COMPONENTES DEL PENSAMIENTO COMPUTACIONAL PARA UNA APLICACIÓN DE AMALGAMA

  

DIPLOMADO EN EN INTELIGENCIA ARTIFICIAL

                                                                   MODULO IV

              APRENDIZAJE AUTOMATICO CON PYTHON Y ASISTENTES INTELIGENTES

                         Ortega Irusta Elsy Nilda

                         Este es el enlace con Chat GPT:

https://chat.openai.com/c/40ed8a65-4bd5-4e06-999a-724ad2d7219e

Desarrolla paso a paso los componentes del pensamiento computacional para una aplicación de amalgama con Python 1. Programación tradicional: entrada + reglas → salida 2. Aprendizaje automático: entradas + salidas →

 COMPONENTES DEL PENSAMIENTO COMPUTACIONAL PARA UNA APLICACIÓN DE AMALGAMA

El pensamiento computacional es un enfoque para resolver problemas y diseñar sistemas que combina diferentes habilidades cognitivas y estrategias. Se compone de varios componentes clave, que son esenciales tanto para la programación tradicional como para el aprendizaje automático. Aquí hay una descripción paso a paso de estos componentes:

Programación Tradicional:

1. Entender el Problema:

   - Identifica claramente el problema que estás tratando de resolver.

   - Define claramente las entradas y salidas esperadas.

2. Diseño del Algoritmo:

   - Desarrolla un algoritmo que describe paso a paso cómo se debe abordar el problema.

   - Divide el problema en subproblemas más pequeños si es necesario.

   - Utiliza estructuras de control de flujo como bucles y condicionales para organizar la lógica.

3. Desarrollo de Código:

   - Utiliza un lenguaje de programación como Python para traducir tu algoritmo en código ejecutable.

   - Implementa las reglas y la lógica necesarias para procesar las entradas y generar las salidas esperadas.

4. Pruebas y Depuración:

   - Realiza pruebas exhaustivas con diferentes conjuntos de datos de entrada.

   - Identifica y corrige errores (depuración) para asegurarte de que el programa funcione correctamente.

5. Optimización (Opcional):

   - Si es necesario, optimiza el código para mejorar el rendimiento o la eficiencia.

6. Documentación:

   - Documenta tu código de manera clara para que otros puedan entender y mantenerlo en el futuro.

 

Aprendizaje Automático:

1. Recopilación de Datos:

   - Recolecta un conjunto de datos que incluya ejemplos de entradas y las salidas asociadas que deseas predecir.

   - Divide los datos en conjuntos de entrenamiento y prueba.

2. Selección del Modelo:

   - Elige un modelo de aprendizaje automático que sea apropiado para tu problema (regresión, clasificación, etc.).

   - Selecciona la arquitectura del modelo y los hiperparámetros.

3. Entrenamiento del Modelo:

   - Alimenta el conjunto de entrenamiento al modelo y ajusta los pesos para minimizar la diferencia entre las predicciones y las salidas reales.

   - Utiliza funciones de pérdida y algoritmos de optimización.

4. Validación del Modelo:

   - Evalúa el rendimiento del modelo utilizando el conjunto de prueba para asegurarte de que pueda generalizar a datos no vistos.

5. Ajuste y Optimización:

   - Ajusta el modelo según sea necesario para mejorar el rendimiento, evitando el sobreajuste o subajuste.

6. Despliegue del Modelo:

   - Implementa el modelo entrenado en un entorno de producción para realizar predicciones en tiempo real.

7. Monitoreo Continuo (Opcional):

   - Implementa un sistema de monitoreo para realizar un seguimiento del rendimiento del modelo a medida que se utilizan datos en el entorno de producción.

8. Documentación:

   - Documenta tanto el proceso de entrenamiento como la implementación del modelo para facilitar su mantenimiento y comprensión.

Ambos enfoques comparten algunos pasos comunes, como entender el problema, diseñar algoritmos y documentar el código o el modelo. Sin embargo, la diferencia clave radica en cómo se abordan las reglas y las salidas: de manera explícita en la programación tradicional y mediante el aprendizaje a partir de ejemplos en el aprendizaje automático.

Ejemplos de gráficos comunes utilizando la biblioteca `matplotlib` en Python. 

import matplotlib.pyplot as plt

# Datos

x = [1, 2, 3, 4, 5]

y = [2, 4, 6, 8, 10]

# Gráfico de líneas

plt.plot(x, y, label='Línea')

# Títulos y etiquetas

plt.title('Gráfico de Líneas')

plt.xlabel('Eje X')

plt.ylabel('Eje Y')

# Leyenda

plt.legend()

# Mostrar el gráfico

plt.show() 

Gráfico de Líneas:

Gráfico de Barras:

import matplotlib.pyplot as plt

# Datos

categorias = ['A', 'B', 'C', 'D', 'E']

valores = [4, 7, 1, 8, 5]

# Gráfico de barras

plt.bar(categorias, valores, color='blue', alpha=0.7)

# Títulos y etiquetas

plt.title('Gráfico de Barras')

plt.xlabel('Categorías')

plt.ylabel('Valores')

# Mostrar el gráfico

plt.show()

Gráfico de Pastel:

import matplotlib.pyplot as plt

# Datos

porcentajes = [30, 20, 25, 15, 10]

etiquetas = ['A', 'B', 'C', 'D', 'E']

# Gráfico de pastel

plt.pie(porcentajes, labels=etiquetas, autopct='%1.1f%%', startangle=90, colors=['red', 'green', 'blue', 'yellow', 'purple'])

# Título

plt.title('Gráfico de Pastel')

# Mostrar el gráfico

plt.show()

Conclusiones y reflexiones: Los componentes del pensamiento computacional para una aplicación de amalgama utilizando el pensamiento computacional nos proporciona  enfoques para resolver problemas y diseñar sistemas que combinan  habilidades cognitivas y estrategias que se pueden implementar en la practica docente.