your auntifa liza 🇵🇷 🦛 🦦RE: https://mstdn.social/@DemocracyMattersALot/116346680247421904
don’t use either. use @openstreetmap or @CoMaps. it’s the #antifa thing to do.
@pybonacci
| Web | https://pybonacci.org |
| 💩 | |
| Foro | https://foro.pybonacci.org |
Pybonacci (no war)
@pybonacci
- 603 Followers
- 366 Following
- 8.9K Posts
Python científico en español: NumPy, SciPy, matplotlib y más. ¿Quieres colaborar? ¡Escríbenos! Mucho buen humor :)
@pybonacci
@pybonacci
LeanpubThe Open Geospatial Python Series by Qiusheng Wu is the featured book bundle 📚 on Leanpub!
Learn geospatial Python from the ground up to advanced GeoAI. Build real-world workflows for GIS, spatial data management, and AI-powered analysis.
Vary, el del sombrero, en NeoPaquita 🍉🐀🦩🔻
M) “La IA generativa es solo una herramienta más y hay que adaptarse a los tiempos”. 👉 No es “solo” una herramienta más, es una tecnología que extrae datos sin permiso, consume energía y agua a escala de países enteros, fomenta extractivismo digital y choca frontalmente con los principios de sostenibilidad y desarrollo cognitivo que promueve la LOMLOE.
N) “Enseñar sin IA dejaría a los niños en desventaja frente a los que sí la usan fuera del aula”. 👉 La verdadera desventaja es crear generaciones dependientes que no saben razonar, escribir ni crear sin ayuda; es mejor formar mentes autónomas que sepan pensar sin ortesis cognitivas innecesarias, que mentes que sepan solo pulsar “generar”.
¿Tenéis más? (3/3)
G) “La integración de la IA en la educación es necesaria para preparar a los estudiantes para el futuro mercado laboral”. 👉La narrativa de “integración necesaria” responde a intereses corporativos que buscan formar trabajadores dependientes y precarios donde “saber usar IA” sustituye a las competencias profundas.
H) “Podría existir una IA generativa alimentada con datos autorizados, algoritmos transparentes, etc., que resuelva los problemas actuales”. 👉Ese futurible hipotético solo resolvería una pequeña parte de los problemas; por su arquitectura estadística seguiría cercenando la creatividad, la innovación y el pensamiento crítico, y chocaría con los ODS y la LOMLOE.
I) “La IA generativa fomenta la creatividad y la innovación al ayudar a los alumnos a generar ideas y estructurar pensamientos”. 👉La IA regresa a la media por diseño, descartando los datos poco probables y outliers innovadores, lo que cercena la creatividad y reduce la capacidad de generar ideas originales y verdaderamente innovadoras.
J) “Si no metemos la IAgen en las escuelas, los alumnos saldrán peor preparados y se quedarán atrás”. 👉Al integrar la IAgen se fomenta la dependencia temprana, se atrofian las capacidades cognitivas profundas dejando a los alumnos peor preparados para pensar, crear y actuar con autonomía.
K) “¿Cómo vas a negarles a los niños una herramienta con la que mejoren su eficiencia?” 👉Nunca. Lo que les niego es una herramienta que cercena su creatividad natural y su curiosidad innata para convertirse en esclavos de la mediocridad (en sentido más etimológico del término “mediocre”)
L) “La IA generativa ayuda a desarrollar la competencia de ‘aprender a aprender’”. 👉 Es imposible inculcar “aprender a aprender” cuando se introduce un algoritmo plagado de sesgos que dice qué pensar y penaliza salirse del promedio; delega precisamente los procesos que desarrollan la autonomía en el aprendizaje. (2/3)
Argumentario para los que defienden la intromisión de la IAgen en la escuela.
A) “La IA generativa ha llegado para quedarse”. 👉también llegaron para quedarse las TV en 3D, la cocaina en los medicamentos o los dirigibles para viajes comerciales. Nada garantiza que esa burbuja no termine haciendo un Hindenburg.
B) “Esto es como la llegada de las calculadoras”. 👉La IA es una máquina estocástica y fabuladora, mientras que las calculadoras son deterministas, fiables y sus errores son categorizables. Ese argumento alimenta el sesgo de automatización.
C) “Los niños tienen acceso a la IA generativa de todas formas y la pueden usar si quieren así que mejor enseñarles a usarla éticamente y con criterio”. 👉 Los niños también pueden acceder al tabaco, pero no por ello introducimos cigarrillos en clase para enseñar a fumar con criterio y ética.
D) “La IA reduce el esfuerzo cognitivo, igual que una calculadora, y eso libera tiempo para tareas más importantes”. 👉Reducir el esfuerzo cognitivo es precisamente lo perjudicial. Hay un buen motivo para prohibir calculadoras hasta alcanzar un aprendizaje matemático suficiente; ahorrar el esfuerzo cognitivo delegando en la IAgen impide afianzar la comprensión profunda, el razonamiento y las habilidades básicas, convirtiendo a los alumnos en dependientes de una ortesis cognitiva innecesaria.
E) “Basta con enseñar un uso crítico de la IA generativa para que los alumnos la empleen bien”. 👉El pensamiento crítico no es un interruptor; requiere una base sólida de competencias que la propia IA destruye.
F) “La IA generativa es como un cuchillo: una herramienta neutra que puede usarse para bien o para mal, por lo que hay que fomentar su uso ético”. 👉La IA no es como un cuchillo neutro, sino como una mina; su uso genera dependencia cognitiva y sus múltiples impactos negativos forman parte de su propio funcionamiento. (1/3)
Barrel cloud in Pyrenees
Un buen cúmulo de cumulus lenticulares tenemos hoy por el prepirineo aragonés
Carlton Gibson
He subido el límite de mi tarjeta a 8000€. Tenía que comprar una bebida en el aeropuerto
AOSbotTitle: The Recipe Matters More Than the Kitchen:Mathematical Foundations of the AI Weather Prediction Pipeline
arXiv:2604.01215v1 Announce Type: cross
Abstract: AI weather prediction has advanced rapidly, yet no unified mathematical framework explains what determines forecast skill. Existing theory addresses specific architectural choices rather than the learning pipeline as a whole, while operational evidence from 2023-2026 demonstrates [...]
Authors:
The Recipe Matters More Than the Kitchen:Mathematical Foundations of the AI Weather Prediction Pipeline
AI weather prediction has advanced rapidly, yet no unified mathematical framework explains what determines forecast skill. Existing theory addresses specific architectural choices rather than the learning pipeline as a whole, while operational evidence from 2023-2026 demonstrates that training methodology, loss function design, and data diversity matter at least as much as architecture selection. This paper makes two interleaved contributions. Theoretically, we construct a framework rooted in approximation theory on the sphere, dynamical systems theory, information theory, and statistical learning theory that treats the complete learning pipeline (architecture, loss function, training strategy, data distribution) rather than architecture alone. We establish a Learning Pipeline Error Decomposition showing that estimation error (loss- and data-dependent) dominates approximation error (architecture-dependent) at current scales. We develop a Loss Function Spectral Theory formalizing MSE-induced spectral blurring in spherical harmonic coordinates, and derive Out-of-Distribution Extrapolation Bounds proving that data-driven models systematically underestimate record-breaking extremes with bias growing linearly in record exceedance. Empirically, we validate these predictions via inference across ten architecturally diverse AI weather models using NVIDIA Earth2Studio with ERA5 initial conditions, evaluating six metrics across 30 initialization dates spanning all seasons. Results confirm universal spectral energy loss at high wavenumbers for MSE-trained models, rising Error Consensus Ratios showing that the majority of forecast error is shared across architectures, and linear negative bias during extreme events. A Holistic Model Assessment Score provides unified multi-dimensional evaluation, and a prescriptive framework enables mathematical evaluation of proposed pipelines before training.