Ir al contenido principal

Entradas

Encontré 42 GB de modelos de IA fosilizados en mi PC: una puesta al día honesta sobre IA local, conceptos y entornos Python en 2026

Hace tiempo que no tocaba nada de IA en mi PC, y al echar un ojo descubrí varios programas que no recordaba para qué eran y, sobre todo, modelos de hace año y medio acumulando polvo en el disco. Lo que empezó como una limpieza acabó siendo una puesta al día completa: Ollama, conceptos fundamentales, mapa del ecosistema, comparativas, y un setup de Python desde cero. Lo dejo aquí ordenado por si a alguien le sirve. 1. El punto de partida: 42 GB de modelos zombi Lo primero que encontré fue Ollama corriendo en segundo plano (ese icono pequeño en la barra de tareas que llevaba meses sin tocar). Un ollama list reveló cinco modelos descargados hacía 18 meses, ocupando casi 42 GB: llama-3-8B-programming-questions — 16 GB SuperNova-Medius-Q8_0 — 15 GB uncensored_wizard_7b — 4.1 GB llama3.2 — 2 GB llama3.1 — 4.7 GB En el mundo de la IA, 18 meses son una eternidad. Han salido Llama 3.3 y 4, Qwen 2.5 y 3, DeepSeek-V3 y R1, Gemma 3 y 4, gpt-oss... cualquiera de los nu...
Entradas recientes

Episodio 1 — El fin del genio americano | Serie: Cultura y Ciencia

[CIVILIZACION][MODELOS] La Civilización Hiper-Avanzada y la Escala Kardashev

La Civilización Hiper-Avanzada y la Escala Kardashev ¿Qué es la Escala Kardashev? La Escala Kardashev es un marco propuesto en 1964 por el astrofísico Nikolai Kardashev para clasificar civilizaciones según su capacidad de aprovechar energía: Tipo I: Aprovecha toda la energía disponible en su planeta (~10¹⁶ watts). Nosotros estamos en ~0,72 según Carl Sagan. Tipo II: Captura toda la energía de su estrella (por ejemplo, con una esfera de Dyson). ~10²⁶ watts. Tipo III: Controla la energía de toda su galaxia (~10³⁶ watts). Carl Sagan propuso una fórmula para grados intermedios: K = [log10(Potencia en watts) - 6] / 10 La humanidad (~1,74 × 10¹³ watts) = ~0,72 en esta escala. ¿Cómo se podría acelerar la transición a Tipo II o III si obviamos la ética? Si ignoramos la moral, la estrategia sería pragmática y extrema: Centralización extrema del poder: Unificación bajo un mando único global tecnocrático. Explotación total de recursos: Minería planetaria masiva, co...

[FINANZAS] Comparativa Económica: EE.UU. 1960-70 vs Actualidad

Comparativa Económica: EE.UU. 1960-70 vs Actualidad Comparativa Económica: EE.UU. 1960-70 vs Actualidad Este artículo tiene como objetivo ofrecer una visión clara de los paralelismos y diferencias entre la situación económica de Estados Unidos durante el periodo previo a la ruptura del sistema de Bretton Woods (1960-1971), y la coyuntura actual en la década de 2020. A través de una tabla comparativa, se analizan variables clave como el peso de la industria, los déficits fiscales y comerciales, la política monetaria, el papel del dólar y las tensiones geopolíticas. El propósito es ayudar al lector a comprender si la historia podría estar repitiéndose o al menos rimando, como diría Mark Twain, y cuáles podrían ser las consecuencias para los mercados, el sistema monetario internacional y las inversiones. Tabla comparativa Aspecto EE.UU. 1960-1971 EE.UU. Actual (2020s) Peso de la industria en el PIB ...
1️⃣ Crear un Grupo en Telegram Abre Telegram : Ve a la aplicación de Telegram en tu dispositivo móvil o escritorio. Crea un nuevo grupo : Haz clic en el botón de menú o el icono de "Nuevo Chat". Selecciona la opción Nuevo Grupo . Añade al menos un contacto para completar la creación del grupo (puedes eliminarlo después si es necesario). Asigna un nombre al grupo (por ejemplo, "Mi Bot Grupo"). Configura el grupo : Una vez creado el grupo, puedes acceder a su configuración: Haz clic en el nombre del grupo en la parte superior. Cambia su foto o ajusta los permisos si lo deseas. 2️⃣ Añadir tu Bot al Grupo Busca el bot : Usa la barra de búsqueda en Telegram para encontrar tu bot escribiendo su username (por ejemplo, @mi_nuevo_bot ). Agrégalo al grupo : Abre el grupo que creaste. Ve a la configuración del grupo y selecciona Añadir miembro . Busca tu bot en la lista (usando el username) y agrégalo al grupo. Dale permisos como...

[FORMACIÓN] Nassim Taleb y el Aprendizaje Basado en la Experiencia

Nassim Taleb y el Aprendizaje Basado en la Experiencia Nassim Nicholas Taleb y su Rechazo a la Educación Tradicional 1. Crítica a la Educación Tradicional Nassim Nicholas Taleb desconfía en general de los cursos, certificaciones y la educación formal cuando se trata de adquirir conocimiento práctico, no solo en Bolsa, sino en cualquier disciplina donde el riesgo, la incertidumbre y la experiencia jueguen un papel crucial. Taleb cree que la mayoría de la educación formal genera "intelectuales idiotas" , personas con títulos pero sin habilidades prácticas. Sus críticas incluyen: Exceso de teoría, falta de práctica: La educación tradicional enseña modelos que no funcionan en la realidad. No enseña a enfrentar la incertidumbre: La vida está llena de imprevistos (*Cisnes Negros*), y la educación formal no prepara para ellos. Demasiado credencialismo: Muchas certificaciones existen solo para demostrar qu...

[Validación Cruzada] [Machine Learning] [Evaluación de Modelos] [Ciencia de Datos] [R Programming] [Resampling] Validación Cruzada: Concepto y Técnicas Principales

Validación Cruzada: Concepto y Técnicas Principales Validación Cruzada: Concepto y Técnicas Principales La validación cruzada es un conjunto de técnicas utilizadas para evaluar la capacidad de generalización de un modelo de machine learning. Su objetivo principal es determinar cómo de bien puede el modelo desempeñarse con datos no vistos, proporcionando una evaluación más robusta y fiable en comparación con dividir los datos en un simple conjunto de entrenamiento y prueba. Principales Técnicas de Validación Cruzada 1. K-Fold Cross Validation (Validación Cruzada K-Fold) El conjunto de datos se divide en \(k\) particiones o "pliegues" de igual tamaño. El modelo se entrena \(k\) veces: en cada iteración, un pliegue diferente se utiliza como conjunto de prueba y los \(k-1\) pliegues restantes como conjunto de entrenamiento. La métrica final (por ejemplo, precisión, F1, etc.) se c...