00:00:30:06 Software Shop, la empresa líder en la implementación de herramientas analíticas y software especializado en Latinoamérica, les da la bienvenida a esta presentación. El día de hoy contamos con el acompañamiento del instructor Alexander Cortés Llanos, Ingeniero electrónico de la Universidad y Magíster en Ingeniería Electrónica y de Computadores de la Universidad de los Andes. Experiencia de 14 años en docencia universitaria para pregrado y posgrado.

00:00:56:06 Cuenta con cinco años de experiencia como director de Programa en Ingeniería, además de 17 años en proyectos de la industria enfocados a la automatización de procesos industriales, sistemas aeronáuticos, telecomunicaciones y energías. Implementa Auditor Interno en la norma ISO 50.001 2018 para Sistemas de gestión de energías. Bienvenidos. Bueno, buenas tardes Lisa. Buenas tardes a todos nuestros invitados. Buenos días.

00:01:28:15 Buenas noches. Donde se encuentren. En el día de hoy hemos querido plantear una charla para hablar un poco sobre la integración o el análisis offline de los modelos que podemos tener en este la EH Arquitectura. Le hemos llamado integración de la arquitectura con herramientas de software libre, eh Vamos a tratar en el día de hoy estos puntos. ¿Inicialmente vamos a hablar de un contexto un poco eh de forma, de forma visual, qué es lo que queremos?

00:02:03:01 Cuáles son esos beneficios de la integración de. ¿Desde la con herramientas de software libres o herramientas analíticas? ¿Eh Después vamos a mirar un par de ejemplos, eh? Para mirar cómo se podría hacer esa integración con Python o librerías de Python. También. Y por último, tenemos entonces un ejemplo para la integración con él. Entonces, eh, bueno, algunas personas para temas estadísticos o para el machine learning utilizan, eh, Python o u otros digamos que les gusta más un poco.

00:02:33:22 R Entonces vamos a hablar un poco de eso. ¿Integración con tres ejemplos que tenemos preparados para el día de hoy, eh Inicialmente, cuál es la intención entonces? ¿Básicamente que que hoy en día se ha vuelto casi que, que importante o perentorio que los análisis que hagamos en muchos de los de los software que trabajamos estén dentro del marco eh de toda esta corriente que han llamado algunos autores info Tecnología y biotecnología, no?

00:03:12:01 Entonces los avances que hemos tenido en los últimos años en esas dos áreas han sido de forma increíble. Si nos centramos un poco en la tecnología, eh Encontramos pues unas áreas hoy en día muy grande que se ha vuelto todo un ecosistema que tiene que ver con la parte de big data, con la parte de minería de datos, con la parte de ciencia de datos, análisis científicos de datos Y para no ir más lejos, todo lo que tiene que ver con la inteligencia artificial y todos los algoritmos que hacen parte de machine learning dentro de esa, eh, info tecnología.

00:03:37:04 ¿Sí, pues digamos que es muy importante, eh, que hoy en día tenemos como dos cosas importantes y por eso digamos que los avances, la cantidad de datos que hoy en día tenemos, no? Entonces es básicamente que se recogen datos de población, se recogen datos de estudios de investigación, eh, Ya ustedes conocen algunos portales en donde se comparten datos.

00:04:03:19 ¿Para no ir más lejos, en Colombia hay toda una, una, unas páginas y unas entidades que hablan sobre, EH, datos libres para poder hacer estudios, eh? Y esos datos son recogidos a través de las aplicaciones de telefonía móvil, a través de páginas web, a través de sensores, eh, Básicamente que nos encontramos en todo un, eh, contexto de Internet de las cosas.

00:04:36:00 Y para no ir más lejos de los electrodomésticos, ustedes hoy encuentran o tenemos en en en nuestras casas hasta equipos como la nevera, eh, microondas, eh, lavadora que está conectada a la red wifi para enviarnos información. ¿Entonces nos encontramos en una era de los datos, no? De tecnología. A partir de eso sí es muy importante. Digamos que que ver cómo lo que hace cada uno de las dos partes que de las que estamos hablando en el día de hoy.

00:05:10:09 Por un lado, digamos que eh este la ARQUITEC, nos ofrece la posibilidad de manejar la esencia en lo que tiene que ver con la dinámica poder ver visor por así poder hacer la visualización y también poder manejar modelos muy complejos, modelos complejos en donde no solamente incorporemos eh temas técnicos, sino también personal, también finanzas, políticas de la empresa y en el momento en que empezamos a a organizar todas esas ideas en un modelo, se vuelve muy complejo.

00:05:56:09 ¿Si nosotros tratamos de hacer eso en las herramientas como Python, pues vamos a perder en esencia, eh? Vamos a perder la esencia del modelo y es la dinámica, porque esos modelos ahí van a ser un poco estáticos, van a ser muy difíciles de hacer. Entonces este, el arquitecto se encarga muy bien de la dinámica y la complejidad, pero qué pasa que si nosotros podemos llevar esos modelos o esos datos a unas herramientas que han venido eh fortaleciendo en los últimos años relacionados con la parte de estadística inferencial, con la parte de categorización, con la parte de algoritmos eh, que tienen que ver con en en el en el contexto de Machine Learning de no supervisado

00:06:25:25 ¿supervisados en toda la parte de EH Clasificación de análisis de datos Pues son herramientas muy maduras, no? Y pues ahí el ecosistema de Python es infinito. Tenemos desde librerías de de visualización matplotlib, el famoso pandas, la librería pandas para toda la parte de los data frames tenemos, eh, toda la librería, eh de ciencia de la computación y bueno, cada vez salen cosas más interesantes.

00:06:53:01 Bueno, TensorFlow utilizado para temas de redes neuronales también. Entonces fíjense que hay un ecosistema ahí que sería muy interesante integrarlo con nuestros modelos sin perder en cuenta qué es lo que hace nuestro software en nuestro software. ¿Garantiza esa dinámica y esa complejidad? ¿Básicamente que nosotros podemos tener tres escenarios, no? De los cuales vamos, vamos a hablar y sobre los que vamos a hacer los ejemplos.

00:07:32:07 Un primer escenario es como ese análisis eh tradicional que hacemos en escena, entonces, eh, no implica en ese caso que que el moderador pues digamos que sepa lenguajes de programación. ¿Sin embargo, sí, todos digamos que esas habilidades eh duras que hablan hoy en día o todas las eh, apps, skyline o Red Scaling, habla sobre esas nuevas competencias que va a aprender el el el profesional en cualquier área y digamos que dentro de esas competencias habla mucho sobre la parte de analítica en un nivel u otro, no?

00:08:11:04 Entonces ahí podemos encontrar desde Excel hasta Power BI, pasando por Estata y y Python. ¿Pues herramientas muy poderosas para el análisis de datos, eh? Nosotros podemos. Entonces este es como el el escenario que nosotros hacemos en Estela, entonces nosotros construimos el modelo, tenemos los diagramas de lazo causal, tenemos los diagramas de flow, hacemos eh, podemos editar las ecuaciones que tenemos allí, hacemos la simulación y obtenemos unos resultados de forma gráfica, resultados que también se pueden exportar a hojas de cálculo o a hojas de valores separados por comas.

00:08:33:26 Que en. ¿En otra charla eh hablamos sobre ello, no? Eso es como lo que trae nativamente el software. Tenemos unos datos en series de tiempo que podemos traer al programa y cuando yo quiero que mi modelo se parezca a esos datos reales, pues entonces yo hago un proceso de calibración. Ese proceso de calibración es un primer como un una primera técnica de optimización.

00:09:09:11 ¿Sin embargo, este la también incorpora eh otros otras técnicas de optimización, múltiples optimizaciones, análisis de sensible dad y múltiples eh análisis con eh pagos con peor no? Entonces podemos hacer como diferentes corridas en donde cambiamos como ese valor objetivo para maximizar o minimizar hablado como ese valor pago de pedido. Y eso lo tenemos nativamente digamos que en Excel y que obtenemos gráficas en series de tiempo o gráficas o datos en EH archivos que podemos exportar.

00:09:44:21 Sin embargo, digamos que aparece la posibilidad de hacer un análisis offline. Sí. Que muy probablemente el análisis que hacemos con R lo podemos incluir como en este segundo escenario. Aquí podemos importar el modelo, o sea, vamos a importar el modelo a nuestro, eh, nuestro software eh, que está independiente y hacemos un análisis independiente. Entonces, si seguimos teniendo como el modelo toda la estructura, todo el comportamiento, traemos los datos, si eh, hacemos un procesamiento de la estadística inferencial, herramientas de visualización.

00:10:09:22 Qué pasa con este escenario que yo traigo mi modelo, Cierto, Pero además, como estamos en la era de los datos y el Big Data y toda la parte de la analítica, pues tengo una cantidad de datos que me ha dado alguna, alguna página web, alguna base de datos a la que tenga acceso. Entonces yo traigo esos datos, los tengo en mi modelo y obtengo unos resultados.

00:10:39:00 ¿Claro, si yo traigo todos esos datos y son muchos datos porque ustedes saben que Excel tiene un límite de filas, pero si yo tengo un por decir algo, 40.400 mil datos, ya de pronto digamos no voy a tener un mejor desempeño eh? Importante esos datos directamente. Estelle si necesito algo mucho más robusto, pero fíjense cuál sería la arquitectura, importo los modelos, el modelo de Estela.

00:11:27:26 Tengo una cantidad de datos y esos datos los pongo con unos análisis de procesamiento de estadística, exploración y visualización. Entonces fíjense que este escenario viene a ser muy interesante y ya vamos a ir a hablar sobre eso en el ejemplo. Y tenemos un tercer escenario, sí, un tercer escenario, mucho más potente, y es poder no solamente hacer esos procesos con los datos que tengo, si hablando solamente de datos, sino que aquí primero, pues las herramientas van a ser mucho mayores, entonces voy a importar mi modelo de Estela, pero entonces aquí puedo ya digamos que el abanico se abre y puedo tener conexión a base de datos, pues tener herramientas de georreferenciación para trabajar, puedo tener

00:11:53:02 más herramientas de visualización, toda la parte de algoritmos de machine learning, toda la parte de estadística inferencial. Puedo hablar de paralelización y computación en la nube, puedo hacer control de versiones, procesamiento de lenguaje natural, eh, trabajar con frameworks de desarrollo web, ese modelo que yo traigo y además de probar como temas de investigación otros métodos de simulación alternativos, es mucho más potente.

00:12:33:08 Y esto se puede hacer ahora. Mis datos pueden ser estadísticos, geográficos basados en web, en streaming, eh, textual. Entonces también esa posibilidad de datos de entrada pues es mucho mayor. ¿Y esa visualización que yo hago, si de pronto la visualización ahora puedo tener un algoritmo que me ayude en esa toma de decisiones, no? O sea, puede ser, eh, un algoritmo de reforzamiento, aprendizaje, de reforzamiento que aprenda de forma automática y me dé otros elementos para toma de decisiones y además de eso, la posibilidad de gestionar proyectos.

00:12:59:08 A partir de eso. Aquí de pronto se me escapa. Sí, un escenario que podría estar entre el segundo y el tercero, eh, Que muy probablemente más adelante haremos una charla y es poder tener el modelo y hacerle una ajuste a través de, eh, un análisis de riesgos. Eso también lo podemos hacer. Sí. Claro, podemos utilizar una herramienta, eh, intermedia que nos ayude a eso.

00:13:30:06 Pero digamos que estos tres escenarios abren un poco más el espectro de ese modelado. En este la arquitectura. Listo. ¿Cómo lo hacemos? O sea, como, como, como es la intención hasta el momento. ¿Cómo importo ese modelo, eh? A De pronto este software para poderlos trabajar, este la arquitectura de la posibilidad de que el modelo se guarde con un formato que se llama XML.

00:14:09:18 XML es un formato que eh ha sido establecido desde hace muchos años para que sea un formato que se pueda comparar, compartir el modelo que que se pueda, que se pueda hacer interoperable y de alguna u otra forma. Esa es la cualidad que estamos exponiendo el día de hoy. ¿O sea que podamos tener, eh, modelos interoperables, o sea que yo utilice la fortaleza de otro software y pueda eh, trabajarlo en en otro software como dice análisis offline, eh, que pueda reutilizar las simulaciones y pueda utilizar el reutilizar los modelos no?

00:14:35:19 E Ismael se utiliza para describir el modelo y es un formato para guardar. Entonces ya vamos a mirar como como lo hacemos. Pero también hay otra forma en la que yo puedo importar esos datos o ese modelo que tengo en este la arquitectura. Y es a través de un texto o un archivo que se llama el Equation View que está dentro, que uno lo puede.

00:15:03:16 Digamos que observar dentro de Estela cuando ya tengo el modelo y básicamente que me presentan las ecuaciones organizadas eh, en ese modelo que yo tengo. Entonces vamos a utilizar esos dos formatos que nos entrega este arquitec para poderlos enlazar. Entonces, de forma general lo que vamos a hacer es lo siguiente vamos a arrancar con la integración para un análisis en Python.

00:15:31:28 Sí. ¿Entonces tengo mi modelo, eh? Bueno, ahí en la representación hay un modelo que tiene módulos y está, digamos que tiene muchas cosas. Vamos a trabajar con un modelo más sencillo, vamos a hacer la exportación, eh de ese modelo a un formato XML, que es el formato que nos va a permitir, digamos, intercambiar los datos en este caso vamos a trabajar con un IDE que me parece que es muy sencillo porque ya muchas cosas vienen instaladas.

00:16:06:03 Entonces pues el objetivo acá no es hablar de ni de programación de Python eh, ni de como eh, instalar IDEs ambientes de desarrollo para trabajar con con Python en. Pero sí vamos a trabajar con una librería que se ha desarrollado para poder obtener grandes ventajas o análisis offline que se llama País EH es una librería desarrollada por el MIT, el el el la Universidad Tecnológica o el Instituto Tecnológico de Massachusetts.

00:16:35:17 Sí. En donde también digamos que este el concepto de dinámica de sistemas. Salió el profesor Jay Forrester también de del MIT y vamos a trabajar. ¿Entonces inicialmente como con este, con este flujo de trabajo, no? Entonces vamos a ir inicialmente a Estela, vamos a construir un un modelo sencillo que nos permita, digamos que eh, hablar como primero de esta, de esta parte.

00:17:06:19 Entonces, básicamente vamos a hablar de un de un modelo que tiene que ver que que tiene que ver, perdón, con la temperatura de una taza de té, si es un modelo digamos sencillo a entender, entonces aquí vamos a tener inicialmente un stock, que va a ser la temperatura taza té. Sí. Ya vamos a ir a mirar un poco las eh.

00:17:36:15 Las ecuaciones, sí. ¿Vamos a tener un flow entonces que sale acá, que básicamente que le vamos a decir que es la pérdida, eh? ¿De calor al 4.º No? Entonces hay un intercambio o un fenómeno. ¿Fenómeno termodinámica de termodinámica, que lo que hace cuando una taza de té o de taza de café se enfría, lo que hay es un fenómeno termodinámico, no?

00:18:04:28 ¿Eh, Lo que pasa es que el 4.º que tiene un mayor volumen y otras variables, pues está absorbiendo esa temperatura, eh? Lo mismo que pasa con algo que le hemos hecho hielo. ¿Entonces la pregunta es el hielo, eh? Se deshace, Hay un intercambio termodinámico. Entonces, básicamente eso es lo que lo que estamos haciendo acá. ¿Vamos a colocar dos convertidores que me van a llevar, eh, una información para poder trabajar, no?

00:18:41:10 Y vamos a hablar que esto es la temperatura de 4.º. Voy a hacer un zoom para que se haga más fácil. ¿Temperatura? Perdón, ahí con los errores de digitación que puedo eh tener. Y vamos a tener también otro que se llama Tiempo característico. Entonces más o menos hay un tiempo como esa, esa constante que me dice cuánto se demora en o cuál es esa constante de tiempo.

00:19:10:01 Vamos a enlazar, eh, a nuestra estructura, Vamos a decir que lo que tenemos es, eh, que el tiempo característico está relacionado con esa tasa de cambio o esa tasa de pérdida de calor al 4.º, la temperatura también al 4.º. Y aquí vamos a tener que el stock está relacionado también con esto. Listo, Vamos a nuestra parte de configurar los valores iniciales.

00:19:37:19 Entonces vamos a arrancar aquí con un valor de 50. Vamos a colocarle como unidad grados. Bueno, antes de vamos a mirar aquí y vamos a hablar que vamos a tener, digamos 120 minutos, vamos a hacer el análisis en 120 aquí vamos a cambiarlo la unidad a minutos para que sea un poco consistente en nuestro modelo. En temas de unidades también.

00:20:19:21 Entonces tenemos 120 minutos y aquí estamos diciendo que la temperatura de la taza arranca con 50 grados. Si, o 40. Bueno, vemos que aquí no me interesa mucho, sino que quede como bien configurado. Tenemos presente el. El tiempo característico que tenemos es de diez minutos colocar aquí las unidades minutos que tenemos, la temperatura del 4.º, que estamos hablando de una temperatura de 15 grados, valor inicial de 15 grados.

00:21:03:23 Estamos hablando que la unidad unidades grados y venimos a la casa de pérdida al 4.º, entonces esa tasa de pérdida va a ser la temperatura. Taza de té. Multiplicado por la temperatura del 4.º. Tiene sentido si queremos que ahí hay un efecto térmico dividido sobre el tiempo característico, entonces esa va a ser nuestra ecuación de la taza. Como pierde calor y pues ahí ya me aparece automáticamente las unidades.

00:21:12:20 Nuestro modelo. Muy sencillo, si te la temperatura de la taza de té como perdería.

00:21:33:14 ¿Y pues digamos que ahí empezamos a mirar todo, a mirar aquí de pronto, porque no alcanzo a ver la gráfica, digamos que sea 60 eh? Minutos.

00:21:41:25 Pierde muy rápido tu producto en.

00:22:04:06 Memoria entonces a 70. Si puedo ajustar un poco esa gráfica que necesitamos. Se pierde muy, muy rápido. Y el que me hace falta.

00:22:21:26 30. Segundos Ahí se alcanza a ver un poco, que es muy, muy, muy pequeño. Temperatura del 4.º. Tenemos taza de té.

00:22:58:20 Dejemos entonces un tiempo un poco más pequeño, en aras de que sea 20 minutos. Bueno, ahí se alcanza a ver un poco que tiene un comportamiento exponencial. Quisiera verlo de pronto un poco mejor que no fuera. Tenemos 1.5 minutos. La duración, 1/4 está bien, 12 minutos y volvemos a y simulamos. Ahí se alcanza a ver un poco que es exponencial.

00:23:11:11 Tenemos nuestro modelo. Si, y cuando lo vayamos a guardar.

00:23:20:06 Le vamos a colocar. Bueno. Modelo taza de té.

00:23:26:24 Taza de té.

00:23:55:07 Y el. La extensión del archivo natural desde la arquitec. ¿Es ese TMX? No. Entonces primero lo podemos guardar así. Listo. Ahí tenemos el modelo, como comúnmente lo hacemos. Pero vamos a mirar cómo lo guardamos en un archivo. Smith Entonces vamos a venir acá salvar como y en la misma carpeta puede ser aquí en el tipo Fíjense que lo puede guardar como el modelo de escena.

00:24:32:28 Ese TM X eh aparece en Smith y aparecen imágenes PNG y PDF. Fíjense que ahí automáticamente me la forma para guardarlo como Hit Smith Sí, Entonces lo guardamos, simplemente le cambiamos el tipo de archivo y lo guardamos. Entonces, si yo voy a mi carpeta, pues básicamente aquí en Modelos afuera tengo el Smith, Sí que lo puedo ver acá si tiene ahí digamos que en un bloc de notas me saca aparece como la versión, pues aparece como si fuera eh.

00:25:13:05 Digamos que aparece la estructura y aparece el comport miento. O sea, el modelo está ahí, en ese archivo. Muy bien, vayamos entonces. Ahora, para Colab, Colap es una herramienta. ¿Es un notebook, eh? De de Google básicamente que con una cuenta de Google pues uno puede tener. ¿Es ahí como lo ven ingreso directamente como mi cuenta lo pueden buscar en internet y le decimos que un nuevo notebook, entonces automáticamente digamos que en Colab ya tiene instalado internamente eh?

00:25:39:15 Jupyter, que es un IDE, es un entorno de desarrollo para Python y eh, nos permite ya tener muchas instancias y casi que la instalación. A veces la instalación en una máquina local si está utilizando Visual Studio Code, pues es un poco más complejo. Y aquí entonces tenemos nuestro archivo y aquí pues le puedo colocar el texto o el código.

00:26:30:24 ¿Entonces eh, nosotros dijimos en nuestra presentación que tenemos entonces el archivo XML ya lo tenemos, eh, ya lo he exportamos de esa forma o lo guardamos mejor? Nuestro modelo de si vamos para colab y necesito entonces hablar sobre, eh, la librería País, entonces SPICE es una librería desarrollada, como ya les dije, por perdón, por, eh, el MIT. Y digamos que aquí en este entorno de Python, si necesitamos inicialmente, eh, instalarlo en Colab, que simplemente es una librería que se instala como las otras, entonces, eh, le colocó eh, la instrucción de instalar.

00:26:50:20 Entonces primero bueno, lo que hace Colab es utilizar una instancia en una máquina virtual. Fíjense que en la parte de arriba utiliza una radio. ¿Un disco? Sí, y con ese comando digamos que espero a que termine.

00:27:14:18 Y ahí ya estoy. Digamos que instalando la librería que necesitamos. Esa parte de abajo parece satisfactoriamente instalado. Si vamos a ocultar este resultado, entonces tengo este primer código. El segundo código. Cuando ustedes instalan una librería. Cierto es pues llamarla. Entonces vamos a llamar la librería de import.

00:27:45:28 Listo. Ahí no me presenta ningún error. Ahora esa librería hace que sea muy fácil, eh, traer la información del modelo. Pero lo primero que tengo que hacer es subir mi archivo. Mire, si entonces por aquí ya tenía mi modelo, el que acabo de generar tasa de listo. It's Mire, lo subo allí, me dice bueno, que cuando digamos cierre la sesión pues el archivo se va a quitar.

00:28:16:17 ¿Entonces hay otra forma pues de enlazar Google Drive con con eso para que no para que siempre esté apuntando a un archivo, cierto? Entonces ya tengo mi archivo que lo he subido y básicamente que también necesito como un mapeo o mejor, una conversión del mail que tengo a un archivo de Python. Y eso lo hago a través de esa librería y lo utilizo con, EH, unas unos métodos que ya trae la librería.

00:28:42:08 ¿Entonces simplemente genero una variable eh? Le digo que utilizo la la librería País. De pronto los que tienen ya experiencia con EH Python se parece mucho a lo que uno hace con la librería Pandas. Fíjense que en esa ayuda que me brinda, digamos a Colap, me dice que yo tengo dos opciones para leer archivos. Uno Ven que también se puede hacer o es malo.

00:28:50:23 Entonces aquí y simplemente traigo el nombre.

00:29:02:02 Con el que. Yo tengo mi modelo y la extensión.

00:29:05:27 Es mi.

00:29:35:02 ¿Listo, entonces lo que estoy haciendo ahí? Simplemente cargarlo en una variable no me muestra error. Y ahora le digo modelo punto dos. Ese modelo punto que me sirve pues para saber que fue lo que eh trae. Entonces voy aquí a cerrar un momentico esto. Entonces fíjense que lo que me está haciendo es como colocándolo como en un dataframe y ahí he traído el modelo.

00:30:13:26 Cuando yo hago también esta lectura del del modelo, de este, de este modelo, eh, eh, que está en formato de SMART, pues entonces también aquí el automática mente me genera un archivo de Python. Entonces hace las dos cosas como que me mantiene en memoria, cierto, pero pues también hace esa transformación a un archivo de Python. Y bueno, aquí ya la cosa se pone muy interesante, porque ya teniendo digamos que el modelo allí tengo el modelo en temas de parámetros tengo el modelo en tema de estructura, o sea de comportamiento y estructura, que termina siendo muy muy interesante.

00:30:54:19 Entonces aquí yo le puedo también decir que quiero unos valores, sí. Los valores con este método run, pues lo que hace es ejecutar el modelo, pero acá y le digo que me muestre los cinco primeros valores, entonces fíjese que acá me está haciendo aquí en Estela yo tengo la varíe la variación, si la variación eh, la temperatura, taza de té, si esta variación que la tengo acá, pero entonces aquí también estoy corriendo el modelo y le estoy diciendo que me muestre las cinco primeras filas y así ahí es fácil verlo.

00:31:23:25 No me muestra como el tiempo que va a dos, el tiempo inicial y la pérdida, eh calor al 4.º que va cambiando y la temperatura también de la taza de té. Entonces arranco en 70 grados y ya va en diez grados a los, eh, dos minutos. Interesante, Que interesante, porque ya puedo aquí empezar a hacer. Digamos que diferentes análisis, pero también puedo tener la visualización.

00:31:58:08 Ah, ya lo hablábamos en el en el segundo escenario. ¿Y tercero, que puedo tener visualización? ¿Pues con las librerías típicas de Python como matplotlib puedo tener entonces la visualización de lo que está presentando allá, que básicamente si ustedes lo miran es la misma visualización que tengo acá, no? El mismo comportamiento arranca en 70, disminuye muy rápidamente, casi que en cinco segundos ya la temperatura ya es mínima y aquí digamos que que se parece.

00:32:26:16 Entonces digamos que es bien interesante porque ya puedo digamos que acá tener toda esa potencia de Python. Ahora si yo quiero decirle coloque entonces al valor de G grados el valor de x dos minutos, pues entonces ahí empiezo a manejar todo eso gracias a que en este caso esta librería matplotlib. Okay, pero bueno, pues para que lo llevo.

00:32:55:25 ¿Digamos que eso es como tener esta posibilidad no? O sea, como que el segundo escenario en donde yo tengo, eh, yo tengo los. El modelo lo he traído a través de mire y tengo pues unos datos o y o o alguna visualización y hago aquí digamos que que unas unas corridas, pero lo interesante es lo siguiente vamos a mirar otro ejemplo.

00:33:12:11 Si vamos a abrirlo porque es es es un poco más eh extenso para digamos que no desenfocarnos de lo que queremos. Y es lo siguiente.

00:33:43:13 Tenemos en este segundo, mientras que lo abre, tenemos en Estela este modelo. Este modelo es conocido como un modelo. Sí que habla sobre un poco las eh, epidemias o los virus que contagian a las personas. ¿Entonces tenemos personas que son susceptibles, tenemos infecciones, tenemos recuperados, no? ¿Entonces la el potencial de personas que son susceptibles a tomar esa enfermedad, Eh?

00:34:13:10 La cantidad de infectados y la poca, eh, la cantidad de recuperados y con unas variables. Tengo una población total. ¿Cuántos se podrían infectar una tasa de infección si, una efectividad al contacto? ¿Eh? Tengo una tasa de recuperación. Tengo unos casos acumulativos y tengo un reporte de caso. El modelo funciona. Mirémoslo. Simulemos no. Efectivamente. Digamos que ahí hay como en la visualización live que me hace la arquitec.

00:34:35:01 Me muestra un poco el comportamiento que tengo a partir de este modelo. Si es un modelo estándar, digamos que en la parte médica es como el modelo estándar y ahí es también donde está como la el pensamiento de tener unos modelos en donde yo le alimente con unos datos y tenga unos resultados. Sí. Y bueno, pues aquí puedo obtener los resultados.

00:35:11:02 Cambio las tasas que envió la inefectividad eh cambio el periodo de recuperación y bueno, obtengo diferentes gráficas, pero lo vamos a llevar para colab para poder hacer un análisis de georreferenciación. Ah que chévere, porque digamos que aquí en este si no podemos hacer lo podemos unir como el modelo con datos de georreferenciación. ¿Entonces cuál es nuestro enlace? Entonces aquí volvemos a la parte de edición, vamos acá a guardarlo y vamos a guardarlo como un archivo XML.

00:35:39:09 Recuerden que nuestra interfaz sí, nuestra posibilidad para trabajar es XML. Entonces ahí me coloca la extensión del archivo. Lo guardamos. Si yo voy a mi carpeta donde tengo el modelo, pues entonces aquí aparece Smith. Si lo hablo con un bloc de notas y es el que me acaba de generar todo, todo bueno, y ahí está. Fíjense que también es un poco extenso.

00:35:55:14 Listo. Ese archivo es mi mmm lo vamos a subir a Colap. Sí. Entonces vamos aquí a crear un nuevo notebook. No desde el anterior.

00:36:36:20 Vamos a colocarla entonces, eh, si. Model. Pero es un notebook. Entonces, eh, Recuerden que. Digamos que lo que tenemos que hacer es. Digamos que vamos a hacerlo de de una forma que se quede. No sé cómo como con la receta. Y entonces primero es instalar la librería. Entonces, eh, en la instancia, porque esa librería, si no está por default en en colab, sí.

00:36:51:00 Entonces instalo la librería. Papi. Tal vez esté que le decimos que bueno, esperemos a que termine ahí la ejecución.

00:37:27:09 Listo, ahí ya terminó. Entonces ahí me dice que no me apareció ningún error. Entonces enlaza fácilmente la librería. Lo otro que tenemos es llamarla. ¿No? Entonces import. Eh, Eh. ¿Y que se ve? Llamamos la librería. Okay, vamos a cargar nuestro archivo. Ismael, que viene de, eh, este larguito. Entonces vamos a ir por aquí. Estaba en la misma carpeta S que los el archivo anterior que subiré del de la taza de té.

00:37:59:14 Ya, ya no se encuentra. ¿No? Y pues acá entonces empezamos a hacer y digamos que. Vamos a cargar el modelo y a tratar de graficar algunos datos. Sí. Entonces, bueno, aquí no voy a entrar, pero no voy a entrar en detalle. Ay, perdón, Aquí lo que subí fue la taza de té. No necesitamos taza de té porque al parecer error subir.

00:38:04:22 Pues no le encuentro que se me hizo.

00:38:34:11 En el modelos, un conjunto. ¿Este de acá? Sí. Entonces si, simple. Mire, subimos. Ese es nuestro modelo. Porque ese es el que voy a llamar acá ser simple. It's man listo. Entonces inicialmente aquí lo llamo y a través de Run lo que hago es correr el modelo. Entonces vamos a ejecutar este código.

00:39:02:04 ¿Entonces que he hecho hasta ahí? Pues cargue el modelo a través de mail y los datos que tengo de casos eh, de la acumulación de casos, del reporte de casos de los infectados, de la efectividad. De lo que, o sea, lo las columnas que tengo acá, porque el me lo trae como un dataframe, como una tabla. Okay, ya tengo acá los datos y si yo voy miro con mi ejecución acá muy probablemente digamos que se parece.

00:39:41:11 ¿Entonces susceptible es la línea eh? Como verde, entonces tengo si efectivamente la gráfica se parece. En infectados infectados, si es la café o marrón también es como tiene un impulso ahí. Bueno, entonces digamos que hago como una exploración inicial para garantizar que los datos sean los correctos. Listo. Entonces cargué lo el modelo y, eh, mostré algunos datos. Ahora lo que voy a hacer es modificar los algunos datos que este que están relacionados con, eh.

00:40:15:17 La el. La tasa infecta ideal. ¿Entonces fíjense que acá tengo un código eh? Si yo miro acá en mi, en este de la entonces aquí el contacto de efectividad, de efectividad, perdón, es de punto siete, entonces ahora lo que estoy haciendo acá es, eh, corro el modelo pero cambio eh algunos parámetros y el parámetro esencial es el de el, el la infecte por contacto.

00:40:48:18 Entonces aquí estoy hablando de punto tres, sí, o sea del 30%, mientras que acá en escena tengo punto siete, el 70%, entonces eso también. Digamos que yo puedo cambiar los parámetros en en el modelo ya cargado acá y pues digamos que puedo hacer otros análisis. Efectivamente, fíjense que la gráfica es diferente, no es diferente a lo que teníamos variando eh la esa tasa.

00:41:15:05 Okay, hasta ahí lo que hemos tenido es cargar el modelo es mil que viene este, hacemos un cambio para corremos el modelo tal y como lo trajimos, hacemos un cambio de parámetro y pues nos funciona. ¿Ahora vamos a trabajar un poco, traer datos de georreferenciación no? Entonces ese es el modelo CIR, que es un modelo simple de EH, personas susceptibles, contagiadas y recuperadas.

00:41:43:15 Y vamos a traer unos datos que ya hemos descargado, que son muy conocidos en temas de georreferenciación. ¿Antes tengo que hacer digamos que aquí, eh, un un arreglo inicial utilizando la librería NumPy y también digamos que aquí la importancia de que estamos utilizando igual las librerías de Python, o sea numpy y lib lo hemos utilizado pues es numpy la el la librería numérica, eh?

00:42:09:07 ¿La estamos utilizando entonces aquí básicamente que estamos cambiando un poco, eh? En el ciclo de tiempo estamos hablando que estamos hasta eh diez Si el tiempo de simulación es de diez, o sea, cambiamos el tiempo de simulación y pues hemos creado como una nueva tabla en esta parte. ¿Listo? ¿Para que necesitamos eso? Es. Es como el arreglo inicial.

00:42:37:07 Mmm. Vamos a utilizar una librería que se llama Geo Pandas que se utilizan para los archivos o para poder poder manipular la librería de geo referenciación. Sí, entonces ahí la importamos. Fíjense que no nos presentó un error. Bueno, digamos que acá en esta charla pues yo mitigó los errores en aras de que nos brinda un poco el tiempo, pero pues cuando aparece un error aparece en rojo y aparece desaparece la información.

00:43:09:16 Acá las personas que ya tienen experiencia, eh, digamos que saben cómo identificar un poco los los errores para poderlos trabajar, errores de sintaxis o u otros errores. Ahora bien, para trabajar en geo pandas necesito un archivo que se llama char file. ¿Sí, eh, que es un archivo común, eh? En temas de georreferenciación yo ya he descargado unos archivos aquí la tengo como una carpeta info geo.

00:43:46:08 Yo voy a llamar un archivo principal que se llama shp que es de, pero tengo que cargar los archivos asociados, o sea, si solamente cargo el archivo SHP, pues entonces voy a tener un inconveniente. Lo cargo acá en mi, en mi carpeta, así como en esos archivos locales que estoy trabajando y voy a llamar un archivo que se llama EH o con extensión shp, entonces voy a colocar acá entonces una variable, a esa variable le asigno lo que está en el archivo shp.

00:44:22:17 Eh, eh, utilizo eh otra variable para organizar esos archivos en forma de DataFrame y aquí pues voy a mostrar básicamente que los primeras cinco filas de ese archivo. Ejecuto y entonces ahora o bien no solamente tengo el modelo en en función del archivo, etc, sino también tengo información georreferenciada. En este caso es una información de la Unión Europea que tiene una columna de población, tiene el país y tiene la tasa de infectados.

00:44:50:17 Sí. Y eso tiene que ver con unos análisis de fiebres, EH es esta información de eso. ¿Y fíjense que me aparece también pues toda la parte geométrica o la parte georreferenciada, que es como lo interesante, eh? ¿Ah, okay, y como como mostramos esa esa georreferenciación? Pues utilicemos matplotlib.

00:45:26:11 Sí. Para mostrar esos datos, solamente esos datos que tenemos en data plot. Entonces tenemos que data. Y aquí es, esta es la que estamos trayendo. Entonces, eh, fíjense que lo lo chévere que empieza a hacer, porque tengo una información georreferenciada y, eh, a través de las librerías tengo el mapa listo y se puede. Digamos que, eh, presentar.

00:45:57:00 Con ya la información georreferenciada. Entonces voy a traer este código que tenemos acá. O lo podemos presentar el mapa de otra forma. ¿Entonces fíjense que aquí la columna de población, eh aquí arriba solamente estoy mostrando como los datos o las ubicaciones, pero aquí estoy trayendo la información de población de cada uno de esos países para que me lo muestre a través de unos colores, no?

00:46:22:04 ¿Aquí me tocaría sacar una barrita en donde diga bueno, donde hay mayor población es en Francia, eh? Entre más rojo sea pues es donde hay mayor información, eh mayor población, Perdón. ¿Y a medida que va bajando hacia el color amarillo, menos población, entonces en ese momento he utilizado esa librería para la población, pero me falta enlazar, eh, Los dos, no?

00:47:04:20 O sea, tener la posibilidad de mi modelo, tener los datos de población georreferenciados allí. Entonces voy a utilizar una función. Sí, que básicamente lo que me está diciendo es tome de mi modelo la población total o mejor asígnele la población que viene de EH la información georreferenciada a mi modelo en el parámetro de población total y asígnele la tasa de EH infección a lo que yo he llamado, eh, infecte de contacto.

00:47:41:16 Sí, o sea, estoy asignando entre los dos entre la la data, que es la la información que referencia y mi modelo y me va a arrojar unos, eh, datos sobre la parte de infecciones. Entonces aquí corro la clase y lo que ha hecho es mostrarme si la las eh parte de infecciones no me muestra toda la tabla, me muestra las cinco primeros filas en el data en diez creo que fue la el tiempo de simulación que coloqué.

00:48:15:05 Sí. Entonces tengo digamos que en cada uno de, eh, los tiempos la información utilizando digamos que estos dos parámetros, pues ahí asociado. Digamos que la información que tengo y vamos a aplicarla. A Entonces vamos a aplicarlo a lo que yo tengo georreferenciada.

00:48:34:25 ¿Listo? Ah, perdón, ese el mismo código que tenía arriba. Entonces hasta ahí digamos que he enlazado los dos y pues voy a presentar. Digamos que esa información utilizando otra librería.

00:49:09:20 ¿Entonces, qué es lo que tengo acá? He utilizado mi modelo desde la Arquitec. Este modelo sí. Y he tomado datos georreferenciados de la Unión Europea para cambiar este parámetro que se llama inefectividad de contacto y la población, O sea, estos dos los he cambiado, estos dos los he cambiado y esos dos al cambiarlos. Entonces me muestra si cómo se comporta y qué es lo que estoy mostrando acá.

00:49:47:26 Acá este bloque de infecciosos o eh infectados. Eso es lo que estoy mostrando acá con datos georreferenciados de los diferentes países. Entonces fíjense, la la intención de esto es tener mi modelo. Sí, ya no solamente estoy hablando de calibración, sino ya tengo mi modelo. Es un modelo que se puede decir que es un modelo un poco general. Tengo una data georreferenciada de población por país y de EH, tasa de infectados o infectados por contacto uno los dos modelo con datos y obtengo otros resultados.

00:50:17:00 O sea, eso es bien interesante. Ahora no solamente pueden hacerlo con datos georreferenciados como los mostraba, como los presentábamos acá puedo tener datos estadísticos, datos basados en web y datos en streaming. Entonces digamos que la potencia se aumenta considerablemente. Listo. Entonces fíjense acá no entro en detalle para los códigos porque pues no es el objetivo, sino es un poco también, digamos, la integración con estos elementos.

00:50:46:24 ¿Ahora bien, eh? De pronto algunos dirán no, pero esperen, porque yo necesito hacer un análisis offline pero utilizando no Python sino eh. R o R Studio R Studio, que se ha vuelto también digamos que eh bien muy común utilizar, sí. Entonces aquí también tenemos nuestro modelo en este Aquí no vamos a utilizar XML, sino vamos a utilizar el documento que nos genera el modelo de Equation Viewer.

00:51:22:17 Vamos a utilizar como una interfaz de un desarrollo que que se ha eso, que de que se ha hecho, que se llama este la R. Y eh, digamos que eh, vamos a R Studio para mirar nuestro modelo en otro software y hacer el análisis correspondiente. Sí. Inicialmente digamos que este este la R, igual que eh hay en SD son digamos que esfuerzos de alguna comunidad para poder digamos que utilizar toda la potencia de estas herramientas libres.

00:51:56:20 ¿Entonces aquí está, eh, digamos que este la R eh? Y básicamente lo que tenemos es un ejecutable que funciona en Windows, en Linux, en Mac. Para trasladar mi archivo de Equation Viewer a un archivo con formato R Sí. Eso es lo que lo que hacemos. Vamos a este, la arquitec, con otro ejemplo para mirar esta integración. Entonces tenemos, eh.

00:52:24:06 R Este ejemplo o este lo lo trabajamos en otro webcast que habla sobre la gestión de operaciones. En este caso lo que tiene que ver con una cadena de suministro. Entonces tenemos la tasa de órdenes de de suministro. Pues, adquisición. Transporte. Sí. Ese es nuestro, eh, modelo en Excel. ¿Lo ejecutamos? Efectivamente. Funciona. Tengo algunas variaciones se alcanzan a notar.

00:52:57:10 Pero entonces, con respecto a este modelo, vamos a hacer el enlace con, eh. El Entonces primero no vamos a trabajar con Ismael, sino vamos a ir a Modelo, vamos a aquí el modelo, aparece el Equation Viewer, el visor de ecuaciones y me aparece como que todo lo que está ajustando de una forma un poco más textual. Entonces, para poder digamos que entienda el este, la R, pues tiene que tener un formato de entrada que es muy fácil de ajustar.

00:53:24:13 ¿Básicamente que acá pues no le colocamos unidades, o sea como que quitamos documentación, anotaciones eh? Lo dejamos organizado a la Z para que no me aparezca y que no lo presente como texto. ¿Entonces fíjense que aquí está la información del modelo, eh, eh, en en sus ecuaciones no? En su comportamiento y también su estructura. Es otra forma también de presentar el modelo.

00:54:06:11 Si lo tenemos así y lo exportamos, vamos a exportarlo. Como un archivo txt. ¿Entonces vamos a buscar por aquí la carpeta Modelos eh? R y vamos a colocarlo acá. Entonces, eh, vamos a colocarle un nombre que tiene que ver con O M sí o STM, tmx Ah no perdón o m xt, txt o M. Le colocamos el nombre en el menú, lo guarda con txt Listo, Ya hemos hecho la exportación de nuestro modelo, pero en este caso al equation.

00:54:29:06 Vimos. Vamos a ir acá a la carpeta R donde colocamos. Efectivamente aquí hay un EH eh, bloc de notas con bloc de notas. Lo abrimos y ahí está la información de nuestro modelo que acabamos de hacer aquí. Sí, nos pide que desde la ventana de comandos en Windows. ¿Entonces vayamos un poco a la ubicación de lo tengo en la unidad H, eh?

00:54:58:08 Y debo tener por acá a ver si lo encuentro rápidamente. La ubicación no lo encontré, entonces yo lo tengo por acá, entonces voy a ir a esta mi carpeta que tengo allí, entonces voy a ir a Directory. Eh, ahí estoy que tengo en esa carpeta. Ahí está, ahí están. Digamos que mis archivos. Lo único que he hecho hasta ahí es ir hasta el lugar donde están.

00:55:31:06 Eh, Mis archivos y hago el el traslado. ¿O sea, hago el mapeo de lo que tengo en mi txt a un archivo R como lo hago? Ah, bueno, en esa página que les mostré está eh, el ejecutable que se llama este, la R punto es si es esta. Digamos que ahí en la carpeta donde tengo el modelo, entonces yo lo llamo en la ejecución, le digo este la R, si.

00:55:58:13 Lo llamo en la ejecución llamo el el modelo que voy a a mapear o m en este caso txt, no el modelo este no y le digo le voy a dejar el mismo nombre o m r es la eh línea bajo R para que me haga el mapeo si tengo que colocarlo así. Ese es como el el comando para que me haga el mapeo.

00:56:21:29 Ah bueno, ahí me aparece un error, me dice que no se pudo hacer porque bueno, entonces ese es un error que fue intencional y es básicamente porque en este bloc de notas hay que quitarle como la indentación tiene que quedar sin intentar indentación. La indentación, pues son esos espacios que tengo acá, tiene que quedar todo alineado a la izquierda.

00:56:56:12 Eso es, es simplemente lo que hay que hacerle a este modelo. Entonces vuelvo a mi ventana de comandos, ejecuto otra vez o m txt am r y ahí me dice que el modelo fue satisfactoriamente. ¿TRASLA Qué significa que haya sido trasladado? Que acá me crea una carpeta que se llama eh o m r y en esa carpeta está ya un archivo en formato de R.

00:57:19:27 Para que lo entienda, está haciendo un mapeo. Fíjense que el el el tema es utiliza un archivo, es Smith y me lo mapea a Python. Sí, bajo una librería tengo un archivo txt, me lo mapea a R bajo. Digamos que en este caso una librería que está por detrás de ese ejecutable. Listo, Miremos entonces vayamos a, eh, a R R Studio.

00:57:50:15 Ustedes saben que R que se puede utilizar desde la línea de comando, pero pues R Studio es una interfaz un poco mayor, pues con mayores posibilidades y características. Aquí simplemente eh cargo el directorio donde tengo a ver si estoy aquí en R y OMR. Sí. Entonces le digo selecciono mi directorio y voy a abrir el script principal. Entonces aparecen como dos scripts, uno que es punto R y otro que es funciones punto del.

00:58:26:21 El script principal es punto R. Lo abro y aquí lo tengo en R. ¿Entonces aquí me aparece el coloca otras cosas eh? ¿También trae la unos eh solucionadores de sol eh? Y bueno aquí digamos que que lo tengo. Fíjense que abajo también me aparecen. A ver, aquí abajo me aparece como eh, como lo estoy, como lo voy a simular entonces inicialmente aquí tengo un DT de alerta de tiempo, tengo también aquí los parámetros.

00:58:59:06 Me dice que el método de solución es RK cuatro Enrique cuatro es eh, el método de solución también que aparece aquí en Estela. Sí. Entonces si yo voy acá dice Método de integración El método de integración Euler eh Ruiz 2.4 Sí. Entonces, eh, eh, ahí le puedo cambiar en en R en. Digamos que esto por defecto lo carga así y inicialmente voy a correr mi modelo, pero en R.

00:59:32:25 Entonces, eh, vamos aquí a ejecutar todo, ahí lo ejecuta y ah, okay, miren lo que me aparece. Inventario, línea de suministro. Si me aparece. Inventario y línea de suministro me grafica. Eso es dos. Vamos a compararlo por acá entonces vamos a mirar que tenemos por acá. Línea de suministro es el stock. Línea de suministro se parece. Lo que pasa es que aquí el tiempo es mayor.

0:59:56:11 ¿Vamos a tratar de cambiarlo, eh? Por lo mismo y vemos si entonces vamos a tratarlo de cambiarlo. Acá en mi modelo vamos a decir que vaya hasta tres, lo ejecutamos.

01:00:33:28 Y miremos entonces las gráficas. Entonces tenemos aquí un como una suma puede ser el método de integración y la línea de suministro. ¿Miremos aquí como pasa, pero digamos que, o sea, como es contraria no? El método de integración. Bueno, tocaría revisar, pero entonces digamos que acá, eh, ya lo que tengo es mi modelo de Estela para poder trabajar en R y con todos, eh, con todo lo que ustedes quisieran en R.

01:01:03:02 De esa forma entonces podemos hacer la integración. Fíjense que hemos partido, es de Estela y hemos terminado en Colab para trabajar Python y en EH en R Studio. Sí, entonces digamos que es que logramos con todo esto, pues digamos que toda la parte de herramientas adicionales que podamos tener allí. Listo. Bueno, digamos que eso era lo que queríamos presentarle en el día de hoy.

01:01:29:10 Recuerden mi nombre Alexander Cortes Llanos y bueno, damos paso para las posibles preguntas o inquietudes que puedan tener. Muchas gracias Alexander por tu presentación. Tendremos dos preguntas, te las voy a leer en este momento nos dicen. Muy interesante la librería, se pueden visualizar los diagramas de. ¿Pero vuelvo a repetir la pregunta Disculpa, se pueden visualizar los diagramas?

01:02:01:18 ¿Eh? ¿O sea, no? No entiendo muy bien cuando dice diagramas, pero digamos que eh, sí o sea, digamos que aquí digamos que lo que he presentado acá es como la visualización que yo pudiera tener en en en que en escena, Pero además de eso puede sacar gráficas de dispersión si de pronto están mirando, eh, gráficas de correlación también, si de pronto quieren eh, mapas de calor también.

01:02:43:06 O sea, las posibilidades de visualización con matplotlib y con otras librerías es infinita. ¿También se puede visualizar, digamos, los los data frames no? Entonces digamos que ahí no habría ningún inconveniente. A lo que yo sí quiero que que quede como en digamos que en en la mente ustedes es que lo que ofrece Estela mmm no lo puedo ir a obtener tampoco en Python, es esa parte visual, esa parte de la dinámica, esa parte de la complejidad de los modelos acá en código es bien difícil, pero cuando yo ya tengo mi mi modelo ajustado, pues puedo y puedo presentarle muchísimas formas de visualización.

01:03:06:26 O sea, digamos que acá hemos planteado solamente dos enlaces, pero pues esto es infinito y crece con cada día, Entonces les probabilidades de diagramas es eh chévere. ¿Ahora si me preguntan que si yo puedo digamos que llevar el modelo en Ismael y presentarlo de esta forma no? Eso si no lo hace Python. O sea, como que cada herramienta hace pues para lo que está digamos destinado.

01:03:17:16 O sea, yo no puedo crear el diagrama con el archivo XML en Python ni en R, o sea, eso no, no lo puedo hacer. Eso es propio de este ARKit.

01:03:49:26 Perfecto Alexander, antes de leerte la segunda pregunta, voy a dejar la encuesta en pantalla para que los asistentes puedan ir. La diligenciamiento. Nos preguntan cuál es la ventaja de usar Python para modelar sistemas a comparación de otros lenguajes. Muy bueno. ¿Lo que pasa es que como lo presentaba en acá, digamos que en Python, pues si uno mira digamos que los estándares en temas de lenguajes de programación eh, pues cada vez ganan mayor acogida, no?

01:04:17:26 Y si ustedes en se digamos que se ponen a pensar, muy probablemente muchos software ya tienen ese enlace. ¿Claro, no es el único, no? Eh, No, no estoy tan claro. ¿Pero casi que que me tocaría revisarlo en detalle, pero el hecho el que tengan un archivo XML cierto, muy probablemente lo puedo llevar a otro software como puede ser estata, que también se utiliza para temas de analítica, eh?

01:04:50:06 Digamos que acá eh hemos presentado un poco esas herramientas que están a disposición y que son muy fáciles de integrar también, digamos con Estela, pero otros software de análisis, eh, pues también lo puede permitir. ¿O sea, digamos que no, no necesariamente, eh? Ya tocaría entrar a revisar en detalle cuál es este, cuál es ese el enlace, O sea, si el software eh, que me recibe los datos, acepta XML o acepta Equation Bible.

01:05:08:26 O sea, si aceptan eso porque tenemos, debemos de tener como un formato intermedio para poder hacer esa comunicación. Es como lo que habría que garantizar, pero casi estoy seguro que no, digamos que no son los únicos ni R ni Python. ¿Pueden haber otros software en los que podemos también llevar a hacer unos análisis, eh? Pues de los que quiera y ahora también.

01:05:28:23 Eso depende un poco también de la fortaleza de las personas. Hay gente que le gusta más. R Muy bien. Hay gente que le gusta mucho más Python o de pronto en R encuentran algo que no tienen Python o en Python o algo que no está en R. Así puede pasar con otro software. Entonces, eh, está abierto, está abierto para que ustedes lo revisen a través, digamos, de estas dos cualidades que tiene este la Equation Viewer.

01:05:57:23 Y de hecho mi. Perfecto. Alexander, no tenemos más consultas. ¿Algo que quieras agregar antes de finalizar la sesión? ¿Eh? No, nada. Miren, quisimos hoy, eh, traer una herramienta que de pronto no habíamos hecho, eh, mucho habíamos hecho, eh, énfasis que es la las herramientas de Ismael y de Equation Viewer que hacen parte de este, eh, digamos, para que ustedes lo tengan.

01:06:31:07 Es muy claro que cada uno de los de los dos ecosistemas tienen unas, unas eh, cualidades específicas y muy difícil lograr que uno obtenga la dinámica y complejidad en Python porque sigue siendo muy estático y se pierde la esencia. Pero si puede utilizarlo para toda esa fortaleza o esas herramientas maduras que ya se encuentran como en estos, en en este ambiente, Entonces pues nada, espero que les haya funcionado, que lo tengan en el radar, que les haya generado curiosidad.

01:07:02:00 Sí que muy probablemente cuando uno logra que se genere curiosidad vamos por buen camino. ¿Y bueno, pues para que ustedes también lo lo, lo revisen, lo sienten y puedan enlazar y puedan integrar y complementar muy bien todo lo que hacemos en este la arquitectura eh? No se olviden eh, que si de pronto tienen alguna inquietud a través pues de Elisa en los contactos de software o en pantalla también aparece mi nombre y eh, mi correo electrónico por si alguien quiere o tiene o necesita información un poco mayor.

01:07:17:23 Para mayor información respecto al software o en temas relacionados, no dude en contactarnos a través del correo electrónico entrenamientos arroba software, guion shop punto com o visitar nuestra página web Triple W punto Software Guion Shop Puntocom.