elaprendiz0000

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...

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...

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...

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: 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...

Support Vector Machines con Python Support Vector Machines con Python Support Vector Machines (SVM) son algoritmos de aprendizaje supervisado muy potentes, a menudo utilizados para problemas de clasificación. Este artículo demuestra cómo utilizar SVM en Python con la biblioteca scikit-learn y proporciona una explicación de la teoría subyacente. 1. Implementación en Python Código en Python: import numpy as np # Biblioteca para trabajar con arreglos y operaciones matemáticas import matplotlib.pyplot as plt # Biblioteca para crear gráficos y visualizaciones from sklearn import datasets # Módulo para cargar y manejar conjuntos de datos estándar from sklearn.model_selection import train_test_split # Función para dividir los datos en entrenamiento y prueba from sklearn.svm import SVC # Clase para implementar Support Vector Machines # 1. Cargar datos # Usaremos el dataset de iris, seleccionando solo dos clases para sim...

Guion de Formación en Matemáticas y R Guion de Formación en Matemáticas y R Este guion está diseñado para aprender y consolidar conocimientos sobre matrices de confusión, diagramas de mosaico, análisis de componentes principales (PCA) y diagramas ROC utilizando la plataforma R. 1. Matrices de Confusión Teoría Matemática: Definición: Una matriz de confusión evalúa el rendimiento de un modelo de clasificación. Consiste en una tabla que compara las predicciones del modelo con los valores reales. Componentes: Verdaderos Positivos (TP) Falsos Positivos (FP) Verdaderos Negativos (TN) Falsos Negativos (FN) Métricas derivadas: Precisión: Precision = TP / (TP + FP) Sensibilidad: Recall = TP / (TP + FN) Especificidad: Specificity = TN /...

Tradición vs Modernidad: Reflexiones a Través de la Literatura y la Filosofía Tradición vs Modernidad: Reflexiones a Través de la Literatura y la Filosofía Primera Fase: Fundamentos del Individuo y los Símbolos "El hombre y sus símbolos" – Carl Jung Introducción accesible a los símbolos y arquetipos, esencial para comprender el papel de los mitos en la tradición y la modernidad. "Ideas y creencias" – José Ortega y Gasset Explora cómo las creencias tradicionales estructuran el pensamiento colectivo y cómo las ideas modernas desafían esas estructuras. "El yo y el inconsciente" – Carl Jung Profundiza en cómo el individuo puede integrar los elementos arquetípicos y reconciliarse con su pasado cultural. "La decadencia de Occidente" (Vol. 1: Forma y realidad) – Oswald Spengler Introduce la visión cíclica de la historia de Spengler, mostrando cómo las civilizaciones nacen, crecen y...

Conceptos de Chi-Cuadrado y P-Value Conceptos de Chi-Cuadrado y P-Value Profundicemos en los conceptos matemáticos del estadístico chi-cuadrado (χ²) y del valor p (p-value). Prueba de Chi-Cuadrado (χ²) La prueba de chi-cuadrado es una prueba estadística que se utiliza para determinar si existe una asociación significativa entre dos variables categóricas. Esta prueba compara las frecuencias observadas con las frecuencias esperadas bajo la hipótesis de que no existe ninguna relación entre las variables (hipótesis nula). Fórmula del Estadístico Chi-Cuadrado χ² = ∑ ( (O_i - E_i)² / E_i ) Donde: O_i es la frecuencia observada en la categoría i. E_i es la frecuencia esperada en la categoría i. ∑ es la suma de todas las categorías. Procedimiento de la Prueba Chi-Cuadrado Calcular las Frecuencias Esperadas : Bajo la hipótesis nula, se calcula la frecuencia esperada para cada combinación...

Comprendiendo las Curvas ROC y el Análisis de Rendimiento de Modelos de Clasificación El análisis de curvas ROC (Receiver Operating Characteristic) es esencial para evaluar el rendimiento de modelos de clasificación binaria. Este artículo desglosa el proceso, explicando desde la recolección de datos hasta la interpretación de las métricas. A continuación, presentamos una Paso 1: Preparación de los Datos Primero, imaginemos que tenemos un conjunto de datos con predicciones de probabilidades y las clases reales de los resultados. Supongamos que trabajamos con la predicción de diabetes en pacientes: Paciente Nivel de Glucosa Presión Arterial Clase (Diabetes) A 150 85 1 B 120 75 0 C 180 95 1 D 110 80 0 Clases: Las clases representan las categorías a predecir. Aquí, 1 indica presencia de diabetes y 0 ausencia. Probabilidades: Son las estimaciones que ...

  Introducción En el análisis de datos, la correcta partición y visualización de los datasets es crucial para obtener conclusiones precisas y valiosas. En este artículo, exploraremos diversas técnicas en R para particionar datasets, crear histogramas, scatterplots, boxplots, y ajustar curvas de regresión y suavizado. 1. Partición de Datasets La partición de datasets es una etapa fundamental en el proceso de machine learning. Permite dividir los datos en conjuntos de entrenamiento, validación y prueba para asegurar que nuestros modelos se entrenen y evalúen adecuadamente. Función para Particionar Datasets # Función para automatizar la partición de datasets partition_data <- function(data, target_column, train_ratio = 0.7, validate_ratio = NULL, seed = 123) {   # Establecer la semilla para reproducibilidad   set.seed(seed)      # Crear partición de entrenamiento   training_ids <- createDataPartition(data[[target_column]], p = train_ratio, list = FA...