Cambio de disco sin formatear

 

Cambio de disco duro en Lenovo Legion sin formatear windows, cambio de 512Gb a 1Tb.

Requisitos previos:

- Un disco duro SSD nuevo de 1 TB.

- SSD WD_BLACK SN770 NVMe

- Una memoria USB con Clonezilla.

- Otra memoria USB con GParted.

- Un Kit de destornilladores y/o elementos para abrir el computador.

- https://www.ifixit.com/products/essential-electronics-toolkit

- Guia para reemplazar o agregar disco:

- https://es.ifixit.com/Gu%C3%ADa/Reemplazo+de+SSD+izquierdo+de+Lenovo+Legion+5+15ACH6H/153526

- https://es.ifixit.com/Gu%C3%ADa/Reemplazo+de+SSD+derecho+de+Lenovo+Legion+5+Pro+16ACH6H/153184

Pasos para el cambio del disco duro:

1. Preparación de Clonezilla:

   - Descarga la última versión de Clonezilla Live desde su sitio web oficial (https://clonezilla.org/downloads.php).

   - Crea una memoria USB de arranque con Clonezilla usando una herramienta como Rufus (para Windows) o Etcher (para macOS y Linux).

2. Preparación de GParted:

   - Descarga la última versión de GParted Live desde su sitio web oficial (https://gparted.org/download.php).

   - Crea otra memoria USB de arranque con GParted usando Rufus o Etcher.

3. Conectar el nuevo SSD:

   - Conecta el nuevo disco duro SSD de 1 TB al portátil.

   - Se recomienda ver las guias de como abrir el portátil.

Lenovo Legion

4. Crear una copia de seguridad con Clonezilla (opcional):

   - Inserta la memoria USB de Clonezilla en el portátil y arranca desde ella (es posible que debas configurar la secuencia de arranque en la BIOS).

   - Sigue las instrucciones de Clonezilla para crear una copia de seguridad del disco duro original de 500 GB en una ubicación segura, como un disco duro externo o una red compartida.

5. Clonar el disco original al nuevo SSD:

   - Desconecta el disco duro original y asegúrate de que solo el nuevo SSD de 1 TB esté conectado al portátil.

   - Inserta la memoria USB de Clonezilla nuevamente y arranca desde ella.

   - Sigue las instrucciones de Clonezilla para restaurar la copia de seguridad creada en el nuevo SSD. Asegúrate de que el nuevo SSD sea el destino correcto para la restauración.

Clonación de disco a disco, opciones por defecto

   - Cuando termine, desconecte la unidad anterior, inicie Windows y valide que todo esté en orden, sin fallos de disco o algún problema en particular, que deba volver a poner el disco original mientras investiga el problema.

Particiones a mover

- Si todo fue exitoso, se debe redimensionar la partición C, pero antes de esto debe mover algunas particiones, ver paso 6, en caso contrario y quiere agregar una partición, solo termine en el paso 8.

6. Mover la partición de recuperación con GParted:

   - Desconecta todas las unidades externas y asegúrate de que solo el nuevo SSD esté conectado al portátil.

   - Inserta la memoria USB de GParted y arranca desde ella.

   - Ejecuta GParted y localiza la partición de recuperación de Windows en el nuevo SSD.

   - Utiliza GParted para redimensionar la partición de recuperación, moviéndola hacia el final del disco duro SSD. Esto se hace seleccionando la partición, haciendo clic en "Resize/Move", y ajustando la posición de la partición.

7. Guardar los cambios y reiniciar:

   - Aplica los cambios realizados con GParted y asegúrate de que todo se haya configurado correctamente.

   - Desconecta la memoria USB de GParted y reinicia el portátil.

Resultado Final

8. Verificación:

   - Una vez que el portátil haya arrancado desde el nuevo SSD, verifica que todo funcione correctamente, incluida la partición de recuperación de Windows.

Notas y referencias:

• Se siguió esta guia para cambiar el disco de computador personal.
• Imagen inicial generada por IA - Bing

Lan Speed test

 

Cuando vemos que el internet va lento, comenzamos a buscar alguna página que nos de la velocidad del Internet, sea speedtest.com o fast.com, pero tambien se debe testear si tenemos problemas de velocidad en nuestra propia red, para esto podemos utilizar la herramienta iperf3 que nos permite realizar estas mediciones.

La herramienta iperf3 es un software de código abierto que se utiliza para medir el rendimiento de la red en términos de ancho de banda y latencia. Al ejecutar una prueba de velocidad con iperf3, proporcionará varias métricas relacionadas con el rendimiento de la red.

Las métricas comunes que se obtienen al ejecutar iperf3 son las siguientes:

1. Ancho de banda (throughput): Esta métrica indica la velocidad de transferencia de datos entre el cliente y el servidor. Se mide típicamente en unidades como Mbps (megabits por segundo) o Gbps (gigabits por segundo). El resultado mostrará la velocidad máxima alcanzada durante la prueba.

2. Latencia (ping): La latencia se refiere al tiempo que tarda un paquete de datos en viajar desde el cliente hasta el servidor y viceversa. Se mide generalmente en milisegundos (ms). Una latencia más baja indica una conexión más rápida y receptiva.

3. Jitter: El jitter es la variación en el retardo de los paquetes de datos que se reciben en un flujo. Un jitter bajo indica que la red está proporcionando una entrega de datos más consistente.

4. Pérdida de paquetes: Esta métrica muestra el porcentaje de paquetes de datos que se pierden durante la transmisión. Una pérdida de paquetes baja es deseable, ya que indica una red estable y confiable.

Es importante tener en cuenta que los resultados obtenidos con iperf3 pueden verse afectados por diversos factores, como la calidad de la conexión de red, la congestión de la red, la carga del servidor y otros elementos de la infraestructura. Por lo tanto, los resultados pueden variar en cada ejecución de la prueba y en diferentes escenarios de red.

iperf3

Se requiere al menos dos equipos para realizar la prueba:

• Servidor: iperf3 -s
• Cliente: iperf3 -c <ip_del_servidor> -P 10 -t 30 -R

Server

Client

Explicación de los parámetros utilizados:

• -c <ip_del_servidor>: Especifica la dirección IP del servidor al que te quieres conectar.
• -P 10: Establece el número de hilos simultáneos utilizados para enviar datos. En este ejemplo, se utilizan 10 hilos.
• -t 30: Define la duración de la prueba en segundos. En este caso, la prueba se ejecutará durante 30 segundos.
• -R: Realiza la prueba en sentido inverso (del cliente al servidor) para evaluar la velocidad de carga.

Recuerda reemplazar <ip_del_servidor> con la dirección IP real del servidor al que deseas conectarte. Además, ten en cuenta que la velocidad real alcanzada puede verse afectada por diversos factores como la calidad de la señal, la interferencia y la configuración de la red. Los resultados obtenidos pueden variar en función de estas condiciones y de la capacidad real de la red Wi-Fi 6.

Notas y referencias:

• iperf3: Mide la velocidad entre ordenadores en LAN, WiFi o Internet
• https://iperf.fr/
  
• ChatGPT

Album Archive will no longer be available after July 19, 2023.

Recuerda que Google Album Arhive no estara disponible despues de Julio 19 de 2023, ingresa ya a esta URL: https://get.google.com/albumarchive/  y descarga una copia de tus archivos, o ve directamente y programa una descarga en https://takeout.google.com/takeout/custom/album_archive

Juego Tipo Pong

 

Este juego fue generado usando el Chat de Bing el cual tiene una IA integrada, inicialmente se saluda "Hola" te responde y pides que quieres hacer un juego como pong, depende de como lo pidas, si solo te recomienda algún enlace, debes indicarle que te dé un ejemplo, te lo dará y podes seguir agregándole algunas modificaciones como el puntaje y un botón para iniciar.

Notas y referencias:

• Uso de chat IA de Bing (ChatGPT)
• El juego puede contener bug's
• Adaptado para funcionar en Blogger

Inteligencia Artificial

 

Robot - Humanoide

La inteligencia artificial (IA) es un campo de la informática que se ocupa de crear sistemas que pueden realizar tareas que, normalmente, requerirían inteligencia humana para llevar a cabo. Se trata de una disciplina que busca imitar las habilidades cognitivas humanas, como el aprendizaje, el razonamiento, la percepción, el reconocimiento de patrones, la toma de decisiones y la resolución de problemas, entre otras.

La inteligencia artificial puede tomar muchas formas y aplicarse en diferentes campos, desde la visión por computadora y el procesamiento de lenguaje natural, hasta la robótica y la automatización. En general, la IA se basa en algoritmos de aprendizaje automático y redes neuronales, que les permiten a los sistemas aprender de datos y mejorar su desempeño con el tiempo.

El concepto de inteligencia artificial se remonta a los años 50 del siglo XX, cuando los científicos empezaron a interesarse en la posibilidad de crear máquinas capaces de realizar tareas que requirieran inteligencia humana. Uno de los primeros intentos de crear una IA fue el programa de ajedrez de Claude Shannon en 1950, que utilizaba algoritmos de búsqueda para encontrar la mejor jugada posible. Otro pionero en el campo de la inteligencia artificial fue John McCarthy, quien acuñó el término "inteligencia artificial" en 1956 y desarrolló el lenguaje de programación Lisp, que fue utilizado en muchos proyectos de inteligencia artificial.

En la década de 1960, se llevaron a cabo varios proyectos importantes en el campo de la IA, como el programa de aprendizaje automático Perceptrón de Frank Rosenblatt y el programa de procesamiento de lenguaje natural ELIZA de Joseph Weizenbaum. En la década de 1970, se desarrollaron técnicas más avanzadas de aprendizaje automático y se crearon sistemas de inteligencia artificial que podían reconocer patrones, tomar decisiones y resolver problemas.

Desde entonces, se han desarrollado muchas otras aplicaciones de inteligencia artificial en una variedad de campos, como la robótica, la visión por computadora, el procesamiento de lenguaje natural y la automatización empresarial, entre otros. Hoy en día, la IA se está utilizando cada vez más en la vida cotidiana, desde los asistentes virtuales en los teléfonos inteligentes hasta los vehículos autónomos.

Aplicaciones de inteligencia artificial que se consideran importantes debido a su capacidad para automatizar procesos, mejorar la eficiencia y tomar decisiones complejas. Algunos ejemplos son:

• Asistentes virtuales: Los asistentes virtuales como Siri de Apple, Alexa de Amazon y Google Assistant son programas de IA que utilizan procesamiento de lenguaje natural y reconocimiento de voz para responder preguntas, realizar tareas y controlar dispositivos domésticos inteligentes.
• Reconocimiento de imágenes: Los sistemas de reconocimiento de imágenes, como los utilizados por Facebook y Google Photos, utilizan algoritmos de aprendizaje profundo para identificar y clasificar objetos, personas y situaciones en las imágenes.
• Vehículos autónomos: Los vehículos autónomos utilizan una combinación de sensores, cámaras y algoritmos de aprendizaje profundo para detectar y responder a los cambios en el entorno y tomar decisiones de conducción.
• Robótica: La robótica utiliza la IA para mejorar la precisión y la eficiencia de los robots industriales, así como para desarrollar robots más avanzados capaces de realizar tareas complejas en entornos cambiantes.
• Análisis de datos: Las empresas utilizan la IA para analizar grandes cantidades de datos y obtener información valiosa sobre sus clientes, operaciones y procesos. Los algoritmos de aprendizaje automático pueden identificar patrones y tendencias en los datos que no son visibles para los humanos.
• Procesamiento de lenguaje natural: El procesamiento de lenguaje natural (NLP) es una rama de la IA que se encarga de permitir que las computadoras comprendan, interpreten y produzcan lenguaje humano. Esta tecnología se utiliza en chatbots, análisis de sentimientos, traducción automática y reconocimiento de voz.

Que es ChatGPT?

Es un modelo de lenguaje de inteligencia artificial llamado ChatGPT, entrenado por OpenAI utilizando una arquitectura de aprendizaje profundo llamada GPT-3.5. Esta diseñado para entender y generar lenguaje natural para ayudar a responder preguntas y conversar con los usuarios.

GPT-3.5 es una versión mejorada del modelo de lenguaje de inteligencia artificial conocido como GPT-3 (Generative Pre-trained Transformer 3), desarrollado por OpenAI. GPT-3.5 utiliza una arquitectura de aprendizaje profundo que se basa en la misma estructura de Transformer utilizada en GPT-3, pero con más parámetros y una mayor capacidad de procesamiento.

En esencia, GPT-3.5 es un modelo de lenguaje natural que ha sido entrenado en una gran cantidad de datos de texto para poder entender y generar lenguaje humano de manera efectiva. Con esta capacidad, el modelo puede ser utilizado en una amplia variedad de aplicaciones, como la generación de texto, la traducción automática, el análisis de sentimientos, entre otros.

Una arquitectura de aprendizaje profundo se refiere al diseño y organización de las capas de procesamiento de un modelo de inteligencia artificial. En particular, se refiere a una arquitectura que tiene varias capas de procesamiento, lo que permite que el modelo aprenda y represente de manera más efectiva patrones complejos en los datos.

Estas capas están compuestas por neuronas artificiales que procesan la información de entrada y la transforman en una forma que el modelo pueda utilizar para realizar la tarea específica para la que se está entrenando. Cada capa procesa y extrae diferentes características de los datos, y estas características se combinan en capas posteriores para crear una representación más abstracta de los datos de entrada.

La arquitectura de aprendizaje profundo se utiliza en muchos modelos de inteligencia artificial, como redes neuronales convolucionales para el procesamiento de imágenes y redes neuronales recurrentes para el procesamiento de secuencias de datos, entre otros. Estas arquitecturas han demostrado ser muy efectivas en una amplia variedad de aplicaciones, desde reconocimiento de voz y de imágenes hasta traducción automática y análisis de sentimientos.

La versión más grande de GPT, GPT-3, por ejemplo, tiene 175 mil millones de parámetros, lo que significa que tiene una gran cantidad de neuronas artificiales en su estructura. Cada neurona artificial es responsable de realizar una operación matemática específica en los datos de entrada y contribuye a la capacidad del modelo para aprender y generar lenguaje natural.

Es importante destacar que el número de neuronas artificiales no es el único factor determinante en la capacidad de un modelo de lenguaje natural como CHAGPT. Otros factores importantes incluyen la calidad y cantidad de los datos de entrenamiento, el algoritmo de aprendizaje utilizado y la arquitectura específica del modelo.

Notas y referencias:

• Imagen generada por DALL*E: una pintura al oleo de un robot humanoide viendo un paisaje
• ChatGPT. 27 de marzo de 2023. Plataforma: OpenAI.