MiguelAngelHFlores

%Limpiamos la pantalla y mostramos el nombre del método
clear
clc
disp('Método de Newton Raphson modificado')
%Damos de alta la variable simbólica X
syms x
%Introducimos la función,el punto de inicio,así como
%porcentaje de error
f=input('Introduzca la función f(x):');
pi=input('Introduzca el punto de inicio:');

MiguelAngelHFlores

%Limpiamos la pantalla y mostramos el nombre del método
clear
clc
disp('Método de Newton Raphson')
%Damos de alta la variable simbólica X
syms x
%Introducimos la función,el punto de inicio,así como
%porcentaje de error
f=input('Introduzca la función f(x):');
pi=input('Introduzca el punto de inicio:');

MiguelAngelHFlores

#Intervalo inferior
a=10
#Intervalo superior 
b=454657
#Contador para la cantidad de capicuas
c=0
print("Los capicuas encontrados son los siguientes:")
for i in range(a,b+1):
    num_s=str(i)
    num_list=list(num_s)

MiguelAngelHFlores

import cv2
import sys
imagePath = sys.argv[1]
cascPath = "haarcascade_frontalface_default.xml"
faceCascade = cv2.CascadeClassifier(cascPath)
image = cv2.imread('iron_maiden.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
faces = faceCascade.detectMultiScale(
    gray,
    scaleFactor=1.1,

MiguelAngelHFlores

# Importamos la librería Sympy
import sympy 
# Importamos el módulo de latex
sympy.init_printing(use_latex='mathjax')

# Damos de alta la variable simbólica x, y la función Y
x = sympy.Symbol('x')
y = sympy.Function('y')

#Expresamos la ecuacion 

MiguelAngelHFlores

# Importamos la librería SymPy, así como el módulo de LaTeX
from sympy import *
init_printing(use_latex='mathjax')
# importamos el módulo para hacer divisiones
from __future__ import division
# Damos de alta la variable simbólica X
x= symbols('x')
# Expresemos la función a integrar
y=exp(1)**-x/sqrt(x)
y

MiguelAngelHFlores

import re
from collections import Counter

def words(text): return re.findall(r'\w+', text.lower())

WORDS = Counter(words(open('big.txt').read()))

def P(word, N=sum(WORDS.values())): 
    "Probability of `word`."
    return WORDS[word] / N

MiguelAngelHFlores

import re, collections  
  
def words(text): return re.findall('[a-z]+', text.lower())   
  
def train(features):  
    model = collections.defaultdict(lambda: 1)  
    for f in features:  
        model[f] += 1  
    return model  
  

MiguelAngelHFlores

import re, collections  
  
def words(text): return re.findall('[a-z]+', text.lower())   
  
def train(features):  
    model = collections.defaultdict(lambda: 1)  
    for f in features:  
        model[f] += 1  
    return model  
  

MiguelAngelHFlores

from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cm
from matplotlib.colors import LogNorm
import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure()
ax = Axes3D(fig, azim = -29, elev = 49)
X = np.arange(-6, 6, 0.1)
Y = np.arange(-6, 6, 0.1)