Inteligencia Artificial

 Es importante tener en cuenta que todas las técnicas de aprendizaje automático son clasificados como de Inteligencia Artificial. Sin embargo, no toda la Inteligencia Artificial podría contar como Aprendizaje automático, ya que algunos motores básicos basados en reglas podrían clasificados como IA, pero lo ellos hacen no lo aprenden de la experiencia, por lo tanto, no pertenecen a la categoría de aprendizaje automático.

Cual es la diferencia de aprendizaje automático y aprendizaje profundo

Aprendizaje Automático: En el aprendizaje automático, se utilizan una variedad de algoritmos y modelos, como regresión logística, máquinas de vectores de soporte, bosques aleatorios, etc., para procesar datos y tomar decisiones. Estos modelos suelen requerir la extracción manual de características de los datos.

Aprendizaje Profundo: El aprendizaje profundo se basa en redes neuronales artificiales (ANN) profundas, que están compuestas por múltiples capas de nodos (neuronas). Estas redes pueden aprender características directamente de los datos, lo que se conoce como extracción automática de características.

Arquitectura de Modelo:

En resumen, el aprendizaje automático se basa en algoritmos que requieren características específicas y, a menudo, se utiliza para problemas con datos más pequeños, mientras que el aprendizaje profundo utiliza redes neuronales profundas que pueden aprender automáticamente características a partir de grandes conjuntos de datos y se ha destacado en tareas relacionadas con datos complejos como imágenes, voz y texto.

python

intercambiar valores

 a, b = b , a

c1[0] : primer caracter

c1[-1] : ultimo caracter

Concatenar 2 listas

array3 = array1 + array2

Como saber si se encuentra un dato en una lista

print("PC" in array3) #devuelve true or false

Contar la cantidad de veces que se repite un elemento en una lista

print(array3.count("PC"))

obs boton de pausa

 https://www.youtube.com/watch?v=23-FTGtrpHo

Ripear convertir CD de audio a MP3

wmp

 https://www.youtube.com/watch?v=g8IwMA0oK-M

vlc

https://www.youtube.com/watch?v=ma51fWG3ZcQ

Windows 10 y 11 crear un escritorio virtual

 Para crear un escritorio virtual en Windows 10 

1-hacer clic en el botón de Task View (al lado del campo de búsqueda)  y hacer click en Nuevo escritorio o 

2-pulsar las teclas Windows + Tab (en windows 10 aparecera la opcion Nuevo escritorio encima  y en windows 11 abajo)

3-Otra manera de crear el escritorio virtual es pulsando las teclas Windows + CTRL + D.

Una vez creados, te puedes mover por ellos con las teclas Windows + CTRL + flechas izquierda o derecha.

¿Qué ocurre si abres una ventana en un escritorio y quieres trasladarla a otro escritorio distinto? 

Para ello tendrá que estar activa Task View como hemos visto antes  seleccionar la ventana en cuestión haciendo clic con el botón derecho del ratón y elegir la opción "Mover a" y el escritorio elegido.

Desde Task View también puedes eliminar escritorios cuando ya no los necesites. Basta con colocar el ratón encima de la miniatura del escritorio a cerrar y hacer clic en el icono en forma de X. para eliminar todos los escritorios a la vez puedes acudir a la combinación de teclas Windows + CTRL + F4.

consola audio

Behringer Xenyx 302USB Mezclador Con USB

Behringer Xenyx Q502USB Mezclador con USB

Behringer Xenyx 1204USB Mixer with USB Mezclador con USB

Usando la consola Mezcladora #TeyunA4 

https://www.youtube.com/watch?v=-7M0XydsXjM

SALIDAS DE LA CONSOLA DE AUDIO - MEZCLA DEL PÚBLICO, DEL TÉCNICO Y LOS MÚSICOS - MAIN, MONITOR, AUX

https://www.youtube.com/watch?v=F2XGE_WrC24

matriz confusion

 Supongamos que tenemos un modelo de clasificación que predice si un paciente tiene una enfermedad (clase positiva) o no tiene la enfermedad (clase negativa) en base a ciertas características médicas.

Tenemos los siguientes resultados del modelo en una muestra de 100 pacientes:

• Verdaderos positivos (TP): El modelo predijo que 30 pacientes tenían la enfermedad y efectivamente tenían la enfermedad.
• Verdaderos negativos (TN): El modelo predijo que 50 pacientes no tenían la enfermedad y efectivamente no la tenían.
• Falsos positivos (FP): El modelo predijo que 10 pacientes tenían la enfermedad, pero en realidad no la tenían (falsos alarmas).
• Falsos negativos (FN): El modelo predijo que 10 pacientes no tenían la enfermedad, pero en realidad sí la tenían (errores de omisión).

La matriz de confusión se vería así:

yaml
                          Clase predicha
                          Enfermo    No Enfermo
Clase real   Enfermo       TP            FN
             No Enfermo    FP            TN

• Verdaderos Positivos (TP): El modelo acertó 30 pacientes que realmente tenían la enfermedad (acertó la clase positiva).
• Verdaderos Negativos (TN): El modelo acertó 50 pacientes que realmente no tenían la enfermedad (acertó la clase negativa).
• Falsos Positivos (FP): El modelo predijo erróneamente que 10 pacientes tenían la enfermedad cuando en realidad no la tenían.
• Falsos Negativos (FN): El modelo predijo erróneamente que 10 pacientes no tenían la enfermedad cuando en realidad sí la tenían.

que comprende el preprocesamiento

El preprocesamiento de datos es una etapa crucial en el proceso de preparación de datos antes de entrenar un modelo de aprendizaje automático. Su objetivo es limpiar y transformar los datos brutos para que el modelo pueda interpretarlos y aprender patrones de manera efectiva. El preprocesamiento comprende una serie de pasos que incluyen:

1. Limpieza de datos: Esto implica manejar valores faltantes, datos duplicados o ruidosos. Los valores faltantes pueden ser imputados (rellenados con valores) usando diferentes estrategias, como la media o la moda para datos numéricos y categóricos, respectivamente. Los datos duplicados deben ser eliminados y los datos ruidosos pueden ser filtrados o corregidos.

2. Codificación de variables categóricas: Los algoritmos de aprendizaje automático generalmente trabajan con variables numéricas. Por lo tanto, las variables categóricas deben convertirse a valores numéricos mediante técnicas como codificación one-hot, etiquetado ordinal o codificación de frecuencia.

3. Escalado de características: Algunos algoritmos de aprendizaje automático pueden verse afectados por la escala de las características. Por ejemplo, algoritmos basados en distancias pueden ser sensibles a las magnitudes de las características. Es común escalar las características para que tengan media cero y varianza unitaria, utilizando técnicas como la normalización o la estandarización.

4. Reducción de dimensionalidad: Cuando se trabaja con conjuntos de datos con muchas características, puede ser útil reducir la dimensionalidad para evitar la maldición de la dimensionalidad y mejorar el rendimiento computacional. Técnicas como Análisis de Componentes Principales (PCA) se utilizan para lograr esto.

5. Balanceo de clases: En problemas de clasificación, es posible que las clases objetivo no estén equilibradas, lo que puede sesgar el modelo hacia la clase dominante. El balanceo de clases se utiliza para igualar la distribución de las clases objetivo en el conjunto de entrenamiento.

6. Eliminación de características irrelevantes: En algunos casos, puede haber características que no aporten información significativa para el problema en cuestión. La eliminación de características irrelevantes puede mejorar la eficiencia y precisión del modelo.

El preprocesamiento puede ser una tarea compleja y requiere un buen entendimiento del conjunto de datos y del algoritmo de aprendizaje automático que se utilizará. PyCaret, por ejemplo, automatiza gran parte del preprocesamiento y selección de características para facilitar el desarrollo de modelos de aprendizaje automático. Sin embargo, en problemas más complejos, puede ser necesario realizar ajustes y personalizaciones adicionales en el preprocesamiento para obtener los mejores resultados.

FORMATO APA 7

La numeración debe estar ubicada en la esquina superior derecha.  

El número de página debe aparecer en todas las páginas y la portada lleva el número de página 1 ???

patrones

El patrón de diseño Factory Method se puede utilizar en JDBC para crear instancias de objetos de conexión a la base de datos. La clase DriverManager en JDBC es un ejemplo de una clase que utiliza el patrón de diseño Factory Method para crear objetos de conexión a la base de datos.

import java.sql.Connection; import java.sql.DriverManager; import java.sql.SQLException; public class MySQLConnection { public static Connection getConnection() { try { Class.forName("com.mysql.cj.jdbc.Driver"); String url = "jdbc:mysql://localhost:3306/mydatabase"; String user = "username"; String password = "password"; return DriverManager.getConnection(url, user, password); } catch (ClassNotFoundException | SQLException e) { e.printStackTrace(); return null; } } }

 , MySQLConnection utiliza el patrón de diseño Factory Method al utilizar la clase DriverManager para crear y devolver una instancia de conexión a la base de datos MySQL. La clase DriverManager es responsable de crear y devolver el objeto de conexión a la base de datos, mientras que MySQLConnection actúa como una fábrica que solicita la creación de una conexión a la base de datos MySQL.

Java vs Python

https://stackoverflow.com/questions/10492180/differences-in-regex-syntax-between-python-and-java#:~:text=The%20reg%20ex%20is%20not,this%20RegEx%20working%20in%20Java%3F

Expresiones regulares, diferencias entre java y python

 La diferencia obvia entre Java y Python es que en Java necesitas escapar muchos caracteres. (COSA QUE EN PYTHON NO HAY MUCHA NECESIDAD)

Además, es probable que se encuentre con una falta de coincidencia (SIMILITUD)  entre los métodos de coincidencia (METODOS DE EMPAREJAMIENTO), no con una diferencia en la notación  de expresiones regulares:

Dado el Java

String regex, input; // initialized to something
Matcher matcher = Pattern.compile( regex ).matcher( input );

• Java: matcher.matches()(también Pattern.matches( regex, input )) coincide con toda la cadena. No tiene un equivalente directo en Python. Se puede lograr el mismo resultado usando re.match( regex, input )con a regexque termine en $.
• Java: matcher.find() y Python: re.search( regex, input )coinciden con cualquier parte de la cadena.
• Java: matcher.lookingAt()y Python: re.match( regex, input )coinciden con el comienzo de la cadena.

office 2019 licencia

 https://appdatos.com/2019/11/01/office-script-para-activar-microsoft-office-2016-y-2019-de-por-vida-sin-software-sin-seriales/

Using the command line to check your license type

1. Open an elevated Command Prompt window.

2. Type the following command to navigate to the Office folder.

   For 32-bit (x86) Office

   cd c:\Program Files (x86)\Microsoft Office\Office16\

   For 64-bit (x64) Office

   cd c:\Program Files\Microsoft Office\Office16\

cscript ospp.vbs /dstatus