LazyQML
- Python
- PyTorch
- Pennylane
- ⚪ En desarrollo
Evidencias de Aprendizaje 💡
Desarrollar LazyQML ha sido una experiencia emocionante, permitiendo la evaluación rápida y sencilla de modelos de Quantum Machine Learning (QML). Un claro ejemplo de su simplicidad es que, con solo dos líneas de código, se pueden obtener resultados de distintos modelos de machine learning cuántico. Esta librería está diseñada para ser modular, eficiente y fácil de integrar en entornos de Quantum High-Performance Computing (QHPC), facilitando así el avance de la comunidad QML. 📔💻
from sklearn.datasets import load_iris
from lazyqml.lazyqml import *
# Load data
data = load_iris()
X = data.data
y = data.target
classifier = QuantumClassifier(nqubits={4}, classifiers={Model.QNN, Model.QSVM}, epochs=10)
# Fit and predict
classifier.fit(X=X, y=y, test_size=0.4)
Model
Embedding
Ansatz
Accuracy
F1 Score
Time (s)
QSVM
Amplitude Embedding
~
83%
0.82
447.8
QSVM
RZ Embedding
~
79%
0.78
48.7
QSVM
RY Embedding
~
79%
0.78
48.2
QSVM
RX Embedding
~
79%
0.78
48.3
QNN
RY Embedding
HCzRx
79%
0.78
31.5
Asthma Detection App
- Python
- Streamlit
Evidencias de Aprendizaje 💡
Este proyecto me permitió aplicar conocimientos de inteligencia artificial 🤖 y procesamiento de señales de audio 🎧 en un contexto médico, enfocándome en la detección de patrones respiratorios para evaluar la posibilidad de asma 💨. A través del desarrollo de la interfaz con Streamlit 🖥️, comprendí la importancia de diseñar herramientas accesibles y funcionales, asegurando una experiencia sencilla para el usuario 👩⚕️. La integración de modelos de IA para el análisis de audio me llevó a reflexionar sobre la precisión y limitaciones de estos enfoques ⚖️, así como la necesidad de validación en entornos clínicos 🏥. Además, trabajar en la presentación de resultados mediante indicadores visuales 🔍, como el de gravedad 🟢🟡🟠🔴, reforzó la relevancia de la claridad en la comunicación de datos médicos 📊. Este proceso me ayudó a consolidar habilidades técnicas en desarrollo de software 💻 y análisis de audio, además de fomentar una mayor conciencia sobre la aplicación responsable de la tecnología en el ámbito de la salud ⚠️.
Advent of Code 2024
- Python
- ⚪ En desarrollo
Evidencias de Aprendizaje 💡
Participar en el Advent of Code 2024 ha fortalecido mis habilidades en resolución de problemas y programación. El video animado que acompaña este texto ilustra perfectamente este proceso, mostrando cómo resolver un desafío de búsqueda del camino menos costoso en un laberinto mediante algoritmos como Dijkstra o A*. Ver la solución en acción me ha permitido comprender mejor estos conceptos y aplicarlos de manera más eficiente. Con 33 estrellas ⭐ acumuladas, sigo avanzando en el reto, consolidando conocimientos y perfeccionando mis habilidades con cada nuevo problema. Mi objetivo es completar todas las ediciones, reflexionando sobre los aprendizajes y mejoras a lo largo del camino.
Atari Breakout Reinforcement Learning
- Python
- PyTorch
Evidencias de Aprendizaje 💡
Desarrollar este proyecto de Aprendizaje por Refuerzo para entrenar un modelo capaz de ganar en Breakout ha sido un reto emocionante y una gran oportunidad de aprendizaje. Uno de los mayores logros fue optimizar el entrenamiento en GPU ⚡, lo que me permitió mejorar el rendimiento y entender mejor la distribución de carga computacional. También aprendí la importancia de congelar configuraciones para asegurar que el entrenamiento sea reproducible. Otro hito clave fue integrar visión por computadora (OpenCV) 🖥️👀, lo que me ayudó a desacoplar el modelo del juego y extraer información visual en tiempo real. Este proyecto ha sido una experiencia increíble para mejorar en aprendizaje por refuerzo, optimización computacional y visión por computador. ¡Sigo explorando y mejorando! 💡🔥