Octava entrega de BermejaSat: creamos una Estación Terrena gráfica en Python utilizando Matplotlib y PySerial. Implementamos un simulador Hardware-in-the-Loop (HIL) en la placa ESP32 para visualizar el descenso del CanSat en tiempo real.
Damos el salto al código en Python con Google Colab. Entrenamos un modelo de visión por computador mediante Transfer Learning (MobileNetV2) para clasificar el estado de Sierra Bermeja y analizamos su matriz de confusión.
Damos el salto de la observación satelital a la Inteligencia Artificial. Exportamos datos multivariable de Google Earth Engine a Google Colab y entrenamos un Árbol de Decisión con Python (scikit-learn) para predecir los niveles de riesgo de desertificación en Sierra Bermeja. Desgranamos paso a paso el significado científico de cada parámetro del modelo dentro del proyecto Climate Detectives.
Introducción Llevamos tres entradas observando cómo se recupera Sierra Bermeja desde el espacio: primero vimos las imágenes, luego extrajimos la serie temporal completa de NBR, y después comprobamos si la lluvia acelera esa recuperación. Ahora toca una pregunta que todo …
Descubre cómo la técnica ‘Piensa paso a paso’ (Chain-of-Thought) altera la precisión real de un LLM en problemas de lógica y matemáticas. Incluye la guía didáctica de la Línea Péter del Proyecto PINSAPIA y la aplicación completa en Python con FastAPI y LM Studio en el puerto 8094.
Descubre si los modelos de lenguaje son neutros o reproducen estereotipos con la Línea Gebru de PINSAPIA. Incluye una guía de auditoría algorítmica para el alumnado basada en plantillas parametrizadas y análisis léxico determinista en Python en el puerto 8091.
Descubre cómo influyen la temperatura y el muestreo de aleatoriedad en las respuestas de un LLM con la Línea von Neumann de PINSAPIA. Incluye una guía de retos prácticos para el alumnado basada en simulaciones Monte Carlo y la aplicación completa en Python con FastAPI y LM Studio en el puerto 8089.
Descubre cómo solucionar el “falso 200 OK” de LM Studio implementando la tokenización nativa de Qwen 2.5 en Python. Incluye la aplicación interactiva completa de la Línea Booth de PINSAPIA y una guía didáctica con retos prácticos para explorar cómo “leen” las IA con el alumnado en el aula
Aprende a construir el Proyecto Cavendish: una arena de debate multi-agente para modelos de lenguaje (LLM) desarrollada en un solo archivo Python (app_cavendish.py). Inspirada en Margaret Cavendish —autora de la primera novela de ciencia ficción en 1666—, esta aplicación combina un servidor FastAPI en el puerto 8062 con una interfaz web interactiva para simular confrontaciones dialécticas entre IAs con intervención humana en tiempo real (Human-in-the-Loop).
Proyecto de planificación estructurada para Agentes de IA desarrollado con FastAPI y LM Studio local para el IES Monterroso (MonteSteam / AIDARAC). Basado en los principios del Spanning Tree Protocol de Radia Perlman, esta aplicación enseña cómo descomponer objetivos complejos en secuencias lógicas de acciones evitando bucles infinitos.