¿Qué es el Pensamiento Computacional?

En el año 2006 Jeannette Wing publicó el artículo Computational Thinking en el que defendía que esta nueva competencia debería ser incluida en la formación de todos los niños y niñas, ya que representa un ingrediente vital del aprendizaje de la ciencia, la tecnología, la ingeniería y las matemáticas. Pero, ¿qué es el pensamiento computacional?

En palabras de la propia Wing «el pensamiento computacional implica resolver problemas, diseñar sistemas y comprender el comportamiento humano, haciendo uso de los conceptos fundamentales de la informática». Es decir, que la esencia del pensamiento computacional es pensar como lo haría un científico informático cuando nos enfrentamos a un problema.

Otras definiciones de pensamiento computacional han ido surgiendo en la literatura científica desde entonces:

• El pensamiento computacional es el proceso que permite formular problemas de forma que sus soluciones pueden ser representadas como secuencias de instrucciones y algoritmos.
• El pensamiento computacional es el proceso de reconocimiento de aspectos de la informática en el mundo que nos rodea, y aplicar herramientas y técnicas de la informática para comprender y razonar sobre los sistemas y procesos tanto naturales como artificiales.

Una iniciativa muy interesante en relación a la definición del pensamiento computacional es la promovida por  la Sociedad Internacional de la Tecnología en la Educación (ISTE) y la Asociación de Profesores de Informática (CSTA), que han colaborado con líderes del mundo de la investigación y la educación superior, la industria y la educación primaria y secundaria para desarrollar una definición operativa que describa con precisión sus características esenciales y ofrezca un marco de trabajo y un vocabulario común con el que los profesionales de la educación puedan trabajar.

Según esta definición operativa, el pensamiento computacional es un proceso de resolución de problemas que incluye las siguientes características:

• Formular problemas de forma que se permita el uso de un ordenador y otras herramientas para ayudar a resolverlos.
• Organizar y analizar lógicamente la información.
• Representar la información a través de abstracciones como los modelos y las simulaciones.
• Automatizar soluciones haciendo uso del pensamiento algorítmico (estableciendo una serie de pasos ordenados para llegar a la solución).
• Identificar, analizar e implementar posibles soluciones con el objetivo de lograr la combinación mas efectiva y eficiente de pasos y recursos.
• Generalizar y transferir este proceso de resolución de problemas para ser capaz de resolver una gran variedad de familias de problemas.

El objetivo fundamental de Programamos es, precisamente, promover el desarrollo del pensamiento computacional desde edades tempranas a través de la programación de videojuegos y aplicaciones para móviles en todas las etapas escolares, desde educación infantil hasta formación profesional.

Fuente: https://programamos.es/que-es-el-pensamiento-computacional/

¿Qué son Criptomonedas?

Una criptomoneda es un activo digital que emplea un cifrado criptográfico para garantizar su titularidad y asegurar la integridad de las transacciones, y controlar la creación de unidades adicionales, es decir, evitar que alguien pueda hacer copias como haríamos, por ejemplo, con una foto. Estas monedas no existen de forma física: se almacenan en una cartera digital.

Las criptomonedas cuentan con diversas características diferenciadoras respecto a los sistemas tradicionales: no están reguladas ni controladas por ninguna institución y no requieren de intermediaros en las transacciones. Se usa una base de datos descentralizada, blockchain o registro contable compartido, para el control de estas transacciones.

Al hilo de la regulación, las criptomonedas no tienen la consideración de medio de pago, no cuentan con el respaldo de un banco central u otras autoridades públicas y no están cubiertas por mecanismos de protección al cliente como el Fondo de Garantía de Depósitos o el Fondo de Garantía de Inversores.

En cuanto a la operativa de estas monedas digitales, es muy importante recordar que una vez que se realiza la transacción con criptomonedas, es decir, cuando se compra o vende el activo digital, no es posible cancelar la operación porque el blockchain es un registro que no permite borrar datos. Para “revertir” una transacción es necesario ejecutar la contraria.

Ya que estas monedas no están disponibles de forma física, hay que recurrir a un servicio de monedero digital de criptomonedas, que no está regulados para almacenarlas. 

Un monedero digital o wallet es, en realidad, un software o aplicación donde es posible almacenar, enviar y recibir criptomonedas. Lo cierto es que a diferencia de un monedero de dinero físico, lo que realmente se almacena en los wallets o monederos digitales son las claves que nos dan la propiedad y derecho sobre las criptomonedas, y nos permiten operar con ellas. Dicho de otra forma, basta con conocer las claves para poder transferir las criptomonedas, y la pérdida o robo de las claves puede suponer la pérdida de las criptomonedas, sin posibilidad de recuperarlas.

Hay dos tipos de monederos: existen los calientes y los fríos. La diferencia entre ambos es que los primeros están conectados a internet, y los segundos no. Así, dentro de los monederos calientes encontramos los monederos web, los monederos móviles y los monederos de escritorio, este último, solo en el caso de que el ordenador esté conectado a internet. Por el contrario, dentro de los monederos fríos existen los monederos hardware y los monederos de papel, que es simplemente la impresión en papel de la clave privada. Estos servicios de custodia no están regulados ni supervisados.

El valor de las criptomonedas varía en función de la oferta, de la demanda, y del compromiso de los usuarios. Este valor se  forma  en  ausencia  de mecanismos  eficaces  que  impidan  su  manipulación,  como  los  presentes  en  los  mercados regulados  de  valores.  En  muchas  ocasiones  los  precios  se  forman  también  sin  información pública que los respalde.

Modelo de Aproximación basado en Redes Neuronales para generar Pronósticos de Producción Probabilista a partir de Modelos de Simulación Numérica de Yacimientos - MDA_RN

Es ampliamente reconocido en la industria petrolera que el comportamiento futuro de la producción de un yacimiento no puede ser estimado de manera exacta, debido a todas las incertidumbres asociadas a las variables técnicas del yacimiento y operacionales en el proceso de explotación, sin embargo, tradicionalmente son presentados como perfiles determinísticos que asocian un valor único de producción para cada instante del tiempo. Las metodologías modernas para el diseño de proyectos de explotación exigen migrar a las llamadas “bandas o pronósticos probabilistas”, que asocian, para cada instante del tiempo, una población de posibles valores de la producción que siguen una distribución de probabilidades.

Los pronósticos de producción probabilistas pueden ser estimados a través de modelos analíticos o a partir de un modelo de simulación numérica de yacimientos.

Cuando se requiere determinar ese pronóstico de producción de forma probabilista a partir del modelo de simulación numérica, actualmente no es posible obtenerlo de manera directa con los simuladores numéricos comerciales, teniéndose que requerir el uso de post-procesamiento de los resultados para darle tratamiento probabilista. Aunque existen aplicaciones comerciales y métodos de post-procesamiento automáticos para resolver este problema, el esfuerzo computacional–tiempo–recursos requerido es significativo, principalmente cuando estamos en presencia de yacimientos y procesos de recuperación complejos.

Este documento expone un enfoque metodológico para la estimación de pronósticos de producción probabilistas, a partir de Modelos de Superficie de Respuestas (MSR) o Modelos de Aproximación (MDA) aplicando Redes Neuronales (RN), capaz de reproducir los resultados de modelos de simulación numérica de yacimiento, con esfuerzo computacional razonable y útil en el contexto de los proyectos de explotación y como soporte al proceso de tomas de decisiones.

Por: Karina Semeco/Manuel Freitas.

Documento: https://drive.google.com/file/d/1mlR3xvUf94yV2XxNeqy9XWU5Q0ESwH5d/view?usp=sharing

Espero que esta información les sea útil.

Diferencias entre Inteligencia Artificial (IA) e Inteligencia Computacional (IC)

La inteligencia artificial (IA) tiene por objetivo construir máquinas o sistemas inteligentes que, utilizando estos conocimientos, podrán ser capaces de imitar o superar las capacidades mentales de los humanos: razonamiento, comprensión, imaginación, etcétera.     

Por el contrario, la inteligencia computacional (IC) tiene una doble finalidad. Por un lado, su objetivo científico es comprender los principios que posibilitan el comportamiento inteligente (ya sea en sistemas naturales o artificiales) y, por otro, su objetivo tecnológico consiste en especificar los métodos para diseñar sistemas inteligentes.

Otra de las diferencias más latentes es que la inteligencia artificial trata de ajustar el ambiente a las soluciones conocidas, que están representadas por bases de conocimiento estáticas, mientras que la IC se retroalimenta del ambiente en el que convive y partir de ahí, diseña conocimiento nuevo.

Los modelos y las técnicas de IC se han aplicado en múltiples áreas. Estas son algunas de ellas:

• Las ciencias relacionadas con la tierra y el medio ambiente, enfocadas sobre todo al clima, los océanos y la hidrología. Las redes neuronales artificiales (RNA’s) se han aplicado a la meteorología por satélite y oceanografía para reconocimiento de patrones y clasificación.
• En climatología, la IC sirve para desarrollar modelos numéricos del tiempo atmosférico, analizar el cambio climático planteando predicciones sobre las variaciones en la temperatura de los océanos y en hidrología para predecir las precipitaciones, desbordamientos de ríos, etcétera.
• Otro campo en el que la inteligencia computacional (IC) está siendo ampliamente utilizado es la medicina. Los sistemas difusos se usan en diferentes áreas de diagnóstico médico, como por ejemplo el control del oxígeno o de la anestesia durante la intervención quirúrgica. También para la toma de decisiones médicas mediante la lógica difusa en relación a cuidados intensivos o enfermedades coronarias, etcétera.
• Para el análisis de los mercados financieros, la IC también es una solución muy efectiva. Por un lado, permite detectar mediante el aprendizaje los grupos de nuevos clientes y sus perfiles más adecuados. En este sentido, la computación evolutiva ayuda a generar modelos para gestionar la relación con los clientes y la lógica difusa permite cuantificar la conducta de los clientes.

Espero que esta información les sea útil.

Sugerencias para ser más productivo en Twitter

Les comento algunos tips que me han servido para ser más productivo en Twitter:

• Interactúa con otras cuentas y agrega más valor a sus tweets en los comentarios.
• Involucrarse con otros es el mejor truco para llamar la atención.
• Sigue las mejores cuentas o los mejores patrones de tweets, tendrás éxito mucho más rápido.
• Marca los tweets y vuelve a consultarlos cuando necesites inspiración, aprender de cuentas exitosas es el mejor truco.
• Llega a diferentes cuentas en Twitter y establece relaciones con ellas, mantén tus DM abiertos.
• Mejora tu biografía, se más personal.
• No pierdas el tiempo con los hilos, concéntrate en formatos de tweets pequeños, agregan más valor a las cuentas principales.
• No esperes que tus tweets se vuelvan virales. Mantente publicando con buen contenido.
• Duplica lo que te está funcionando y elimina lo que no.
• Puedes escribir el mismo tweet de 100 maneras diferentes, recicla el contenido antiguo que tenga entre 2 y 3 meses.
• Tan pronto como una cuenta importante publique un tweet o hilo, debes estar entre los primeros en comentar.
• Usa listas de Twitter, son muy útiles, te ayudarán a organizarte, serás más productivo y no te perderás ningún tweet importante. 

Espero les sirva.