Cuaderno
Notas fechadas de nuestra investigación y desarrollo.

- Por qué SI y no AI: en defensa de la inteligencia simbióticaLa mayoría de las empresas tecnológicas fundadas en esta década ponen dos letras en su presentación. Nosotros pusimos otras dos en nuestro nombre. ¿Qué significa la inteligencia simbiótica y cómo determina lo que hacemos y por qué lo hacemos así?
- Qué es realmente una interfaz cerebro-ordenador: de la señal de EEG a la decisiónNi lectura de la mente ni magia. Explicamos de forma sencilla y rigurosa cómo unos microvoltios en el cuero cabelludo se convierten en una decisión que una máquina puede ejecutar.
- El principio de la X: cómo abordamos los problemas que parecen imposiblesLa X de nuestro nombre significa rechazar la palabra «imposible». No ignorando los límites, sino tratándolos como preguntas. Cuatro pasos que seguimos cuando algo todavía no funciona.
- Por qué desarrollo una interfaz cerebro-ordenador en TurquíaEl camino de un fundador desde Şanlıurfa hasta la primera línea de la neurotecnología: por qué la comunicación aumentativa debe funcionar también en turco, qué exige de verdad construir en un mercado emergente y por qué 2025 fue un punto de inflexión.
- Regulación y ética de la inteligencia artificialDel Reglamento de IA de la UE a la ley turca de protección de datos, de las pruebas de sesgo a la explicabilidad: la situación actual de la regulación de la IA, un marco para desarrollarla de forma ética y una guía práctica para que las empresas se adapten a las nuevas reglas.
- IA y ética: las responsabilidades de los científicos de datosLos científicos de datos desempeñan un papel clave en cada fase de un sistema de IA, desde el diseño hasta la implantación. Este artículo expone sus responsabilidades éticas en seis apartados, desde la privacidad y la equidad hasta la transparencia y la sostenibilidad.
- Python para el análisis de datos: aprendizaje automático con Scikit-LearnUna introducción práctica al aprendizaje automático con Scikit-Learn: aprendizaje supervisado y no supervisado, ajuste de hiperparámetros, validación cruzada, selección de variables, interpretación del modelo, ensembles, métricas, pipelines y un caso práctico con Iris.
- Python para el análisis de datos: Matplotlib y visualización de datosMatplotlib es una de las bibliotecas de gráficos más usadas en Python. Esta guía cubre gráficos de líneas, de barras, de dispersión, histogramas y gráficos circulares, y después la personalización, los subgráficos y los gráficos logarítmicos y 3D, con código para cada ejemplo.
- Análisis de datos con pandas: manipular y visualizar datosPandas es una de las bibliotecas de Python más útiles para cualquiera que trabaje con datos. Esta guía recorre los DataFrames y las Series, la carga, la limpieza, el resumen, la agrupación, los gráficos, las series temporales y la fusión de datos, y después lo aplica todo a un conjunto de datos sintéticos.
- A la luz del Renacimiento y la sabiduría de los monjes tibetanosUna nota personal sobre mi participación en la serie Dejavus de NUWA NFTs: cinco palabras (iniciación, tiempo, espiritual, mente, flujo) convertidas en una obra de la artista de IA Çağla Öztürk y en música de E. Buğra Balcı.
- ¿Qué es un conjunto de datos desequilibrado y cómo se aborda?Su modelo indica un 99,9 % de exactitud y, aun así, no detecta el fraude. Con un conjunto de datos de fraude con tarjetas de crédito mostramos por qué los datos desequilibrados engañan, qué métricas conviene mirar y cómo reequilibrarlos con sobremuestreo, SMOTE y submuestreo.

