En la actualidad, las criptomonedas han tomado fuerza en el mundo entero y el país más cercano a Perú, que ha regulado el uso legal del bitcoin es El Salvador.

El Perú no es ajeno al uso de las criptomonedas, de acuerdo al último reporte de Statista Global Consumer Survey publicado en marzo, Perú lidera Sudamérica con un mayor porcentaje de usuarios de criptomonedas (16%), lo que demuestra un gran interés por estas divisas digitales, incluidas las más populares como el Bitcoin o Ethereum. Sin embargo es necesario tener políticas, infraestructura legal, etc. para regular el uso de las criptomonedas.

El contexto que estamos viviendo, ha sido causante de incremento de videojuegos en gran parte de las familias peruanas que cuentan con acceso a internet y un dispositivo móvil, laptop o pc.

Combinando estas innovaciones y tecnologías se creado una nueva forma de jugar y monetizar el tiempo de juego, se trata de Axie Infinity, es un juego basado en blockchain.

Axie Infinity, un divertidísimo juego que combina elementos de Pokemón y las cartas Magic, pero dentro del ecosistema Ethereum.

¿En qué consiste Axie Infinity?

Axie Infinity es un videojuego que consiste en recolectar criaturas llamadas Axies y combatir contra otros jugadores o contra la inteligencia artificial del juego, ofreciendo una mecánica bastante similar a Pokémon.

Tal como Pokemón, los Axies presentan distintos atributos y cualidades que los ayudan a desempeñarse en combate. Así, existen criaturas más poderosas y valiosas que otras, aunque sean de la misma especie.

Al mismo tiempo, estos se clasifican en seis categorías básicas y tres especiales. Por otra parte, al igual que en Pokémon, cada tipo de Axie presenta fortalezas y debilidades en comparación con otras criaturas.

¿Cómo comprar criaturas Axie y cuánto cuestan?

Los Axie pueden adquirirse desde el ‘Marketplace’ dentro de la plataforma oficial de Axie Infinity. Su costo ha variado mucho, pero hoy pueden comprarse a unos 1500-1800 USD las 3 criaturas.

Al acceder, te será posible apreciar un inventario con más de 49.000 Axies en venta, cuyo costo puede diferir de forma importante de acuerdo a su rareza, características y valor dentro del juego.

Sin embargo, la plataforma ofrece una función de filtro muy útil que puedes utilizar para organizar las criaturas de acuerdo a su rango de precio.

Una vez que encuentres un Axie que llame tu atención, podrás hacer clic sobre él para apreciar mayor información sobre el mismo, como sus estadísticas, partes del cuerpo, habilidades, tipo, entre otros.

Si la criatura te parece una buena adición a tu colección, tan solo pulsa sobre la opción “Comprar ahora” para realizar el pago y adquirirla.

Es importante destacar que los Axie deben comprarse con ETH, por lo que es necesario contar con esta moneda virtual para comprarlos. Una vez que dispongas de al menos tres Axies, estarás listo para jugar.

¿Cómo ganar dinero con Axie Infinity?

Presentando una experiencia de juego similar a Pokémon, el juego consiste en coleccionar criaturas que pueden utilizarse para participar en combates contra otros jugadores.

Sin embargo, su mayor atractivo se encuentra en la oportunidad de generar dinero real al vender mascotas y otros bienes dentro del juego.

Hay diferentes formas de ganar dinero con Axie Inifity, como ser:

• Vendiendo las creaturas Axie que compraste.

• Cambiando saldos de SLP ganados en los modos batalla y aventura del juego a otras criptos o dinero fiat.

• Vendiendo las creaturas Axie que criaste.

Si en caso no se tenga el dinero necesario para comprar el set de axies para empezar a jugar y generar dinero, existen entidades que ofrecen becas, es decir, te prestan los tres axies iniciales para jugarlos, criarlos y generar más crías, sin embargo de todo el dinero generado, un porcentaje será destinado para el dueño. Generalmente un 35% es para el dueño y lo restante para el becado. En Perú, un reconocido comentarista de E-Sport, streamer y gerente general de GamerStudio, Andree Santillán, empezó a incursionar en el mundo de Axies Infinity, brindando becas a personas que se subscriban a su canal de transmisión en la plataforma de Facebook, previa evaluación y entrevista personal. Andree, espera que un corto plazo pueda ofrecer becas para personas que no sean sus suscriptores y de esta forma ayudar a lograr sus metas.

Para más información y detalle sobre las becas, pueden ver el siguiente link:

Reinforcement learning
El aprendizaje por reforzamiento es el aprender que hacer, recibiendo una recompensa por acción realizada y siendo mayor cuando esta más cerca del objetivo deseado. Por ejemplo, no se le dice al alumno que hacer, sino que debe descubrir que acciones tomar y que estas le produzcan una mayor recompensas (Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT press.)

Reinforced XGBoost machine learning model for sustainable intelligent agrarian applications
El aprendizaje automático ha surgido con tremendas técnicas de procesamiento para detectar nuevos sucesos en los avances agrarios multidisciplinarios. En este artículo se propone un novedoso algoritmo de regresión híbrido, refuerzo de gradiente extremo reforzado que muestra una ejecución esencialmente mejorada sobre los algoritmos tradicionales de aprendizaje automático como redes neuronales artificiales, Q-Network profunda, aumento de gradiente, bosque aleatorio y árbol de decisión. El modelo híbrido propuesto realiza el aprendizaje por refuerzo en cada nodo durante el proceso de división de nodos de la construcción del árbol de decisión. Esto conduce a una utilización eficaz de las muestras seleccionando el atributo de división apropiado para un rendimiento mejorado. El rendimiento del modelo se evalúa mediante el error cuadrático medio, el error absoluto medio y el coeficiente de determinación. Para asegurar una evaluación justa de los resultados, la evaluación del modelo se realiza tanto en el conjunto de datos de entrenamiento como de prueba. Los resultados obtenidos delimitan el hecho de que el enfoque híbrido propuesto funciona mejor con una medida de error reducida y una precisión mejorada del 94,15% sobre los otros algoritmos de aprendizaje automático.

Conclusión
En la agricultura es muy importante la optimización de recursos debido a que no son recursos no renovables y con la ayuda de las tecnologías como el aprendizaje por reforzamiento nos permite controlar un conjunto de variables en la agricultura y de esta forma asegurando una máxima productividad, evitando la generación de enfermedades o plagas que puedan ocasionar perdidas totales en los cultivos.

Bibliografia

• Elavarasan, Dhivya y Vincent, Durai Raj. 'Modelo de aprendizaje automático XGBoost reforzado para aplicaciones agrarias inteligentes sostenibles'. 1 de enero de 2020: 7605 - 7620.

• Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT press.

Impacto de la Inteligencia Artificial en el Perú

En el mundo la Inteligencia Artificial (IA) tiene varios votos a favor y en contra, es decir, la utilización de la misma puede traer oportunidades o riesgos. Por un lado es útil para mejorar la experiencia de clientes, implementando un chatbot, un sistema recomendador, etc. Y por el otro, puede ser un arma muy poderosa para la ciberdelincuencia.

En el Perú, surge una duda si la IA sería beneficioso o no. En el foro de CenturyLink, que se llevó a cabo en Lima (2018). En el cual, Luis Ladera, director de Datos y Productos de Internet de CenturyLink Perú, opinó respecto a este tema: “Desde mi punto de vista, los beneficios son mayores y los retos vienen en el manejo de datos. La cantidad de datos que se necesita para ir mejorando e implementando nuevas aplicaciones de la IA, son importantes”.

Los riesgos potenciales, que pueden presentarse en el Perú, sería el manejo de la seguridad en el manejo y confidencialidad de esos datos. Por otro lado, está el uso de la IA de una manera no santa o ética para hacer ciberataques.

Sin embargo el Perú, se suscribió al Convenio de Budapest, asumió el compromiso de la lucha frontal y efectiva contra la ciberdelincuencia y la necesidad de cooperación internacional rápida y eficaz en materia penal. Adicionalmente, la Presidencia del Consejo de Ministros (PCM), se encuentra formulando estrategias para fortalecer la seguridad digital en el país.

Para finalizar, esta suscripción al Convenio de Budapest, es beneficiosa para el Perú ya que permitirá recibir capacitación técnicas internacionales en materia de seguridad digital, con el fin de fortalecer los conocimientos de los profesionales peruanos ante ataques de todo tipo de magnitud y actuar con mecanismos rápidos y eficaces.

1. Descripción
En los últimos tiempos las empresas se están orientando a un enfoque más integrador de los equipos de trabajo. La aparición de metodologías ágiles y su actual tendencia a una estructura horizontal y formación de equipos multidiciplinarios implica un reto al momento de seleccionar a los líderes de equipos, ya que en ellos recae la responsabilidad de mantener unido al equipo y sacar adelante los proyectos. Es por ello que se invierte en salud ocupacional tanto como en políticas que contribuyan a potenciar antes que explotar el potencial de los empleados. Esto es debido a que ellos, el capital humano, son los encargados de sostener y/o revolucionar el modelo de negocio con sus aportes. Es por ello que estos trabajos están orientados a desarrollar un prototipo de sistema de predicción de estado de ánimo mediante digitación por teclado.

2. Herramientas
Para la detección del estado de ánimo mediante patrones de escritura por teclado, se usaron las siguientes herramientas:

2.1. Keylogger
Es un tipo de software o un dispositivo hardware específico que se encarga de registrar las pulsaciones que se realizan en el teclado, para posteriormente memorizarlas en un fichero o enviarlas a través de internet. Este tipo de software suele usarse para invadir privacidad o captar información a escondidas, sin embargo en el presente trabajo se realizará con el consentimiento de los usuarios. Se desarrolló una aplicación de teclado usando el lenguaje de programación python para capturar datos mientras el usuario está escribiendo. El teclado capturará el tiempo entre las pulsaciones de teclas en milisegundos, el número de retrocesos como una medida de los errores cometidos en la entrada por el usuario y el número de caracteres digitados

2.2. Aplicativo móvil
Este trabajo de investigación tomó como referencia del trabajo de investigación Emotion recognition using mobile phones, el cual consiste en el aprovechamiento de un conjunto de sensores integrados disponibles en teléfonos móviles para la creación de una aplicación que trata de detectar las emociones de un usuario. Es así que se construye un sistema inteligente de detección de emociones implementado como un teclado inteligente que infiere el estado emocional de un usuario utilizando técnicas de aprendizaje automático. Se utilizan variables provenientes de las lecturas del acelerómetro y varios aspectos del comportamiento de escritura, como la velocidad y demora entre letras para entrenar a un clasificador para predecir emociones.

2.3. Estados de animo
En estos proyectos se tomaron en cuenta 3 variables principalmente, las cuales son el Tiempo entre presión de teclas, Cantidad de Caracteres y la Cantidad de espacios. Estas fueron tomadas como referencia del artículo de investigación Emotion recognition using mobile phones en el cual se hace un análisis y definición de las variables explicativas del modelo, las cuales predecirían la clase "Estado de ánimo".

Variables:

• Tiempo entre presión de teclas (TEP)

• Cantidad de caracteres (CC)

• Cantidad de espacios (CE)

Las variables explicativas mencionadas serán calculadas a partir de un conjunto de caracteres captados gracias a la digitación de usuario a través del teclado.

2.3.1. Algoritmo de regresión lineal múltiple
La regresión lineal múltiple es una variante de la regresión lineal simple, con la diferencia de que ahora la variable dependiente estudiada será más de una. Este algoritmo se utiliza para predecir el comportamiento de la variable dependiente o para determinar la influencia de los predictores sobre esta.
Para la predicción del Estado de Ánimo del usuario, primero tendrá que generar las ecuaciones necesarias para cada Estado de ánimo al analizar todo el dataset histórico de input conformado por las variables explicativas mencionadas anteriormente con sus respectivas etiquetas. De este ajuste obtendríamos las siguientes ecuaciones:

Emotion(Feliz) = axCC + bxTEP + cxCE + e1
Emotion(Neutral) = dxCC + exTEP + fxCE + e2
Emotion(Molesto) = gxCC + hxTEP + ixCE + e3
Emotion(Triste) = jxCC + kxTEP + lxCE + e4

En base a estas ecuaciones se podrá dar la predicción tomando la data input reciente del usuario. Es así que el output de esta fase es el valor de la clase Estado de Ánimo, en este caso Feliz, Triste, Neutral o Molesto.

3. Resultados
De la literatura revisada se testearon múltiples algoritmos para establecer cuál es el que mejor se ajusta y predice la clase a partir de nuestras variables explicativas. Se tomaron en cuenta el Modelo de árbol de decisión J48, Naïve Bayes, IBK perezoso, y el Modelo de Regresión Lineal de Respuesta Múltiple. Todos estos fueron testeados usando como base un conjunto de datos ya procesados, de tal manera que se llegó a la conclusión de que el algoritmo más confiable era el del Modelo de Regresión de Respuesta Múltiple, el cual tuvo como resultado la siguiente matriz de confusión para cada uno de los estados de ánimo estudiados.

Se presenta un enfoque de aprendizaje automático para el reconocimiento de emociones mediante el teclado. El teclado registra el comportamiento de escritura del usuario, que incluye la velocidad de los mensajes de texto y el tiempo entre. El teclado utiliza dinámicamente el algoritmo de aprendizaje automático de regresión lineal de respuestas múltiples para clasificar el estado de ánimo actual del usuario.

4. Conclusiones
El trabajo actual tiene limitaciones y puede mejorarse de múltiples formas. Primero, la precisión de la clasificación, aunque alta, puede mejorarse potencialmente incorporando atributos adicionales. Por ejemplo, se puede considerar la ubicación (casa, trabajo, etc.), el tiempo, la intensidad de los movimientos de los dedos, el uso de lenguaje fuerte, la expresión facial, la temperatura ambiente, los datos meteorológicos y el índice de malestar. Estos parámetros adicionales pueden ayudar potencialmente a mejorar la tasa de precisión y permitir que uno agregue más estados emocionales a la lista de emociones que la aplicación puede detectar. En segundo lugar, la distribución del teclado se puede hacer más atractiva.

5. Referencias

• Sağbaş, E.A., Korukoglu, S. & Balli, S. Stress Detection via Keyboard Typing Behaviors by Using Smartphone Sensors and Machine Learning Techniques. J Med Syst 44, 68 (2020).

• Zualkernan, I., Aloul, F., Shapsough, S., Hesham, A., & El-Khorzaty, Y. (2017). Emotion recognition using mobile phones. Computers & Electrical Engineering, 60:1–13.

Esta es una página en la cual se puede encontrar DataSet's sobre todo tipo de cáncer.
Los datos de TCIA se organizan como colecciones. Por lo general, se trata de cohortes(*) de pacientes relacionadas con una enfermedad común (por ejemplo, cáncer de pulmón), modalidad o tipo de imagen (MRI, CT, histopatología digital, etc.) o enfoque de investigación.
Los datos de respaldo relacionados con las imágenes, como los resultados del paciente, los detalles del tratamiento, la genómica y los análisis de imágenes también se proporcionan cuando están disponibles. Por ejemplo:

Dataset de cáncer cerebral llamado glioblastoma multiforme:
Descripción:
Las imágenes de radiología se obtienen de las imágenes de atención estándar realizadas en pacientes inmediatamente antes del diagnóstico patológico, y de las exploraciones de seguimiento cuando están disponibles. Por esta razón, los conjuntos de datos de imágenes radiológicas son heterogéneos en términos de modalidades de escáner, fabricantes y protocolos de adquisición. Las imágenes de patología se recopilan como parte del flujo de trabajo de calificación de CPTAC.

Los datos de imágenes radiológicas están en formato DICOM. Para proporcionar información de contexto temporal alineada con eventos en el conjunto de datos clínicos para cada paciente, TCIA ha insertado información en la etiqueta DICOM (0012,0050) ID de punto de tiempo de ensayo clínico. Esta etiqueta DICOM contiene el número de días desde la fecha en que el paciente fue diagnosticado inicialmente patológicamente con la enfermedad hasta la fecha de la exploración.

Cantidad de imágenes(DICOM, 39.4 GB): 154,476

Pagina web: https://www.cancerimagingarchive.net/collections/

(*) Grupo de individuos que comparten una característica común.