RAG

Uncategorized

La técnica RAG es una aplicación de la inteligencia artificial relativamente nueva que mejora la calidad de la IA generativa al permitir a grandes modelos de lenguaje (LLM) aprovechar recursos de datos adicionales sin necesidad de volver a entrenarlos. Los modelos RAG crean repositorios de conocimientos basados en los datos de la propia organización.

RAG según ORACLE

NumPy

Uncategorized

NumPy es la biblioteca fundamental de Python para la computación científica y el análisis de datos, diseñada para manejar de manera eficiente vectores, matrices y estructuras de datos multidimensionales mediante su objeto central ndarray (arreglo N‑dimensional).

Proporciona una capa de abstracción que permite realizar operaciones numéricas complejas con un rendimiento cercano al de lenguajes compilados como C y Fortran, gracias a su implementación en C y su capacidad para ejecutar operaciones vectorizadas sin bucles explícitos.

Características principales

  • Arreglos N‑dimensionales: El tipo ndarray puede representar datos de cualquier número de dimensiones (vectores, matrices, tensores) y almacena información esencial como forma (shape), número de dimensiones (ndim), tipo de datos (dtype) y tamaño total (size).
  • Operaciones vectorizadas y broadcasting: Las funciones de NumPy se aplican elemento a elemento sobre arreglos completos, eliminando la necesidad de bucles de Python y aprovechando el broadcasting para combinar arreglos de formas compatibles de forma eficiente.
  • Herramientas matemáticas avanzadas: Incluye funciones para álgebra lineal (producto interno, descomposición de valores singulares, resolución de sistemas lineales), transformación de Fourier, generación de números aleatorios con diversas distribuciones, estadísticas descriptivas (media, mediana, desviación estándar, varianza) y operaciones trigonométricas y logarítmicas.
  • Integración con código de bajo nivel: Ofrece herramientas para llamar a funciones escritas en C/C++ y Fortran, lo que permite reutilizar bibliotecas existentes y lograr un alto rendimiento en tareas críticas.
  • Base del ecosistema científico: NumPy actúa como el fundamento sobre el que se construyen otras bibliotecas esenciales como Pandas (análisis de datos), Matplotlib y Seaborn (visualización), scikit‑learn (aprendizaje automático), statsmodels y PyMC (modelado estadístico), y herramientas de cómputo paralelo como Dask y JAX.

Ventajas respecto a listas de Python

  • Velocidad: Las operaciones en arreglos de NumPy pueden ser hasta 50 veces más rápidas que las equivalentes con listas de Python, debido al almacenamiento contiguo y homogéneo en memoria y a la evitación de bucles interpretaados.
  • Eficiencia de memoria: Los ndarray utilizan un bloque único de memoria y un tipo de datos homogéneo, lo que reduce el overhead asociado a las listas de objetos de Python.aprendeconalf
  • Funcionalidad lista para usar: Proporciona una amplia gama de rutinas matemáticas y de manipulación de datos que, de otra forma, requerirían escribir código extenso o depender de múltiples paquetes externos.

Aplicaciones típicas a nivel universitario

  • Ciencia de datos y aprendizaje automático: Preprocesado, normalización y transformación de conjuntos de datos antes de alimentar modelos de scikit‑learn, TensorFlow o PyTorch.
  • Ingeniería y procesamiento de señales: Representación de señales temporales, imágenes y volúmenes 3D como arreglos multidimensionales para filtrado, transformadas y análisis espectral.universidadeuropea
  • Simulación y modelado matemático: Implementación de simulaciones de Monte Carlo, solución de ecuaciones diferenciales mediante métodos de diferencias finitas o elementos, y modelado de fenómenos físicos y económicos.enae
  • Análisis experimental: Cálculo de estadísticas descriptivas, ajuste de curvas, análisis de varianza y procesamiento de resultados de sensores o experimentos de laboratorio.
  • Física computacional y química cuántica: Operaciones de álgebra lineal para resolver problemas de valores propios, transformadas de Fourier en espectroscopia y manipulaciones de funciones de onda.

Historia y comunidad

Creado en 2005 por Travis Oliphant como una fusión de las bibliotecas Numeric y Numarray, NumPy es un proyecto de código abierto mantenido por una activa comunidad de desarrolladores y utilizado en prácticamente todos los entornos de investigación y industria que requieren cómputo numérico en Python. Su adopción se ha visto reforzada por su inclusión en la pila estándar de la ciencia de datos de Python y su compatibilidad con la mayoría de los sistemas operativos y arquitecturas de hardware.

En resumen, para un estudiante universitario NumPy constituye una herramienta indispensable que combina facilidad de uso, potencia expresiva y rendimiento de alto nivel, permitiendo pasar de la manipulación básica de datos a la implementación de algoritmos sofisticados en fields tan diversos como la inteligencia artificial, la ingeniería de control, la bioinformática y la física teórica.

-> creado con IA

SciPy

Uncategorized

SciPy es una biblioteca de código abierto para Python que proporciona una amplia colección de algoritmos y funciones de alto nivel destinados a la computación científica y técnica. Se construye sobre NumPy, aprovechando sus arreglos ndarray como estructura de datos básica, y trabaja de forma estrecha con él para ofrecer operaciones numéricas eficientes.imaster+2

Arquitectura y organización

SciPy se presenta como un paquete modular cuyo espacio de nombres contiene varios submódulos, cada uno dedicado a un área específica de la computación científica. Entre los submódulos más importantes destacan:claudiovz.github

SubmóduloÁrea de aplicación
scipy.optimizeAlgoritmos de optimización (mínimos locales y globales, ajuste de curvas, programación lineal)
scipy.integrateIntegración numérica (cuadrature, resolución de ecuaciones diferenciales ordinarias)
scipy.interpolateInterpolación y ajuste de splines, interpolación multivariable
scipy.linalgÁlgebra lineal avanzada (descomposiciones, solución de sistemas, funciones de matriz)
scipy.signalProcesamiento de señales (filtrado, análisis espectral, convoluciones)
scipy.sparseRepresentación y operaciones con matrices dispersas
scipy.spatialAlgoritmos de geometría computacional (triangulaciones, diagramas de Voronoi, árboles k‑d)
scipy.statsFunciones estadísticas (distribuciones, pruebas de hipótesis, estadísticas descriptivas)
scipy.fftTransformadas de Fourier rápidas y relacionadas
scipy.specialFunciones matemáticas especiales (gamma, beta, funciones de Bessel, elípticas, etc.)
scipy.odrRegresión ortogonal a distancia (ajuste de modelos con errores en ambas variables)
scipy.ioEntrada y salida de datos en diversos formatos (MATLAB, Matrix Market, etc.)

Esta organización permite al usuario buscar directamente la rutina que necesita sin tener que “reinventar la rueda”, ya que las funciones están probadas y optimizadas.claudiovz.github

Características técnicas

  • Base en código compilado: muchos de los algoritmos están envueltos alrededor de implementaciones altamente optimizadas escritas en Fortran, C o C++ (por ejemplo, llamadas a LAPACK y BLAS para álgebra lineal). Esto brinda la flexibilidad de Python con la velocidad del código compilado.scipy
  • Interoperabilidad: al estar basado en NumPy, SciPy puede combinarse fácilmente con otras bibliotecas del ecosistema científico de Python como Pandas, Matplotlib, scikit‑learn, y herramientas de cómputo paralelo como Dask o JAX.
  • Licencia BSD: facilita su uso tanto en ámbito académico como en proyectos propietarios.scipy
  • Multiplataforma: se distribuye para Windows, macOS y Linux, y puede instalarse mediante pip o mediante distribuciones científicas como Anaconda.

Aplicaciones típicas a nivel universitario

  • Optimización: entrenamiento de modelos de aprendizaje automático, ajuste de parámetros en modelos físicos, resolución de problemas de diseño de ingeniería.
  • Integración y ecuaciones diferenciales: simulación de sistemas dinámicos, cálculo de áreas bajo curvas, solución de EDOs y EDPs mediante métodos como odeint y solve_bvp.research.iacyoutube
  • Interpolación y ajuste de curvas: reconstrucción de funciones a partir de datos experimentales, modelado de tendencias, generación de tablas de búsqueda.
  • Álgebra lineal: análisis de vibraciones, métodos de elementos finitos, resolución de sistemas lineales grandes mediante factorizaciones LU, QR, SVD.
  • Procesamiento de señales: filtrado de ruido, análisis espectral mediante FFT, diseño de filtros FIR/IIR.
  • Estadística: cálculo de probabilidades, pruebas de ajuste, análisis de varianza, generación de números aleatorios con distintas distribuciones.
  • Matrices dispersas: simulación de redes, análisis de grafos, solución de problemas donde la mayoría de los coeficientes son cero.
  • Funciones especiales: evaluación de funciones de Bessel, funciones elípticas, funciones de error que aparecen en física matemática y teoría de probabilidad.

Ventajas frente a la implementación manual

  • Rigor y corrección: los algoritmos provienen de literatura numérica establecida (por ejemplo, la serie Numerical Recipes) y han sido sometidos a pruebas exhaustivas.scipy
  • Productividad: al usar una función ya existente (scipy.optimize.minimize, scipy.integrate.quad, etc.) se reduce significativamente el tiempo de desarrollo y se evitan errores comunes en la codificación de métodos numéricos.
  • Escalabilidad: la capacidad de trabajar con arreglos grandes y aprovechar la paralelización subyacente de las bibliotecas de bajo nivel permite abordar problemas de gran escala sin reescribir el código núcleo.

Instalación y uso básico

bash# Con pip
pip install scipy
# O con conda
conda install scipy

En un script o cuaderno de Jupyter:

pythonimport numpy as np
from scipy import optimize, integrate, linalg

# Ejemplo: encontrar el mínimo de una función
def f(x): return x**2 + 10*np.sin(x)
result = optimize.minimize(f, x0=0)
print("Mínimo en x =", result.x, "con valor =", result.fun)

# Ejemplo: integrar sin(x) de 0 a pi
val, err = integrate.quad(np.sin, 0, np.pi)
print("Integral de sin(x) de 0 a π =", val)

En resumen, SciPy constituye el componente esencial de la pila de cómputo científico de Python, proporcionando a estudiantes y investigadores universitarios un conjunto robusto, eficiente y bien documentado de herramientas para abordar problemas de optimización, integración, interpolación, álgebra lineal, procesamiento de señales, estadística y muchos otros dominios de la ciencia e la ingeniería. Su estrecha integración con NumPy y el resto del ecosistema de Python lo convierte en una habilidad fundamental para cualquiera que desee realizar análisis numérico y modelado computacional a nivel profesional.

-> Generado con IA

mWh a mAh

Uncategorized

no es lo mismo expresar una batería en MiliWatios por hora a hacerlo en miliAmperios por hora

Calculadora de conversión de vatios-hora (Wh) a mAh (rapidtables.org)

por ejemplo 3400 mWh son en realidad 2266.67

y 1200 mWh son en realidad 800 mAh

La conversión de vatios-hora (Wh) a miliamperios-hora (mAh) se puede realizar mediante la fórmula:

mAh=VWh×1000​ / V

Donde:

  • Wh es la energía en vatios-hora.
  • V es el voltaje en voltios.

Por ejemplo, si tienes una cantidad expresada como “alta capacidad” de 1200 mWh, puedes convertirla a mAh de la siguiente manera:

  1. Primero, debemos convertir mWh a Wh dividiendo entre 1000: Wh=1200mWh / 1000 ​= 1.2Wh
  2. Luego, necesitamos conocer el voltaje asociado para obtener la carga en mAh. Si tienes información sobre el voltaje (por ejemplo, 3.7 V para una batería de litio), puedes usarlo en la fórmula.
  3. Aplicamos la fórmula: mAh=1.2Wh×1000​ / 3.7 V

Hay que recordar proporcionar el voltaje específico para obtener el valor exacto en miliamperios-hora