CROWSON añade un cuarto paso distinto de la simulación — Llama traduce la frase a palabras clave en inglés y busca de verdad en Openverse, con atribución completa y sin esconder sus límites (moderación, cuota de peticiones).
CROWSON amplía a cinco las decisiones de color de Llama (franja y estrella incluidas) — y esta entrada explica, paso a paso, cómo genera de verdad una imagen un modelo como Stable Diffusion (CLIP, espacio latente, difusión) frente a lo que hacemos aquí.
CROWSON muestra ahora, sin editar, la respuesta exacta que da Llama antes de convertirse en dibujo — el mismo principio de transparencia que ya aplicamos en MASTERMAN, aplicado aquí a la salida del modelo.
CROWSON simula el patrón “texto a imagen” con Llama eligiendo colores de una lista cerrada y código sin IA dibujándolos — sin fingir ser un generador real como Stable Diffusion.
Este tutorial guía paso a paso al alumnado en la realización de un Análisis Exploratorio de Datos (EDA) inicial utilizando Python, Pandas y JupyterLab sobre el conjunto de datos California Housing. A través de métodos fundamentales como info(), value_counts(), describe() e hist(), los estudiantes aprenderán a identificar la estructura del dataset, detectar valores nulos, analizar variables categóricas, interpretar estadísticas descriptivas (como cuartiles y desviación estándar) y visualizar la distribución de los datos mediante histogramas con Matplotlib. Incluye un reto práctico final para afianzar los conceptos aprendidos.
Tercer y último paso de MASTERMAN: el mismo modelo y el mismo chat, con un botón para traducir al inglés — el campo de trabajo real de Margaret Masterman, la lingüista que da nombre al proyecto.
Segundo paso de MASTERMAN: un botón que muestra, tal cual, la instrucción oculta que moldea al modelo antes de cada respuesta — y que además se puede cambiar, con tres estilos ya escritos para comparar.
MASTERMAN es el nuevo proyecto de aula del IES Monterroso para vivir en persona el test de Turing, chateando con un modelo de lenguaje real y viendo, más adelante, qué hay detrás moldeando sus respuestas.
Aprende a configurar un entorno de Ciencia de Datos en local con JupyterLab Desktop de forma 100% visual y sin usar comandos de consola. Guía paso a paso para descargar y visualizar tu primer conjunto de datos real con Python y Pandas para proyectos de Inteligencia Artificial y pensamiento computacional.
Guía paso a paso para explorar TensorFlow Playground en clase, conectando cada parámetro con lo aprendido en los proyectos Rosenblatt y Haibt.