to receive their first citations). RAM alleviates this problem using an approach known as "time-awareness". This is why it is more suitable to capture the current "hype" of an article. This measure was calculated using the PaperRanking (https://github.com/diwis/PaperRanking) library4.sfbsdf Social Media Attention: The number of tweets related to this article. Relevant data were collected from the COVID-19-TweetIDs dataset. In this version, tweets between 23/6/22-29/6/22 have been considered from the previous dataset. We provide five CSV files, all containing the same information, however each having its entries ordered by a different impact measure. All CSV files are tab separated and have the same columns (PubMed_id, PdfMC_id, DOI, influence_score, popularity_alt_score, popularity score, influence_alt score, tweets count).

Markdown de R que dada una serie de dataciones por radiocarbono, las separa en distintas ventanas temporales sucesivas, de tamaño definido por el usuario, en base a los HPD.

En el análisis de procesos asistenciales de larga duración, en el caso de pacientes con enfermedades crónicas (i.e., largas supervivientes de cáncer de mama, personas con diabetes tipo 2, personas con insuficiencia cardíaca, personas que han sufrido un ictus isquémico) mediante el uso de minería de procesos a partir de las información de actividades y contactos con el sistema sanitario registrada en los distintos sistemas de información de salud. El algoritmo se trata de un conjunto de instrucciones en Python v.3.9.2 que integra la lectura de un histórico de eventos ('event_log') modificado, generado a partir de la minería de procesos de larga duración, y aplica una función en SQL para compactar las trazas de actividades con objeto de reducir su heterogeneidad y facilitar su análisis comparado. La reducción de la heterogeneidad se consigue 'compactado' o apilando secuencias de actividades del mismo tipo, estableciendo el número de actividades registradas en el nuevo nodo compactado, con fecha de comienzo en la fecha de comienzo de la primera actividad de la secuencia y fecha de fin en la fecha de fin de la última actividad de la secuencia y con una duración igual a la diferencia entre la fecha de fin y la fecha de comienzo de la nueva actividad dividida por el número de actividades (como fracción equivalente para todas las actividades en la secuencia). Por ejemplo, si una persona con insuficiencia cardíaca acude seis veces seguidas a consulta con su médico de atención primaria durante 6 semanas, y luego tiene una visita a urgencias, la traza compactada constaría de una actividad 'Visita AP - médico' con un valor de 6 actividades, y una duración de 6 semanas/6 visitas, y una actividad 'Visita a Urgencias Hospital' con un valor de 1 actividad, y una duración de X horas. La compactación de trazas facilita el descubrimiento visual de procesos asistenciales crónicos de larga duración al reducir la heterogeneidad y disminuir la complejidad de los mapas de procesos. Por otro lado, también facilita el análisis comparativo entre trazas ya que mantiene íntegra la información sobre el proceso reduciendo la complejidad de su comparación contra otros procesos de larga duración. Este algoritmo ha sido desarrollado dentro del proyecto: "Ciencia de datos aplicada a la evaluación de los cuidados sanitarios del paciente con Insuficiencia Cardiaca" (CONCEPT-IC Aragón). Cofinanciado por la convocatoria Grupos de Investigación 2020-2022 del Gobierno de Aragón (Orden CUS/1466/2020, de 19 de noviembre). Este algoritmo está siendo probado y aplicado dentro de los proyectos coordinados CONCEPT

Humanitarian Demining Project by Universidad de los Andes was mainly supported by USAID. It aims to detect landmines using GPR technology. This repository contains the following files of the project: • Laboratory GPR control software. • Post-processing source code for GPR raw data. • Guides and documentation regarding GPR use. • Field-based GPR measurement reports and applied processes such as imagining algorithms and machine learning models source code. • Simulation files for HFSS and gprMax software together with corresponding reports. • Multimedia files (pictures and videos) about laboratory equipment. • Access links to additional repositories of the project. This release is intended for USAID Cumulative Final Report 2022, regarding PEER project "A database of field-based radar images to assist in the safe removal of landmines in Colombia". If you use this software, please cite it as below.

Actualmente, existe un amplio interés por mejorar los diseños de implantes ortopédicos, dado que la edad promedio poblacional a nivel mundial está en aumento y el ratio de emergencias quirúrgicas asociadas a la fractura ósea ha incrementado por la vida activa de la sociedad actual. El presente estudio está enfocado en proponer una metodología de optimización de implantes de cadera, específicamente del componente en contacto con el material óseo y que actúa como invasor de fémur, denominado vástago. Se parte del análisis de la estructura externa del fémur proximal dada la compleja estructura de esta región, que abarca desde la epífisis hasta la diáfisis superior. Para ello se utilizó algoritmos de clustering, ya que son capaces de inferir patrones de difícil percepción bajo las capacidades humanas; estos otorgaron las locaciones anatómicas: lateral, medial, anterior y posterior en cada sección de diseño del vástago corto. Posteriormente, se procede a plantear técnicas de machine learning (ML) que sean robustas al estimar la respuesta mecánica femoral a partir del diseño del vástago; según las métricas de desempeño se seleccionaron las técnicas de ensamble random forest y stacking. Estos modelos sirven en el proceso de optimización dado que permiten evaluar distintas opciones de diseño sin necesidad de elaborar los modelos CAD del implante. Finalmente, se plantea optimizar el diseño del vástago mediante algoritmos genéticos, para lo que se trabaja con los modelos de ML entrenados según la información femoral del paciente específico. Como resultado se obtienen magnitudes del vástago que restauran lo mayor posible el patrón y magnitud fisiológica de las cargas. Todos los códigos fueron desarrollados en Python 3.7.14 y en cada carpeta se encuentra un archivo README.txt para guiar el manejo de los notebooks y archivos de referencia. Este proyecto ha sido financiado por el Consejo Nacional de Ciencia, Tecnología e Innovación Tecnológica (CONCYTEC) mediante el esquema financiero "Becas de Mentorías María Reiche 2021-01" ejecutado bajo el contrato N°014-2021-PROCIENCIA.

Este archivo es el código Python utilizado para el proceso de extracción de datos del trabajo de pregrado titulado "Twitter como plataforma de difusión de la literatura venezolana del siglo XXI (2000-2022)", el cual se basó en la sociología de la literatura y las humanidades digitales. El texto completo puede ser consultado en el Repositorio de la Universidad de Antioquia: https://bibliotecadigital.udea.edu.co/ Este proyecto recibió dineros del Fondo para Apoyar los Trabajos de Grado de Pregrado, financiado por la Facultad de Comunicaciones y Filología y por el Comité para el Desarrollo de la Investigación de la Universidad de Antioquia

To analyze the skills that are acquired with the use of simulators to improve teaching in medical students at the Universidad Privada del Este UPE. Evaluate possible improvements in cognitive skills through simulation practices of UPE students. To explore the influence of motivation as a component of simulation with practice in UPE students

One Piece Film: Red (2022)

Elaboración de la aplicación DiRES puede ser ejecutado en cualquier dispositivo Android con versión 5.0 o superior. La misma posee un ambiente gráfico de fácil manipulación y que capta la atención del usuario. Se emplearon diferentes softwares para el desarrollo de la multimedia. Para el procesamiento de las imágenes se empleó el software Adobe Ilustrator CS6 de Adobe Master Collection CS6. Para el procesamiento de los textos se empleó Microsoft Word de Office. La app fue desarrollada en Sketchware Pro 6.3.0 fix 1. El diseño del software se desarrolló en tres etapas: Primera etapa: se realizó un diseño general de su posible estructura con las ideas primarias. Segunda etapa: se creó la parte visual de la aplicación, donde se incluyen las pantallas, menús, se procedió a realizar un boceto de cómo quedaría el programa. Se realizó la selección de la información, así como de las imágenes y se procedió a su preparación. Tercera etapa: se procedió a la incorporación del código del programa, se probó la aplicación para comenzar el proceso de depuración de errores y se compiló el código fuente creando así el ejecutable DiRES.apk Validación de la aplicación Se realizó un estudio observacional descriptivo, longitudinal y prospectivo durante el mes de septiembre de 2021, en especialistas del Centro Provincial de Información de Ciencias Médicas (CPICM) y miembros del Grupo Científico Estudiantil (GCE) de la Universidad de Ciencias Médicas de Pinar del Río. El universo estuvo constituido 6 especialistas del CPICM y 5 profesores del departamento de Informática Médica (Grupo 1) y por 14 miembros del GCE (Grupo 1). El grupo 1 se empleó para validar la aplicación como herramienta tecnológica y el grupo 2 para validarla según criterio de usuarios. A cada grupo se le aplicó una encuesta semiestructurada tomando como base otras existentes, y modificadas para obtener los datos de interés. En la encuesta del Grupo 1 se evaluaron las dimensiones: factibilidad (posibilidad real de utilización según infraestructura tecnológica requerida), aplicabilidad (posibilidad real de aplicación según contenido), posibilidad de generalización (posibilidad de su generalización basada en la factibilidad y aplicabilidad), pertinencia (según valor social y necesidad a la cual da solución) y originalidad (basada en la novedad de la creación). En el grupo 2 se evaluaron las dimensiones calidad del diseño, estética de la interfaz, facilidad de utilización (simplicidad en su manejo), funcionalidad (capacidad de responder a las necesidades) y contenido del producto (calidad y actualización de la información). Para todas las dimensiones se empleó la escala muy satisfactorio, satisfactorio, insatisfactorio.