<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/">
  <channel>
    <title>Kanu, notas</title>
    <link>https://erickdonado.com/es/notes/</link>
    <description>Notas de Erick Donado: machine learning, sistemas y lo que esté estudiando.</description>
    <language>es</language>
    <atom:link href="https://erickdonado.com/feed.es.xml" rel="self" type="application/rss+xml"/>
    <lastBuildDate>Mon, 02 Nov 2026 12:00:00 GMT</lastBuildDate>
    <item>
      <title>Aprender a programar cuando la IA puede hacerlo por ti</title>
      <link>https://erickdonado.com/es/notes/learning-to-code-when-ai-can-write-it/</link>
      <guid isPermaLink="true">https://erickdonado.com/es/notes/learning-to-code-when-ai-can-write-it/</guid>
      <pubDate>Mon, 02 Nov 2026 12:00:00 GMT</pubDate>
      <category>programación</category>
      <category>aprendizaje</category>
      <category>ia</category>
      <description>La IA no está reemplazando a los programadores, pero sí cambia cómo conviene aprender. Elige un lenguaje con un motivo, alterna entre sintaxis y proyectos, construye primero sin IA, y úsala como tutor y no como quien te hace la tarea.</description>
      <content:encoded><![CDATA[<p>La IA no va a reemplazar a los ingenieros de software de un día para otro. Es una herramienta, y muy buena: le quita las partes repetitivas del trabajo, el código de relleno y la limpieza, a gente que ya sabe lo que hace.</p><p>Esa última parte es la clave. Pídele a una IA algo en un lenguaje que nunca has tocado, y cuando el código que te entregue esté roto, no vas a saber dónde. Entonces le pegas el error, vuelve a adivinar, y los dos dan vueltas en círculo. Nadie en esa conversación sabe leer el código.</p><p>Cuando sabes programar cambian tres cosas:</p><ul><li>sabes qué pedir, así que la IA de verdad te acelera</li><li>te das cuenta cuando lo que te dio no tiene sentido</li><li>no te quedas varado cuando se cae, o cuando se te acaban los créditos</li></ul><p>Muchas veces el error es tan pequeño que leer el código tú mismo es más rápido que tres rondas con un chatbot. Creaste dos objetos en el orden equivocado, y lo ves en diez segundos. La IA no, porque está concentrada en la tarea y no sabe todo lo que tú sabes sobre cómo quieres que se haga.</p><p>Alguien que sabe programar y usa bien la IA le gana tanto a quien se niega a usarla como a quien la usa a ciegas.</p><h2 id="elige-un-lenguaje-con-un-motivo">Elige un lenguaje con un motivo</h2><p>Antes de escoger un lenguaje, decide para qué quieres programar. El campo es enorme, y cada parte usa lenguajes distintos.</p><p>No hay lenguajes malos. Hay lenguajes que encajan con un trabajo y lenguajes que no. Para machine learning y ciencia de datos eso significa Python: las librerías están ahí, y es rápido para probar ideas. No escribirías un pipeline de redes neuronales en C, ni un sistema operativo en Python.</p><p>No le hagas caso a quien te diga que su lenguaje favorito es el mejor. ¿El mejor para qué?</p><h2 id="el-ciclo">El ciclo</h2><p>Aprender a programar es un ciclo de dos pasos:</p><ol><li><strong>Aprende algo de sintaxis.</strong></li><li><strong>Construye algo con eso.</strong></li></ol><p>Y vuelve al paso 1. No hay más secreto.</p>
<p><em><a href="https://erickdonado.com/es/notes/learning-to-code-when-ai-can-write-it/">Figura interactiva, abre la nota para verla</a>: Todo el método. En cada vuelta del ciclo, los proyectos se ponen un poco más difíciles.</em></p>
<h3 id="aprender-sintaxis">Aprender sintaxis</h3><p>La sintaxis son las reglas de un lenguaje: cómo se escribe un ciclo, una función, una clase. Cada lenguaje tiene las suyas, así que incluso quien sabe cinco lenguajes tiene que aprender las reglas del sexto. Lo que tiene es velocidad. Si sabes Python, JavaScript te cuesta menos, porque los dos son lenguajes de scripting. Si ya sabes qué es un puntero por C++, los punteros inteligentes de Rust se entienden antes.</p><p>Usa un sitio gratuito con ejercicios, como W3Schools o Codecademy, o simplemente juega con el lenguaje en tu editor. Estás listo para seguir cuando puedes declarar funciones, crear objetos, unir cadenas y usar las estructuras de datos básicas sin mirar un tutorial.</p><p>Aprender un lenguaje también es aprender:</p><ul><li><strong>para qué sirve</strong> (TypeScript para aplicaciones web, Rust para motores y sistemas operativos)</li><li><strong>por qué está hecho así</strong> (uno corre sobre un motor que lo interpreta, el otro se compila a las instrucciones propias de la máquina)</li><li><strong>qué cuesta eso</strong> (qué es rápido, qué es lento, y cuándo importa)</li></ul><p>Si te vas a comprometer con un lenguaje, mira también bajo el capó: cómo usan la pila las llamadas a funciones, por qué las variables globales dan problemas, cómo se entrega y se devuelve la memoria. Es opcional, y te va a hacer mejor sin que lo notes, porque vas a darte cuenta cuando escribes algo que desperdicia recursos. Por eso las carreras de sistemas enseñan teoría antes de construir.</p><h3 id="construir-proyectos">Construir proyectos</h3><p>¿No sabes qué construir? Esta es una gran pregunta para una IA:</p><pre><code>Para Python, dame 3 ideas de proyecto en cada nivel: principiante,
intermedio y avanzado. Para cada una, lista las funciones que debo
construir y los conceptos que voy a aprender.</code></pre><p>Te va a dar nueve proyectos, cada uno con sus funciones y lo que enseña. El comienzo de la respuesta se ve más o menos así:</p>
<p><em><a href="https://erickdonado.com/es/notes/learning-to-code-when-ai-can-write-it/">Figura interactiva, abre la nota para verla</a>: La respuesta nombra el proyecto, qué construir y qué vas a aprender con él. Esa última línea es la que lo convierte en un plan de estudio.</em></p>
<p>Construye los nueve, de principio a fin.</p><p>Y aquí va la regla que importa: <strong>constrúyelos sin ayuda de la IA.</strong> Es cierto que la industria ahora se apoya en la IA para escribir código, y que las empresas quieren más producción que nunca. Justo por eso necesitas primero el hábito de pensar por tu cuenta. Una IA es tan buena como quien la dirige.</p><p>Cuando te atasques, estos tienen respuesta para casi todo:</p><ul><li><strong>W3Schools</strong>: sintaxis con ejercicios</li><li><strong>GeeksforGeeks</strong>: una explicación de casi cualquier concepto</li><li><strong>Stack Overflow</strong>: alguien ya hizo tu pregunta, y le respondieron sin anestesia</li><li><strong>Codecademy</strong>: guiado, paso a paso</li></ul><h2 id="si-usas-ia-mientras-aprendes">Si usas IA mientras aprendes</h2><p>Doy clases de programación, y siempre veo lo mismo: un estudiante con una IA abierta termina el ejercicio y aun así no puede escribir el siguiente solo. El código quedó hecho; el aprendizaje no. Unas pocas reglas evitan eso.</p><p><strong>Primero intenta, después pregunta.</strong> Un intento roto te muestra exactamente qué no entiendes, y eso vuelve buena tu pregunta.</p><p><strong>Pide explicaciones, no soluciones.</strong> &quot;¿Por qué este ciclo nunca termina?&quot; enseña. &quot;Escríbeme un ciclo que haga X&quot; no. Prueba decirle: &quot;no me des el código, dame una pista.&quot;</p><p><strong>Dale veinte minutos al error.</strong> Lee el mensaje de abajo hacia arriba, imprime los valores, reduce el problema. Casi siempre lo vas a encontrar.</p><p><strong>La prueba línea por línea.</strong> Antes de quedarte con cualquier código, explica cada línea en voz alta. Si hay una línea que no puedes explicar, no has terminado.</p><h2 id="para-tener-presente">Para tener presente</h2><ul><li><strong>El síndrome del impostor es normal.</strong> Todos lo sentimos. Aprender lo siguiente es lo que lo calma, por un rato.</li><li><strong>Es tu camino.</strong> No te midas con el de los demás.</li><li><strong>Haz las preguntas pequeñas.</strong> Una IA es un tutor que está despierto a las 3 a. m. y nunca se cansa de un &quot;¿por qué?&quot;.</li><li><strong>No te deslices al copiar y pegar.</strong> En el momento en que pegas código que no entiendes, dejaste de aprender.</li><li><strong>Busca gente.</strong> Una comunidad de personas que también están aprendiendo te jala hacia arriba.</li></ul><h2 id="la-version-corta">La versión corta</h2><p>Usa la IA como un tutor mientras aprendes, y como un colega cuando ya puedas revisar su trabajo. Nunca como quien te escribe lo que se supone que debes entender.</p>]]></content:encoded>
    </item>
    <item>
      <title>Por qué el machine learning necesita matemáticas</title>
      <link>https://erickdonado.com/es/notes/why-machine-learning-needs-maths/</link>
      <guid isPermaLink="true">https://erickdonado.com/es/notes/why-machine-learning-needs-maths/</guid>
      <pubDate>Mon, 02 Nov 2026 12:00:00 GMT</pubDate>
      <category>machine learning</category>
      <category>matemáticas</category>
      <category>aprendizaje</category>
      <description>Una fórmula que asusta casi siempre son unos pocos pasos simples escritos de forma muy compacta. Aquí va por qué vale la pena aprender las matemáticas, qué hacen la estadística, el álgebra lineal y el cálculo en machine learning, y las ideas detrás de PCA y el descenso de gradiente sin la jerga.</description>
      <content:encoded><![CDATA[<p>Muéstrale esto a alguien que acaba de aprender Pitágoras y va a querer cerrar el libro:</p><div class="note-math"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>D</mi><mo stretchy="false">(</mo><mi>x</mi><mo separator="true">,</mo><mi>y</mi><mo stretchy="false">)</mo><mo>=</mo><msup><mrow><mo fence="true">(</mo><munderover><mo>∑</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><mi mathvariant="normal">∣</mi><msub><mi>x</mi><mi>i</mi></msub><mo>−</mo><msub><mi>y</mi><mi>i</mi></msub><msup><mi mathvariant="normal">∣</mi><mi>p</mi></msup><mo fence="true">)</mo></mrow><mfrac><mn>1</mn><mi>p</mi></mfrac></msup></mrow><annotation encoding="application/x-tex">D(x, y) = \left( \sum_{i=1}^{n} |x_i - y_i|^p \right)^{\frac{1}{p}}</annotation></semantics></math></span></div><p>Es la distancia de Minkowski. Ahora di lo mismo en pasos:</p><ol><li>Toma dos puntos y réstalos, coordenada por coordenada. Para 7 y 3, la diferencia es 4.</li><li>Eleva cada diferencia a una potencia. Con potencia 2, una diferencia de 4 se vuelve 16, y una de 1 se queda en 1. Las diferencias grandes se castigan mucho más que las pequeñas.</li><li>Suma todas las diferencias castigadas.</li><li>Deshaz la potencia al final, para que el resultado vuelva a ser una distancia y no un número inflado.</li></ol><p>Nada de eso es más difícil que la aritmética del colegio. Con potencia 2 es exactamente Pitágoras. La fórmula solo asusta porque mete cuatro pasos en una línea.</p><p>Ese es el punto de esta nota. La notación matemática es compresión. Cuando la sabes leer, una línea de símbolos es más fácil que un párrafo de palabras, y las ideas avanzadas dejan de parecer un muro.</p><h2 id="nadie-nace-sabiendo-esto">Nadie nace sabiendo esto</h2><p>No creo en la &quot;gente de matemáticas&quot;. Algunos aprenden más rápido, pero lo que separa a las personas es la práctica, y el hecho de que las matemáticas se apilan: cada idea se apoya en las anteriores.</p><p>Toma esta integral:</p><div class="note-math"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mo>∫</mo><mfrac><mn>1</mn><msup><mi>x</mi><mn>3</mn></msup></mfrac><mtext> </mtext><mi>ln</mi><mo>⁡</mo><mi>x</mi><mtext>  </mtext><mi>d</mi><mi>x</mi></mrow><annotation encoding="application/x-tex">\int \frac{1}{x^3} \, \ln x \; dx</annotation></semantics></math></span></div><p>Para resolverla necesitas fracciones, reglas de exponentes, reescribir una expresión en una forma equivalente, saber qué es una función, qué es el logaritmo natural, qué es una derivada, e integración por partes. Si una de esas está floja, toda la pregunta se siente imposible, y es fácil concluir que simplemente eres malo para esto. No lo eres. Te falta un escalón de abajo.</p><p>Qué tan profundo llegas depende de a dónde vas. En investigación vas a pasar más tiempo con matemáticas que con código. Para construir y desplegar modelos, no vas a resolver integrales triples en el trabajo; necesitas entender qué están haciendo las herramientas.</p><h2 id="las-tres-ramas">Las tres ramas</h2><p>Casi todo el machine learning se apoya en tres tipos de matemáticas. En orden de cuánto las vas a usar:</p><ul><li><strong>Estadística</strong>: si se puede confiar en lo que aprendió el modelo</li><li><strong>Álgebra lineal</strong>: cómo se representan y se transforman los datos</li><li><strong>Cálculo</strong>: cómo aprende el modelo</li></ul><h2 id="estadistica-puedo-confiar-en-esto">Estadística: ¿puedo confiar en esto?</h2><p>Los datos reales son un desorden, y la estadística es la caja de herramientas para sacar de ahí algo confiable. Responde preguntas como:</p><ul><li>¿De dónde vienen mis datos y qué tan bien representan el mundo real?</li><li>¿Mi modelo es bueno, o la prueba que le puse era muy fácil?</li><li>¿La diferencia entre dos modelos es real, o es ruido?</li></ul><p>Vas a oír todo el tiempo la expresión <strong>ground truth</strong>: las respuestas que tomamos como correctas, contra las que se mide todo lo demás. Mucho del trabajo es dejar los datos humanos listos para las matemáticas: balanceados, numéricos y lo bastante limpios para entrar en una función.</p><p>Los modelos de lenguaje también son estadística. ChatGPT, Claude y Gemini son, al final, máquinas de probabilidad muy grandes. No leen palabras como tú. Trabajan con pedazos llamados tokens y han aprendido qué pedazos suelen seguir a cuáles. Menciona &quot;carro&quot; y &quot;motor&quot; en tu pregunta, y &quot;camión&quot; se vuelve mucho más probable como siguiente palabra que &quot;agua&quot;. La respuesta que recibes es la continuación más probable.</p><h3 id="desenredar-una-mezcla-ica">Desenredar una mezcla: ICA</h3><p>A veces lo que mediste son varias cosas mezcladas. Imagina a tres amigos cantando al tiempo en un karaoke, con tres micrófonos en el salón. Cada micrófono graba las tres voces, a distinto volumen. Cada grabación es un enredo.</p>
<p><em><a href="https://erickdonado.com/es/notes/why-machine-learning-needs-maths/">Figura interactiva, abre la nota para verla</a>: Entran tres voces mezcladas. ICA averigua qué parte del enredo es de cada quien.</em></p>
<p>El <strong>análisis de componentes independientes</strong> (ICA) toma esas grabaciones enredadas y te devuelve cada voz por separado. Nadie le dice quién cantaba dónde, y por eso también se le llama separación ciega de fuentes.</p><p>El truco es estadístico. Cuando mezclas muchas cosas independientes, el resultado tiende a la campana de Gauss, la forma más corriente que pueden tomar los datos. Una sola voz es menos corriente: tiene picos y tramos planos propios. ICA busca las direcciones de los datos que menos se parecen a una campana, y esas resultan ser las voces originales.</p>
<p><em><a href="https://erickdonado.com/es/notes/why-machine-learning-needs-maths/">Figura interactiva, abre la nota para verla</a>: La campana de Gauss: la mayoría de valores se amontona cerca del promedio. Una mezcla de muchas cosas se ve así; una sola voz, no.</em></p>
<h2 id="algebra-lineal-la-forma-de-los-datos">Álgebra lineal: la forma de los datos</h2><p>Un modelo solo entiende números, y los números necesitan estructura. Una casa con 3 habitaciones, 2 baños, 110 metros cuadrados y un precio de 250.000 se vuelve una lista:</p><div class="note-math"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mtext>casa</mtext><mo>=</mo><mrow><mo fence="true">[</mo><mtable rowspacing="0.16em" columnalign="center" columnspacing="1em"><mtr><mtd><mstyle scriptlevel="0" displaystyle="false"><mn>3</mn></mstyle></mtd></mtr><mtr><mtd><mstyle scriptlevel="0" displaystyle="false"><mn>2</mn></mstyle></mtd></mtr><mtr><mtd><mstyle scriptlevel="0" displaystyle="false"><mn>110</mn></mstyle></mtd></mtr><mtr><mtd><mstyle scriptlevel="0" displaystyle="false"><mn>250000</mn></mstyle></mtd></mtr></mtable><mo fence="true">]</mo></mrow></mrow><annotation encoding="application/x-tex">\text{casa} = \begin{bmatrix} 3 \\ 2 \\ 110 \\ 250000 \end{bmatrix}</annotation></semantics></math></span></div><p>Eso es un <strong>vector</strong>. Apila muchas casas y tienes una tabla, con una fila por casa y una columna por cada cosa que mediste. Eso es una <strong>matriz</strong>. Así que desde el primer paso, tus datos son álgebra lineal.</p>
<p><em><a href="https://erickdonado.com/es/notes/why-machine-learning-needs-maths/">Figura interactiva, abre la nota para verla</a>: Tres casas como una matriz: cada fila es una casa, cada columna es algo que medimos.</em></p>
<p>El corazón de una red neuronal es una línea:</p><div class="note-math"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>z</mi><mo>=</mo><mrow><mo fence="true">(</mo><munderover><mo>∑</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><msub><mi>x</mi><mi>i</mi></msub><mo>×</mo><msub><mi>w</mi><mi>i</mi></msub><mo fence="true">)</mo></mrow><mo>+</mo><mi>b</mi></mrow><annotation encoding="application/x-tex">z = \left( \sum_{i=1}^{n} x_i \times w_i \right) + b</annotation></semantics></math></span></div><p>Léela por partes. Cada <span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>x</mi><mi>i</mi></msub></mrow><annotation encoding="application/x-tex">x_i</annotation></semantics></math></span> es uno de los atributos de la casa. Cada <span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msub><mi>w</mi><mi>i</mi></msub></mrow><annotation encoding="application/x-tex">w_i</annotation></semantics></math></span> es un <strong>peso</strong>, un número que dice cuánto importa ese atributo. <span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>b</mi></mrow><annotation encoding="application/x-tex">b</annotation></semantics></math></span> es el <strong>sesgo</strong>, un número más que se suma al final. El <span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mo>∑</mo></mrow><annotation encoding="application/x-tex">\sum</annotation></semantics></math></span> solo significa: haz la multiplicación para cada atributo y suma los resultados. Haz eso para muchos atributos y muchas casas a la vez y es una multiplicación de matrices. Una red neuronal es una cadena larga de ellas.</p><p>Multiplicar por una matriz transforma los datos: los estira, los aplasta, los gira. Un modelo sigue transformando los datos hasta llegar a algo útil, como una clase, un precio o el siguiente token de una frase.</p><h3 id="quedarse-con-lo-que-importa-pca">Quedarse con lo que importa: PCA</h3><p>Las tablas reales suelen decir lo mismo dos veces. La estatura y el peso son un buen ejemplo: la gente más alta suele pesar más, así que las dos columnas se mueven casi juntas. ¿Para qué guardar dos columnas si una sola dirección, &quot;persona más grande&quot;, explica casi todo?</p>
<p><em><a href="https://erickdonado.com/es/notes/why-machine-learning-needs-maths/">Figura interactiva, abre la nota para verla</a>: Estatura y peso en dos grupos. Las dos líneas dicen lo mismo: cuando una sube, la otra también.</em></p>
<p>Eso es el <strong>análisis de componentes principales</strong> (PCA). Encuentra las direcciones en las que los datos más se dispersan y te deja describir todo usando esas direcciones. La primera dirección lleva la mayor parte de la información. La segunda lleva el sobrante que la primera no pudo explicar, y así sucesivamente.</p>
<p><em><a href="https://erickdonado.com/es/notes/why-machine-learning-needs-maths/">Figura interactiva, abre la nota para verla</a>: Los datos ya apuntan en una dirección; PCA solo la encuentra. PC1 va a lo largo de la nube, PC2 la cruza.</em></p>
<p>¿Cómo las encuentra? Con una idea que suena peor de lo que es: la <strong>descomposición en valores propios</strong>. Sabes que <span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mn>12</mn><mo>=</mo><mn>2</mn><mo>×</mo><mn>2</mn><mo>×</mo><mn>3</mn></mrow><annotation encoding="application/x-tex">12 = 2 \times 2 \times 3</annotation></semantics></math></span>, sus factores primos. Una matriz también se puede descomponer en sus bloques:</p><ul><li><strong>Vectores propios</strong> (eigenvectores): las direcciones centrales que trae la matriz</li><li><strong>Valores propios</strong> (eigenvalores): qué tan fuerte es cada una de esas direcciones</li></ul><p>Multiplicar un vector por una matriz normalmente lo estira y lo gira. Un vector propio es una dirección que la matriz se niega a girar. Solo se alarga o se acorta, y el valor propio dice cuánto.</p><p>PCA arma una tabla de cómo se mueve junta cada pareja de columnas (la matriz de covarianza) y la descompone así. El vector propio con el valor propio más grande es la dirección de mayor dispersión. Te quedas con los pocos más grandes, sueltas el resto, y tienes un conjunto de datos más pequeño que sigue diciendo casi todo lo que decía el grande.</p><p>PCA e ICA se confunden fácil, y hacen trabajos distintos:</p>
<p><em><a href="https://erickdonado.com/es/notes/why-machine-learning-needs-maths/">Figura interactiva, abre la nota para verla</a></em></p>
<p>En la práctica, PCA suele correr primero, como limpieza antes de ICA.</p><h2 id="calculo-como-aprende-el-modelo">Cálculo: cómo aprende el modelo</h2><p>Digamos que la red hace una predicción y se equivoca. ¿Cómo le decimos que se equivoque menos?</p><p>Primero hay que medir cuánto se equivocó. Esa es la <strong>función de pérdida</strong>: toma la predicción del modelo y la respuesta real, y devuelve un número. Entre más grande el número, peor la predicción. Es la misma idea de la distancia del principio de esta nota, con la predicción y el ground truth como los dos puntos.</p><p>Ahora imagina la pérdida como un paisaje. Cada posible ajuste de los pesos es un lugar, y su altura es qué tan equivocado está el modelo ahí. Entrenar es caminar cuesta abajo.</p><p>En una recta como <span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>y</mi><mo>=</mo><mi>m</mi><mi>x</mi><mo>+</mo><mi>b</mi></mrow><annotation encoding="application/x-tex">y = mx + b</annotation></semantics></math></span> la pendiente es la misma en todas partes: es <span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>m</mi></mrow><annotation encoding="application/x-tex">m</annotation></semantics></math></span>. En una curva como <span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>y</mi><mo>=</mo><mi>a</mi><msup><mi>x</mi><mn>2</mn></msup><mo>+</mo><mi>b</mi><mi>x</mi><mo>+</mo><mi>c</mi></mrow><annotation encoding="application/x-tex">y = ax^2 + bx + c</annotation></semantics></math></span> cambia en cada punto, y el cálculo es la matemática de ese tipo de cambio continuo.</p>
<p><em><a href="https://erickdonado.com/es/notes/why-machine-learning-needs-maths/">Figura interactiva, abre la nota para verla</a></em></p>
<p>La <strong>derivada</strong> es la pendiente donde estás parado. Te dice hacia dónde queda abajo.</p><p>Así que entrenar es un ciclo:</p><ol><li>Calcula la pendiente donde estás.</li><li>Da un paso pequeño en la dirección contraria.</li><li>Repite.</li></ol><p>Eso es el <strong>descenso de gradiente</strong>: descender, usando el gradiente.</p>
<p><em><a href="https://erickdonado.com/es/notes/why-machine-learning-needs-maths/">Figura interactiva, abre la nota para verla</a>: Cada cuadro es un paso. Entre más empinada la pendiente, más grande el paso, así que los pasos se achican al acercarse al fondo.</em></p>
<p>Escrito como fórmula, un paso es:</p><div class="note-math"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>w</mi><mo>←</mo><mi>w</mi><mo>−</mo><mi>η</mi><mo>⋅</mo><mfrac><mrow><mi mathvariant="normal">∂</mi><mi>L</mi></mrow><mrow><mi mathvariant="normal">∂</mi><mi>w</mi></mrow></mfrac></mrow><annotation encoding="application/x-tex">w \leftarrow w - \eta \cdot \frac{\partial L}{\partial w}</annotation></semantics></math></span></div><p><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>L</mi></mrow><annotation encoding="application/x-tex">L</annotation></semantics></math></span> es la pérdida, <span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mfrac><mrow><mi mathvariant="normal">∂</mi><mi>L</mi></mrow><mrow><mi mathvariant="normal">∂</mi><mi>w</mi></mrow></mfrac></mrow><annotation encoding="application/x-tex">\frac{\partial L}{\partial w}</annotation></semantics></math></span> es la pendiente de la pérdida para el peso <span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>w</mi></mrow><annotation encoding="application/x-tex">w</annotation></semantics></math></span>, y <span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>η</mi></mrow><annotation encoding="application/x-tex">\eta</annotation></semantics></math></span> (la tasa de aprendizaje) es qué tan grande es el paso. El código dice lo mismo:</p><pre data-lang="python"><code>w = 0.0
for paso in range(100):
    gradiente = 2 * (w - 3)      # pendiente del error (w - 3)²
    w = w - 0.1 * gradiente      # un paso pequeño cuesta abajo
print(w)                         # termina muy cerca de 3</code></pre><p>Un modelo real no tiene un peso; tiene millones, así que el paisaje no es una curva sino una superficie con muchas más dimensiones de las que podemos dibujar. En tres se ve así:</p>
<p><em><a href="https://erickdonado.com/es/notes/why-machine-learning-needs-maths/">Figura interactiva, abre la nota para verla</a>: Con más de un peso, la curva se vuelve una superficie. Bajar puede terminar en un valle poco profundo y nunca encontrar el más profundo; por eso importan el punto de partida y el tamaño de los pasos.</em></p>
<p>Las entradas no las podemos cambiar. Los pesos y el sesgo son los únicos números que tenemos permiso de mover, así que eso es lo que ajusta el ciclo.</p><p>Aquí aparecen dos nombres juntos, y hacen trabajos distintos:</p><ul><li>La <strong>retropropagación</strong> (backpropagation) averigua cuánta culpa tuvo cada peso en el error.</li><li>El <strong>descenso de gradiente</strong> usa eso para mover cada peso a un valor mejor.</li></ul><p>La retropropagación se apoya en la regla de la cadena. Si la salida depende de un valor a través de varias capas, la pendiente del total es el producto de las pendientes de cada capa:</p><div class="note-math"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mfrac><mrow><mi>d</mi><mi>L</mi></mrow><mrow><mi>d</mi><mi>x</mi></mrow></mfrac><mo>=</mo><mfrac><mrow><mi>d</mi><mi>L</mi></mrow><mrow><mi>d</mi><mi>z</mi></mrow></mfrac><mo>⋅</mo><mfrac><mrow><mi>d</mi><mi>z</mi></mrow><mrow><mi>d</mi><mi>y</mi></mrow></mfrac><mo>⋅</mo><mfrac><mrow><mi>d</mi><mi>y</mi></mrow><mrow><mi>d</mi><mi>x</mi></mrow></mfrac></mrow><annotation encoding="application/x-tex">\frac{dL}{dx} = \frac{dL}{dz} \cdot \frac{dz}{dy} \cdot \frac{dy}{dx}</annotation></semantics></math></span></div><p>Eso es lo que permite que aprenda una red con millones de pesos.</p><h2 id="empieza-desde-abajo">Empieza desde abajo</h2><p>Por todo esto prefiero que construyas las matemáticas desde la base y no que te saltes pasos. Si no sabes multiplicar potencias, la regla de la potencia del cálculo no va a tener sentido, y le vas a echar la culpa al cálculo.</p><p>Tómate tu tiempo y ten paciencia contigo. Vuelve cada tanto a las pruebas de unidad de Khan Academy para que lo aprendido siga fresco. Así es como la gente se vuelve &quot;buena para las matemáticas&quot;.</p><p>Si una fórmula sigue sin hacer clic, escríbela como un ciclo y córrela. Muchas veces es la entrada más rápida.</p>]]></content:encoded>
    </item>
    <item>
      <title>Cómo dither-moon dibuja la Luna</title>
      <link>https://erickdonado.com/es/notes/how-dither-moon-draws-the-moon/</link>
      <guid isPermaLink="true">https://erickdonado.com/es/notes/how-dither-moon-draws-the-moon/</guid>
      <pubDate>Sat, 31 Oct 2026 12:00:00 GMT</pubDate>
      <category>gráficos</category>
      <category>astronomía</category>
      <category>javascript</category>
      <description>La luna de mi página de inicio no es una imagen. Se calcula a partir de dónde están el Sol y la Luna en este momento, se envuelve con el mapa de la NASA y se dibuja píxel a píxel, encendido o apagado. Aquí explico cómo, paso a paso.</description>
      <content:encoded><![CDATA[<p>La luna de mi página de inicio no es una imagen. Varias veces por segundo, un pequeño programa calcula dónde están el Sol y la Luna en este momento, ilumina una esfera de acuerdo con eso, la envuelve con el mapa de la Luna de la NASA y decide, para cada píxel, si va encendido o apagado. Lo empaqueté como <a href="https://github.com/KanuSaru/dither-moon" target="_blank" rel="noopener noreferrer">dither-moon</a> para que cualquiera pueda ponerlo en su propia página.</p><p>Esta nota lo recorre paso a paso. Todas las lunas de aquí abajo están vivas: muestran la fecha escrita debajo y puedes arrastrarlas para girarlas.</p><h2 id="1-en-que-punto-de-su-ciclo-esta-la-luna">1. En qué punto de su ciclo está la Luna</h2><p>Una fase es pura geometría. El Sol siempre ilumina la mitad de la Luna; lo que cambia es cuánto de esa mitad iluminada mira hacia nosotros. Eso depende del ángulo entre el Sol y la Tierra visto desde la Luna, llamado <strong>ángulo de fase</strong>. Con 0° vemos todo el lado iluminado (luna llena); con 180°, nada (luna nueva).</p><p>Para obtener ese ángulo, la librería calcula dónde están el Sol y la Luna en el cielo en ese instante, con las series clásicas de baja precisión del libro <em>Astronomical Algorithms</em> de Jean Meeus. Para el Sol basta una posición media más una corrección por la órbita elíptica de la Tierra. La Luna necesita más: su posición media más las mayores oscilaciones que causan su propia órbita, inclinada y alargada, y el tirón del Sol. El mayor de esos términos, por sí solo, la mueve más de 6°. De las dos posiciones sale el ángulo de fase, y de ahí la fracción iluminada:</p><pre><code>fracción iluminada = (1 + cos(ángulo de fase)) / 2</code></pre><p>Lo comprobé con eclipses, que son las lunas nuevas y llenas con la hora más precisa que existe: el resultado cae a unos cinco minutos. Un ciclo fijo de 29,5 días puede equivocarse hasta en medio día, porque el mes real se acelera y se frena.</p>
<p><em><a href="https://erickdonado.com/es/notes/how-dither-moon-draws-the-moon/">Figura interactiva, abre la nota para verla</a>: El mismo código en cuatro fechas de este noviembre: una luna creciente al 16 %, cuarto creciente, gibosa al 87 % y luna llena.</em></p>
<p>Un detalle sobre los nombres: luna nueva, cuarto creciente, luna llena y cuarto menguante son instantes, no días. Por eso la librería solo usa esos nombres a menos de un día del momento exacto, y los nombres intermedios (&quot;gibosa creciente&quot;, &quot;luna menguante&quot;…) el resto del tiempo.</p><h2 id="2-una-esfera-iluminada-de-lado">2. Una esfera iluminada de lado</h2><p>El dibujo empieza pequeño: un lienzo cuadrado de unos cien píxeles de lado. Para cada píxel, si cae dentro del círculo, el programa busca el punto correspondiente en la cara frontal de una esfera. En una esfera de radio 1, ese punto también es la dirección hacia la que mira la superficie ahí (su <em>normal</em>), que es todo lo que hace falta para iluminarla.</p><p>La forma obvia de sombrear una esfera es la ley de Lambert: el brillo sigue el coseno del ángulo entre la superficie y la luz, así que la esfera se oscurece hacia los bordes. La Luna no hace eso. Una luna llena parece un disco plano y parejo, porque su suelo polvoriento devuelve la luz hacia el Sol. Ese comportamiento se parece más a la ley de <strong>Lommel–Seeliger</strong>, que además tiene en cuenta el ángulo desde el que miras:</p><pre><code>brillo ∝ μ₀ / (μ₀ + μ)
μ₀ = cos(ángulo hacia el Sol), μ = cos(ángulo hacia quien mira)</code></pre><p>Encima va una curva de tonos que mantiene sólida la mayor parte del lado iluminado y deja el degradado cerca de la línea de sombra, donde más importa en 1 bit.</p>
<p><em><a href="https://erickdonado.com/es/notes/how-dither-moon-draws-the-moon/">Figura interactiva, abre la nota para verla</a>: Solo la iluminación: una esfera blanca lisa bajo el ángulo real del Sol el 21 de noviembre. Fíjate en lo pareja que se mantiene hasta su borde derecho.</em></p>
<h2 id="3-envolverla-con-el-mapa-de-la-nasa">3. Envolverla con el mapa de la NASA</h2><p>Luego viene la superficie. El Scientific Visualization Studio de la NASA publica el <a href="https://svs.gsfc.nasa.gov/4720" target="_blank" rel="noopener noreferrer">CGI Moon Kit</a>, un mapa de color y un mapa de elevación de toda la Luna hechos con datos del Lunar Reconnaissance Orbiter, de uso libre.</p><p>Cada punto de la esfera se convierte en una latitud y una longitud, y estas en una posición del mapa. El mapa se preparó de antemano: pasado a grises, reducido a 512 × 256, un poco desenfocado y llevado hacia dos tonos. Los mares oscuros (<em>maria</em>) quedan alrededor de un nivel y las tierras altas, más claras, alrededor de otro, y a este tamaño se lee mejor cuando las tierras altas salen casi sólidas y los mares como un patrón parejo de puntos. Los detalles finos, como cráteres pequeños y rayos brillantes, solo se vuelven ruido con tan pocos píxeles.</p><p>Los dos mapas viajan dentro de la librería, unos 33 KB, así que nunca tiene que descargar nada de otro sitio.</p>
<p><em><a href="https://erickdonado.com/es/notes/how-dither-moon-draws-the-moon/">Figura interactiva, abre la nota para verla</a>: Con el mapa de la NASA, todavía sin relieve. Los mares oscuros son las formas en las que la gente ve una cara o un conejo.</em></p>
<h2 id="4-crateres-que-atrapan-la-luz">4. Cráteres que atrapan la luz</h2><p>La elevación no se dibuja como altura. En su lugar, para cada punto la librería mira el mapa de elevación justo al este y al oeste, y justo al norte y al sur, para obtener la <strong>pendiente</strong> ahí. Inclina la normal de la superficie según esa pendiente antes de iluminarla, así que la pared de un cráter que mira al Sol se aclara y la que le da la espalda se oscurece.</p><p>Esto casi no se nota en luna llena, porque la luz viene justo desde detrás de nosotros. Importa sobre todo a lo largo de la línea de sombra (el <em>terminador</em>), donde la luz del Sol llega rasante y cada pendiente marca una diferencia. Es la misma razón por la que la Luna se ve con más textura con binoculares alrededor del cuarto creciente.</p><p>La inclinación se calcula en el sistema de referencia propio de la Luna y luego se gira de vuelta a la vista. Así los cráteres siguen iluminados desde el lado correcto aunque la Luna se balancee o la arrastres.</p>
<p><em><a href="https://erickdonado.com/es/notes/how-dither-moon-draws-the-moon/">Figura interactiva, abre la nota para verla</a>: Cuarto creciente, con relieve. Mira a lo largo de la línea de sombra recta: ahí es donde aparecen los cráteres.</em></p>
<h2 id="5-encendido-o-apagado-tramado-ordenado">5. Encendido o apagado: tramado ordenado</h2><p>A estas alturas cada píxel tiene un brillo entre 0 y 1, pero la luna se dibuja con un solo color sobre nada: cada píxel es tinta o vacío. La regla más simple es un umbral: encendido si el brillo pasa de la mitad. Eso tira a la basura todo lo intermedio.</p><p>El <strong>tramado ordenado</strong> (<em>ordered dithering</em>) le da a cada píxel su propio umbral, tomado de una cuadrícula pequeña que se repite por toda la imagen. dither-moon usa la <strong>matriz de Bayer</strong> de 4 × 4: los números del 0 al 15, ordenados para que umbrales consecutivos queden lo más lejos posible entre sí.</p>
<p><em><a href="https://erickdonado.com/es/notes/how-dither-moon-draws-the-moon/">Figura interactiva, abre la nota para verla</a>: La matriz de Bayer de 4 × 4. Cada píxel se compara con la celda que le toca, como (valor + 0,5) / 16. Las celdas más claras son umbrales más altos.</em></p>
<p>Así, un gris del 50 % se vuelve un tablero de ajedrez, uno del 25 % un punto cada dos píxeles y cada dos filas, y así sucesivamente: dieciséis niveles de gris a partir de solo encendido y apagado.</p>
<p><em><a href="https://erickdonado.com/es/notes/how-dither-moon-draws-the-moon/">Figura interactiva, abre la nota para verla</a>: El mismo degradado de izquierda a derecha, de tres maneras.</em></p>
<p>¿Por qué no difusión de error, como Floyd–Steinberg, que suele verse más natural? Porque la luna se mueve. La difusión de error le pasa el error de redondeo de cada píxel a sus vecinos, así que un cambio mínimo en cualquier parte reacomoda los puntos de toda la imagen, y una animación titila. Con una cuadrícula ordenada el patrón queda fijo a la pantalla, cada píxel se decide por su cuenta y una luna que se balancea despacio se ve tranquila. Además es muy barato: una comparación por píxel.</p><p>El lado nocturno tampoco queda del todo vacío. Conserva un 5 % del brillo de la superficie, justo lo suficiente para que las tierras altas más claras crucen los umbrales más bajos como puntos dispersos, algo parecido a la luz cenicienta.</p><h2 id="6-pixeles-estrellas-y-girarla-con-la-mano">6. Píxeles, estrellas y girarla con la mano</h2><p>El lienzo pequeño se muestra 2 o 3 veces más grande con <code>image-rendering: pixelated</code>, así que cada píxel de la luna se vuelve un cuadrado nítido en vez de una mancha borrosa. Se redibuja unas nueve veces por segundo. Una tasa de cuadros baja le va bien al estilo pixelado y casi no gasta batería.</p><p>Lo demás es ambiente:</p><ul><li><strong>Balanceo</strong>: la luna oscila unos pocos grados de lado a lado y de arriba abajo, un guiño a la <em>libración</em>, la oscilación lenta real que nos deja ver un poco más de la mitad de la Luna a lo largo de un mes.</li><li><strong>Estrellas</strong>: ubicadas con un hash para que sean las mismas en cada visita, y cada una se enciende y se apaga a su propio ritmo.</li><li><strong>Arrastrar</strong>: arrastrar de lado a lado de la luna la gira cerca de media vuelta, para ver la cara oculta. Seis segundos después de soltarla, vuelve sola al lado que siempre mira a la Tierra.</li></ul>
<p><em><a href="https://erickdonado.com/es/notes/how-dither-moon-draws-the-moon/">Figura interactiva, abre la nota para verla</a>: La luna de hoy. Arrástrala para ver la cara oculta; regresa sola.</em></p>
<h2 id="usala">Úsala</h2><p>Funciona en cualquier página con una etiqueta de script, o como componente de React:</p><pre data-lang="html"><code>&lt;script src=&quot;https://cdn.jsdelivr.net/npm/dither-moon@1/dist/dither-moon.js&quot;&gt;&lt;/script&gt;
&lt;dither-moon info lang=&quot;es&quot; style=&quot;width: 240px; color: #e7e2d6&quot;&gt;&lt;/dither-moon&gt;</code></pre><pre data-lang="bash"><code>npm install dither-moon</code></pre><p>Los cálculos de fase también están por separado (<code>moonPhase()</code>, <code>nextFullMoon()</code>), sin dependencias. El código está en <a href="https://github.com/KanuSaru/dither-moon" target="_blank" rel="noopener noreferrer">GitHub</a> y el paquete en <a href="https://www.npmjs.com/package/dither-moon" target="_blank" rel="noopener noreferrer">npm</a>.</p><h3 id="fuentes">Fuentes</h3><ul><li>Jean Meeus, <em>Astronomical Algorithms</em>, 2.ª ed. (Willmann-Bell, 1998): posiciones del Sol y la Luna, y el ángulo de fase.</li><li>NASA Scientific Visualization Studio, <a href="https://svs.gsfc.nasa.gov/4720" target="_blank" rel="noopener noreferrer">CGI Moon Kit</a>, a partir de datos del Lunar Reconnaissance Orbiter (LROC y LOLA).</li><li>Bryce E. Bayer, &quot;An optimum method for two-level rendition of continuous-tone pictures&quot; (1973): la matriz de umbrales.</li></ul>]]></content:encoded>
    </item>
  </channel>
</rss>
